AIエージェントが意思決定を行う際、そのエージェントは目の前にあるデータに基づいて直接行動を起こします。高性能な言語モデルであっても、それが大規模なものか独自に構築されたものであれ、人間が出力のチェックを止めれば、そのデータに含まれる不整合を補うことはできません。
例として筋力トレーニングを挙げよう。「漸進的過負荷」は、先週実際にどれだけの重量を挙げたかを知っている場合にのみ有効だ。トレーニングの基準となる数値に一貫性がなく、誤っている場合、それに続くすべての判断も誤ったものになってしまう。
AIエージェントも同様に機能します。モデルがどれほど高性能であっても、与えられたデータに基づいてのみ意思決定を行うことができます。そのデータに不整合や信頼性の欠如があれば、意思決定も同様に不正確なものになってしまいます。
このブログでは、エージェントが確実に動作するために必要なデータとは何か、そしてマスターデータ管理（MDM）がそれをどのように実現するのかについて解説します。
言語モデルは、一貫性のないデータを補うことができるのでしょうか？
いいえ。言語モデルは、大規模な汎用モデルであれ、社内で学習させた小規模なモデルであれ、アクセス可能なデータ内のパターンに基づいて出力を生成するものです。
追加のコンテキストやガバナンスがなければ、顧客レコードが正確であるかどうか、あるいは矛盾する企業データのどのバージョンを正とみなすべきかを、言語モデルが確実に判断することはできません。
モデルがレポートを作成し、人がそれを確認してから行動に移していた時代には、この違いを見落とすことは容易でした。アナリストは、決定を下す前に不整合に気づいたり、外れ値を無視したり、追加の質問をしたりすることができました。しかし、行動するよう指示されたエージェントは、そのような判断のために立ち止まることはありません。
これに関しては、2つの一般的な前提があります：
- モデルは常に不確実性を認識し、警告を発する
- 不整合な記録は、規模が大きくなるにつれて平均化される
エージェントが自律的に行動することが求められる場合、これらの前提のいずれも安全とは言えません。明確化を図ったり、決定を先送りしたりするように明示的に設計されていない限り、エージェントは通常、最も可能性の高い解釈を選択して処理を進めることになります。
その先では、基礎となるデータが信頼できない場合、より優れたモデルであっても収益は逓減していきます。
MDMは、AIエージェントの意思決定の信頼性をどのように向上させるのでしょうか？
MDMは、すべてのエージェントが一貫して利用できる、ガバナンスが施され信頼性の高いビジネスデータを提供することで、AIエージェントの信頼性を向上させます。各エージェントが異なる「真実」を解釈するのではなく、MDMは推論と行動のための共通の基盤を提供します。
アイデンティティ
エージェントが顧客、サプライヤー、または製品について推論を行うには、まず、どの対象について話しているのかを把握しておく必要があります。
レコードの重複、断片化されたアイデンティティ、矛盾する識別子があると、エージェントは誤ったエンティティについて意思決定を行ってしまうことになります。MDMの中核機能であるアイデンティティ解決により、すべてのエージェントが、ビジネスエンティティに関する単一かつ信頼できる表現を起点として処理を開始できるようになります。
ドメイン間の一貫性
AIエージェントが、どの顧客、製品、またはサプライヤーのレコードが「正しい」ものかを判断する必要は決してあってはなりません。MDMは、どの業務システムによって作成または更新されたかに関係なく、すべてのエージェントが参照できる、管理された各レコードのバージョンを提供します。これにより：
- 製品データは、それを扱うすべてのエージェント間で一貫性を保つ
- 顧客レコードが競合するバージョンに分岐することはない
- サプライヤーやビジネスパートナーのデータが、システム間で同期がずれることがなくなる
一貫性は、単にデータ品質を向上させるだけでなく、意思決定の質も向上させます。
単なるビジネスデータだけでなく、ビジネス上の文脈も重要
一貫性だけでは不十分です。担当者は、レコードにアクセスするだけでなく、それらのレコードが互いにどのように関連しているかを把握する必要があります。
例えば、サプライヤーのレコードには、名前や住所以上の情報が含まれています。承認済みの製品、契約、規制要件、リスクスコアなどと関連付けられている場合もあります。その文脈がなければ、担当者はデータを取得することはできても、ビジネス状況を完全に把握することはできません。
行動のその瞬間に得られる信頼できる情報
タイミングは重要ですが、それは単なる処理速度という意味ではありません。午後2時に行動する担当者は、その瞬間のビジネス状況を反映した記録を必要とします。必ずしも前回の四半期更新時の情報である必要はありません。
説明可能な意思決定
組織がエージェントにより大きな裁量権を与えるにつれ、あらゆる重要な意思決定の追跡可能性が求められます。MDMは、意思決定の監査、エラーの調査、そして信頼の維持に必要なガバナンスとリネージを提供します。
なぜ、マルチエージェントのワークフローでは、こうしたデータの問題がさらに深刻化するのでしょうか？
単一のシステムでは単なる1つのミスに過ぎないデータの問題も、一連のエージェントを経由すると、複数のミスへと膨れ上がってしまいます。これは、各エージェントが前のエージェントの出力を事実として扱ってしまうためです。
簡単な例
- ある製品エージェントが、照合されたことのないサプライヤーの記録に基づいて在庫レベルを更新したとする
- 在庫管理エージェントがその更新情報を読み取り、再発注をトリガーする
- サプライヤーエージェントは、製品エージェントからの誤ったデータが唯一の入力情報であったため、誤ったベンダーに発注してしまう。
当初の1件の不整合なレコードが3つの誤ったアクションを引き起こしましたが、それらが実行される前に、誰もそれらを確認しませんでした。
なぜエラーが雪だるま式に増大するのか
1人の担当者が誤った判断を下すことは、発見して修正できるデータ品質の問題です。
一方、一連のエージェントが互いの出力を基に処理を行うと、その同じ問題が、引き継ぎが行われるたびに拡大していくものになってしまう。
各エージェントは、前のエージェントが生成した結果を検証するのではなく、そのまま信頼してしまいます。なぜなら、検証はエージェントが本来行うようには設計されていないからです。
説明責任の所在が不明確になりやすくなる
人がこうした判断を下していた頃は、通常、その判断には名前が伴っていた。
一連のエージェントが判断を行う場合、事後に誰かが基礎となるデータからその決定を再構築しなければなりません。管理され、追跡可能なマスターデータがなければ、そうした疑問に答えることは極めて困難になります。
AIエージェントが主流となる世界において、MDMは変化するのでしょうか？
はい。MDMの目的は変化しました。従来、MDMは、意思決定を行う前に人が確認するための信頼できる記録を作成するものでした。
今日では、それらの記録は、AIエージェントが直接行動を起こすための運用上の基盤として、ますます重要な役割を果たしています。
参照データから運用データへ
かつて「ゴールデンレコード」とは、人が参照するものでした。しかし今では、AIエージェントが継続的に読み取り、推論を行い、それに基づいて行動を起こす対象となっています。
これにより、MDMの役割は変化します。もはや単に信頼できる情報を公開するだけではありません。機械並みのスピードで意思決定を行う自律システムに、信頼できる情報を継続的に供給することが求められているのです。
ガバナンスは双方向で機能する
ガバナンスは、AIエージェントが消費するデータだけで終わるものではありません。エージェントが行うあらゆる変更に対しても、ガバナンスを適用しなければなりません。
重複する顧客レコードを解決するエージェント：
- 欠落している製品属性を補完するエージェント
- 矛盾するサプライヤーの住所にフラグを立てる
- 次の担当者が使用するレコードを変更する
担当者が行うすべての変更は、当初参照したデータと同じ厳格さで検証されるべきです。
すべてのドメインが準備を整えていなければならない
製品、顧客、サプライヤー、拠点、およびビジネスパートナーに関するデータはすべて、担当者がそれらを取り扱う前に、同じ基準を満たしている必要があります。
最も脆弱なドメインが、担当者の死角となってしまいます。
STEPが、信頼できる企業データに基づいてAIエージェントを運用する仕組み
STEPは、Stibo Systemsが提供する信頼性の高いインテリジェンスプラットフォームでありは、AIエージェントが自信を持ってデータを読み取り、推論し、行動するために必要な、信頼性の高いエンタープライズ・マスターデータの基盤を提供します。
STEPは、以下の点でAIエージェントを支援します：
- 重複や矛盾するレコードを自動的に解決する
- 製品、顧客、サプライヤー、ビジネスパートナーのデータを一貫性を持って構造化する
- すべてのドメインにわたるレコード間の関係を維持する
- エージェントが書き戻したデータを、レコードの一部となる前に検証する
- エージェントが行うすべての決定の背後にある履歴を追跡可能にする
- データにアクセスするすべてのシステムにおいて、同一のガバナンスルールを適用する
筋力トレーニングにおいて、リフターの後ろにいるスポッターが注目されることはめったにありません。すべての注目はリフトそのものに集まります。しかし、もしスポッターが不適切なタイミングで目を離してしまったら、たった1回の失敗したレップが怪我につながってしまうのです。
STEPは、AIエージェントに対しても同様に機能します。物事が順調に進んでいるときは見過ごされがちですが、誤った決定が連鎖反応を引き起こさない理由こそが、ここにあるのです。
どのようなエージェントアーキテクチャを導入していても、信頼性の低い企業データを補うことはできません。ガバナンスの行き届いた基盤がなければ、エージェントが互いの決定を積み重ねていくにつれて、ミスは雪だるま式に膨らんでいきます。STEPは、ワークフローを最初から最後まで信頼性の高い状態に保つための、信頼できるコンテキストを提供します。
よくある質問
なぜAIエージェントはすでにエンタープライズシステムにアクセスできるのにMDMが必要なのでしょうか？
アクセスは信頼と同じではありません。 エンタープライズシステムにはしばしば矛盾するデータや重複するデータが含まれています。 MDMは、AIエージェントが依存する管理された信頼できるビューを提供します。
LLMはマスターデータ管理を置き換えることができますか？
いいえ。 LLMはデータに基づいて推論することはできますが、どのレコードが権威あるものかを判断したり、ガバナンスを強制したりすることはできません。 MDMは信頼できるAIのための信頼できる基盤を提供します。
もしAIがますます有能になっているなら、なぜMDMがこれまで以上に重要なのでしょうか？
AIは真実ではなくパターンを学ぶからです。 エージェントがより自律的になるにつれて、信頼できるマスターデータが信頼性の高い意思決定に不可欠になります。
これはただのデータ品質の問題ではないですか？
いいえ。 データ品質はMDMの一つの機能です。 信頼できるAIは、ガバナンス、関係性、ビジネスコンテキスト、アイデンティティ解決、系譜、ポリシーの実施にも依存しています。
取得強化生成（RAG）はMDMに取って代わることができるのか？
いいえ。 RAGはAIが情報にアクセスする方法を改善します。 その情報の質を向上させるわけではありません。 もし基礎データに重複、不整合、または矛盾する記録が含まれている場合、RAGはそれらを単により速く取得するだけです。
AIは自分で不良データを修正できますか？
いいえ。 AIは問題を特定し、修正を提案することができますが、管理されたマスターデータがないと、顧客、サプライヤー、または製品の権威あるバージョンを決定することはできません。
エージェントグレードデータとレポーティンググレードデータはどのように異なりますか？
レポートグレードのデータは、ダッシュボードを確認する人が異常値を見つけてフォローアップの質問をするのに十分な精度があります。 エージェントグレードのデータは、誰も出力を確認することなく決定に至る前に信頼できるものでなければなりません。
AIエージェントはデータガバナンスの必要性を排除しますか？
いいえ。 AIエージェントはデータガバナンスの必要性を高めます。 エージェントが自律的に行動するため、ガバナンスはすべての決定が信頼できるデータに基づき、すべての変更がビジネスルールに従うことを保証します。
AIエージェントが矛盾したデータを共有するとどうなりますか？
エラーは累積します。 一人のエージェントの悪い出力が次のエージェントの入力となり、その間違いは誰かが気づくまでにいくつかの決定を通過することがあります。
MDMはデータファブリックとどのように関連していますか？
データファブリックは、データが変化する際にシステム間で接続し、移動させます。 MDMはそのデータの意味を管理し、移動する前に正確であることを確認します。 エージェントは両方とも必要ですが、信頼できないデータを移動させるデータファブリックは問題をより早く広げるだけです。
