あなたが使っているAIは、競合も、顧客も、取引先も使っている。しかし企業AIのコンテキストレイヤーが具体化しない理由

あなたが使っているAIは、競合も、顧客も、取引先も、もう使っている。

ChatGPTでも、Copilotでも、Geminiでも、Claudeでもいい。
生成AIを使うこと自体は、すでに差別化ではなくなりつつある。

ではどこで差がつくのか。

その焦点は「どのAIを使うか」から、「そのAIに何を教えるか」「何を読ませるか」へ移っていると思っている。

もっと言えば、AIに自社の考え方、判断基準、言葉の意味、例外処理、顧客への向き合い方をどう教えるかである。

ところが、ここに大きな壁がある。

情報システム部門的な形式知偏重の限界である。

技術側は、AIをデータ接続、RAG、権限管理、ワークフロー、ログの問題として捉えやすい。

一方で現場には、言葉になっていない判断、顧客ごとの説明順序、業界特有の避けるべき表現、過去の失敗から生まれた例外ルールがある。

つまり、AIに必要な会社の文脈は、技術の側にも、現場の側にも、片方だけでは存在していない。

ここをつなぐ「新しい職能」が必要になる。
それが、AIナレッジエンジニアである。
企業AIにおけるコンテキストレイヤーを設計し、「AI正本化」と呼んでいる作業をする人である。

これは単なるAI導入論などではない。
日本企業が、またAI分野で「便利に使う側」であり続けるのか。それとも、自社の知識、判断、文化、産業ごとの意味をAIに読ませ、競争力に変えていくのか。その分岐点の話である。

参考：
DataHub「The Context Layer for AI: What Enterprises Get Wrong」
https://datahub.com/blog/context-layer-for-ai/

Atlan「Context Layer for AI」
https://atlan.com/context-layer/

TechRadar Pro「AI agents aren't lacking intelligence – they're lacking context」
https://www.techradar.com/pro/ai-agents-arent-lacking-intelligence-theyre-lacking-context

企業AIに足りないのは「データ接続」ではない

最近、AI界隈で「コンテキストレイヤー」という言葉を聞く機会が増えた。

AIエージェント、社内RAG、Copilot、生成AI導入の話は山ほどある。しかし、いざ「で、ウチのAIに何を読ませるのか」となると、急に話が止まる。

ここを取り違えると、全部間違える。だから解説したい。

AIが業務でちゃんと判断するのに必要なのは、ファイルやデータベースを読み取る事だけではないからだ。

社内データの意味、所有者、来歴、業務の定義、例外ルール、過去になぜその判断をしたか。この「意味の層」を、AIが参照できる形で渡すことが必要になる。

DataHubは、コンテキストレイヤーを、企業の知識をガバナンスされた情報源からAIと人間に届けるインフラとして説明している。特に、企業AIが失敗する理由はモデルの知能不足ではなく、人間が頭の中に持っている組織知がシステム化されていないことだと指摘している。

参考：
DataHub「The Context Layer for AI: What Enterprises Get Wrong」
https://datahub.com/blog/context-layer-for-ai/

Atlanも、コンテキストレイヤーを、データスタックとAIエージェントの間に置かれ、メタデータを業務の意味やガバナンスに翻訳する層として説明している。Atlanの説明では、AIエージェントが必要とするのは、カラム名そのものではなく、その背後にある業務定義、系譜、アクセス方針、誰が認証した定義なのかである。

参考：
Atlan「Context Layer for AI」
https://atlan.com/context-layer/

Atlan「What Is a Context Layer and Why Do AI Systems Need It?」
https://atlan.com/know/what-is-context-layer/

つまり、データの話ではない。あなたの仕事の内容であり、その「意味」の話なのだ。

RAGは重要である。しかしRAGは検索の方法であって、会社の意味を作る仕組みそのものではない。DataHubは、RAGは外部知識を検索してAI回答を補強するパターンであり、Context Managementは、その検索対象が発見可能で、信頼でき、統治され、一貫していることを保証する基盤だと整理している。

参考：
DataHub「RAG vs. Context Management」
https://datahub.com/blog/rag-vs-context-management/

Enterprise Knowledge「What is the Difference Between a Semantic Layer and a Context Layer?」
https://enterprise-knowledge.com/what-is-the-difference-between-a-semantic-layer-and-a-context-layer/

DataHub「Context Layer vs Semantic Layer Explained」
https://datahub.com/blog/context-layer-vs-semantic-layer/

この違いを理解しないまま「社内文書をRAGに入れればいい」と考えると、企業AIはすぐに行き詰まることになる。
だからAIベンダーだけの話しを鵜呑みにしてはならない。

情報システム部門は「形式知化の問題」にしてしまう

ここで起きるのが、立場によるすれ違いだ。

情報システム部門は、データモデル、権限設計、ワークフロー、ログ、セキュリティのプロである。この強みは重要だ。企業AIの基盤を作るうえで、技術無しには始まらない。

ただ、その目線だけでコンテキストレイヤーを見ると、どうしても「要件定義」「業務フロー化」「マニュアルのDB化」という、形式知の問題に変換されやすいのだ。

ここに「専門バカ」の壁がある。

・暗黙知を文書にしましょう。
・業務フローにしましょう。
・FAQにしましょう。
・ナレッジDBにしましょう。
・用語集にしましょう。

一見、正しい。

しかし、ここで止まってしまう。なぜなら、会社の本当の強みは、最初からきれいな形式知として存在していないからだ。

経営者の判断の癖、ベテラン社員の例外処理、顧客との関係性の中に埋もれている。たとえば、「この表現はこの業界では避ける」「この顧客にはこの順番で説明する」「この数字は形式上は同じでも意味が違う」。そういう判断は、マニュアルに書かれていない。

そして、それを全部書こうとすると重すぎる。現場は書き続けない。更新されない。結局、古い文書だけが残る。そしてAIは、その古い文書をもっともらしく参照してしまう。

これは現場のやる気の問題ではない。形式知化の設計そのものに限界がある。

ナレッジマネジメント研究でも、組織は知識共有の重要性を認識しているのに、実務では十分に反映されないというギャップが指摘されている。Koivisto and Taipalusの研究では、大規模IT組織へのインタビューを通じて、知識共有を阻害する要因が、個人、組織、技術、環境、それらの相互作用にまたがっていることが示されている。

参考：
Koivisto & Taipalus「Pitfalls in Effective Knowledge Management: Insights from an International Information Technology Organization」
https://arxiv.org/abs/2304.07737

Frost「A Synthesis of Knowledge Management Failure Factors」
https://www.waru.edu/sites/default/files/Migrated/CopDocuments/A_Synthesis_of_Knowledge_Management_Failure_Factors-2014.pdf

特に、暗黙知については、単にITシステムで解決する話ではない。Frostの整理でも、ナレッジマネジメント失敗の要因として、ITシステムの限界、とりわけ暗黙知に対する限界を理解しないことが挙げられている。

なぜこのハナシをするか？

「暗黙知の強さ」こそ、日本の強さだからだ。

半導体の製造工程、素材、部品、精密加工、船舶用推進機器など、日本の強さは、図面や仕様書だけでは説明できない暗黙知の総合力にある。

たとえばナカシマプロペラのような企業は、大型船向けプロペラで高い存在感を持ち、設計・製造能力と職人的なものづくりを組み合わせて価値を生んでいる。

参考：
ナカシマプロペラ 公式
https://www.nakashima.co.jp/

Propelling「Issue 8」
https://propelling.jp/file/Issue8_ENG_CP.pdf

中国経済連合会「Nakashima Propeller Co., Ltd.」
https://chugokukeiren.jp/info-en/2019/02/mfg/896/

製造現場における熟練技能の抽出に関する研究
https://www.aist.go.jp/pdf/aist_j/synthesiology/vol03_01/vol03_01_p47_p55.pdf

だから形式知を強さとする欧米社会の土俵だけで戦ってはいけない。
また失われた30年を繰り返すことになる。
だからこのnoteを書いている。

ちなみに、似たような文脈として、コテン・ラジオの深井さんが人文知、日本人の思考について語っていた話とも重なる。

「何が起きたか」は記録できても「なぜそう判断したか」が欠けている

AIエージェントが本当に欲しいのは、「何が起きたか」だけではない。

ここをAIに教えてやらねばならない。

Liu達の論文「Reliable AI Needs to Externalize Implicit Knowledge」は、信頼できるAIには、明示知だけではなく、推論パターン、デバッグ過程、中間判断のような暗黙知を人間が検証できる形に外部化するインフラが必要だと主張している。これは、企業AIでまさに起きている問題である。

Liu et al.「Reliable AI Needs to Externalize Implicit Knowledge: A Human-AI Collaboration Perspective」
https://arxiv.org/abs/2605.02010

Intelも、生成AIを使ってSubject Matter Expert、つまり専門家の暗黙知をAIワークフローに注入する試みを整理している。高リスクな非構造データ処理では、単にモデルを賢くするのではなく、専門家の判断をどう安全に取り込み、再利用するかが課題になる。

参考：
Intel「Capturing Tacit Knowledge through Generative AI」
https://www.intel.com/content/www/us/en/content-details/861196/capturing-tacit-knowledge-through-generative-ai.html

でも、それを「全社視点」で一気にやろうとするから「それは不可能」になる。

「鳥の目」でやってはダメなのだ。
ここが、情報システム部門の形式知化の限界である。

・なぜ今回は例外的に承認されたのか。
・本来なら断るべき案件を、なぜ今回は受けたのか。
・その判断は今後も使えるルールなのか、一回限りの例外なのか。

これは「虫の目」で取り組む必要がある。

そして、ここに日本の会社の強さがある。
まず、ここを理解しているのが大事なのだ。

会社の判断基準は、たいていDBの外にある。

そしてAIが業務に深く入るほど、ここが問題になる。
AIは単に賢く判断するのではない。
意味がなければ、平均的に丸める。文脈がなければ、もっともらしく間違える。
AIは頭でっかちの中学3年生みたいなものなのだ。
私は、AIプロダクトを作ってきて、それをよく体感している。

これは情シスが悪いのではなく、専門分化の副作用である

念のため言っておくと、これは情報システム部門の能力不足の話ではない。むしろ逆で、専門分化が進みすぎた結果である。

「専門バカ」の間違いである

・業務の意味を持つ現場。
・データ構造を持つ情報システム部門。
・判断を持つ経営層。
・リスクを見る法務・監査。
・ブランドや言葉を扱う広報。

これらが、それぞれ専門化し、分断されている。

だから、コンテキストレイヤーの必要性は全員わかっていても、具体的なAIシステムに落とし込むことができないのだ。

・誰が正本を決めるのか。
・誰が例外を書くのか。
・どの粒度でAIに渡すのか。
・更新の責任は誰か。
・古い判断を誰が廃止するのか。
・AIが誤読したとき、誰が直すのか。

こんな地味で、きつい作業を誰がやるのか。
経営者がここを理解して評価する仕組みを作らなければ不可能だ。

AIネイティブになること、とは経営者がこのツボを身体で理解することなのである。
だからボトムアップで判断をするサラリーマン経営者には難しい。

これは単なるAI導入の問題ではない。
会社組織の知識を、誰が所有し、誰が編集するか。
この問題を誰が決めるのか。

この問いに答えられるのは、情報システム部門でも、現場でもない。部門をまたぐ知識を「誰が所有し、誰が編集するか」を決められるのは、専門分化の上に立つ経営陣だけなのだ。

さらに深掘りすると、コンテキストレイヤーが止まるのは、技術が足りないからではなく、これを「どの部門の仕事でもない、横断の編集機能だ」と決める人がいないからだ。

IBMも、AIが正しく振る舞うには、単にデータを検索するだけでなく、共有定義、データ品質シグナル、系譜、ガバナンスが、AIが推論・行動する瞬間に適用される必要があると説明している。
つまり、AIの問題は技術だけではなく、定義・責任・統治の問題でもある。

参考：
IBM「Real-time context for AI across hybrid environments」
https://www.ibm.com/new/announcements/real-time-context-for-ai-across-hybrid-environments

TechRadar Pro「What is data governance and why is it crucial for successful AI projects?」
https://www.techradar.com/pro/what-is-data-governance-and-why-is-it-crucial-for-successful-ai-projects

この本質的な問題を正しく認識しない限り、失われた30年が40年になり、日本はAI敗戦国になるだろう。大袈裟に聞こえるかもしれないが、5年と経たず結果が出るのは間違いない。

経営層が決めるべきは「AI正本化」という横断編集機能である

では、どうするか？

暗黙知をすべて長大なマニュアルに変換するのは現実的ではない。過去のナレッジマネジメントやDXでも、立派なポータルを作ったが、誰も書かず、更新されず、形骸化した例は多い。

企業AIで必要なのは、その繰り返しではない。
実務的には逆である。

現場の判断、例外、用語、前提、過去の処理を、AIが参照できる最小単位に切り出す。そこに根拠、所有者、更新日、適用条件、例外条件を付ける。これを運用の中で更新していく。

私はこの作業を「AI正本化」と呼んでいる。

AI正本化とは、会社の発言、資料、判断、例外、用語、顧客理解を、AIが誤読せず参照できる「会社の教科書・辞書・判断ルール」に編集して整えることである。

単なる文字起こしではない。
単なる要約でもない。
社内文書をMarkdown化するだけでもない。
RAGに投入するだけでもない。

たとえば、YouTube対談、社長インタビュー、営業現場の会話、顧客事例、過去の提案書、失注理由、採用面接で語られる言葉、編集会議の判断メモ。こうした「会社の意味が出る原典」から、AIが使える正本を作る。

・この会社が大事にしている言葉は何か。
・丸めてはいけない専門用語は何か。
・一般論にしてはいけない主張は何か。
・AIに言わせてはいけない表現は何か。
・例外対応の基準は何か。
・誰がその意味を保証するのか。

これらを、会社のAIが参照できる形に編集して整えるのだ。

この問題意識は、従来の知識創造論ともつながっている。野中郁次郎・竹内弘高のSECIモデルは、暗黙知と形式知の相互変換によって組織知が生まれることを説明してきた。近年は、生成AIを前提にSECIモデルを再設計する研究も出ている。

参考：
SECI Model of Knowledge Creation
https://ascnhighered.org/ASCN/change_theories/collection/seci.html

Uchihira「Tacit Knowledge Management with Generative AI: Proposal of the GenAI SECI Model」
https://arxiv.org/abs/2603.21866

Tacit Knowledge Extraction via Logic Augmented Generation and Active Inference
https://arxiv.org/abs/2605.07639

重要なのは、暗黙知をすべて文書化しようとしないことだ。必要なのは、AIが判断に使える単位へ切り出し、根拠と責任を持たせることである。

コンテキストレイヤーの正体は、会社の意味をAIに渡す編集工程である

ここまで整理すると、コンテキストレイヤーの見え方が変わると思う。

コンテキストレイヤーは、単なる技術基盤の名前ではない。

社内にある暗黙知、形式知、業務ルール、例外、用語定義、過去の意思決定を、AIが読める形に編集し続ける工程である。

もちろん、技術基盤は必要だ。データ接続、権限管理、検索、ログ、セキュリティ、監査は不可欠である。しかし、それだけでは足りない。

「会社の意味を編集する人」が必要になる。

業務を理解し、経営者の言葉を読み解き、現場の暗黙知を拾い、情報システムの構造も理解し、AIがどう誤読するかを想像できる人である。

従来の職能で言えば、編集者、業務設計者、ナレッジマネージャー、情報設計者、AI運用者が重なったような役割だ。

私は、ここにAI時代の新しい職能としての「AIナレッジエンジニア」や「AI正本設計者」の必要性があると思っている。

ただし、この職能を自然発生に任せてはいけない。経営が「これは会社の競争力を左右する横断機能である」と位置づけ、権限、責任、更新ルールを与えなければならない。

それを実行した会社が、AIネイティブになるのだ。

参考：
Atlan「Context Layer vs Semantic Layer」
https://atlan.com/know/context-layer-vs-semantic-layer/

Enterprise Knowledge「Semantic Layer vs Context Layer」
https://enterprise-knowledge.com/what-is-the-difference-between-a-semantic-layer-and-a-context-layer/

DataHub「Context Layer vs Semantic Layer Explained」
https://datahub.com/blog/context-layer-vs-semantic-layer/

Contextual AI「Semantic Layer vs. Context Layer: Why Enterprise AI Needs Both」
https://contextual.ai/blog/semantic-layer-vs-context-layer

AIを使う側か、主権側か

日本企業がまたAI分野で「使うだけの側」に回るのか。
それとも、自社の知識、判断、文化、産業ごとの意味をAIに読ませ、競争力に変えていくのか。

ここでいう主権とは、モデルを自社で作ることだけではない。AIに何を正しい知識として読ませ、どの判断基準で答えさせるかを、自社で決められることである。

自分の土俵で戦う基盤をつくることだ。

私は、その分岐点にコンテキストレイヤーがあると考えている。
そして、その具体的な作り方が、AI正本化である。

AI正本化だけは、自分の意志でできる。
モデルを持っていなくてもできる。
やる気があれば、できるのだ。

つまりAI正本化は、暗黙知をAIに、つまり欧米の土俵に差し出すことではない。自社の判断基準のまま、自社のAIにだけ読ませればいい。
だから強みは外に漏れず、AI時代に使える堀、MOATになる。

だから企業AIの競争力は、モデルの性能だけでは決まらない。

AIに読ませる、会社の教科書・辞書・判断ルールを持てるかどうかで決まる。そして、それを現場任せにせず、経営者がちゃんと理解して、決断できるかで決まるのだ。

参考資料

DataHub「The Context Layer for AI: What Enterprises Get Wrong」
https://datahub.com/blog/context-layer-for-ai/

DataHub「RAG vs. Context Management」
https://datahub.com/blog/rag-vs-context-management/

DataHub「Context Layer vs Semantic Layer Explained」
https://datahub.com/blog/context-layer-vs-semantic-layer/

Atlan「Context Layer for AI」
https://atlan.com/context-layer/

Atlan「What Is a Context Layer and Why Do AI Systems Need It?」
https://atlan.com/know/what-is-context-layer/

Atlan「Context Layer vs Semantic Layer」
https://atlan.com/know/context-layer-vs-semantic-layer/

Enterprise Knowledge「What is the Difference Between a Semantic Layer and a Context Layer?」
https://enterprise-knowledge.com/what-is-the-difference-between-a-semantic-layer-and-a-context-layer/

Contextual AI「Semantic Layer vs. Context Layer: Why Enterprise AI Needs Both」
https://contextual.ai/blog/semantic-layer-vs-context-layer

Liu et al.「Reliable AI Needs to Externalize Implicit Knowledge」
https://arxiv.org/abs/2605.02010

Intel「Capturing Tacit Knowledge through Generative AI」
https://www.intel.com/content/www/us/en/content-details/861196/capturing-tacit-knowledge-through-generative-ai.html

Intel PDF「Capturing Tacit Knowledge through Generative AI」
https://cdrdv2-public.intel.com/861196/Capturing%20Tacit%20Knowledge%20through%20Generative%20AI.pdf

Uchihira「Tacit Knowledge Management with Generative AI: Proposal of the GenAI SECI Model」
https://arxiv.org/abs/2603.21866

Lamazzi et al.「Tacit Knowledge Extraction via Logic Augmented Generation and Active Inference」
https://arxiv.org/abs/2605.07639

Koivisto & Taipalus「Pitfalls in Effective Knowledge Management」
https://arxiv.org/abs/2304.07737

Frost「A Synthesis of Knowledge Management Failure Factors」
https://www.waru.edu/sites/default/files/Migrated/CopDocuments/A_Synthesis_of_Knowledge_Management_Failure_Factors-2014.pdf

SECI Model of Knowledge Creation
https://ascnhighered.org/ASCN/change_theories/collection/seci.html

TechRadar Pro「AI agents aren't lacking intelligence – they're lacking context」
https://www.techradar.com/pro/ai-agents-arent-lacking-intelligence-theyre-lacking-context

IBM「Real-time context for AI across hybrid environments」
https://www.ibm.com/new/announcements/real-time-context-for-ai-across-hybrid-environments

製造現場における熟練技能の抽出に関する研究
https://www.aist.go.jp/pdf/aist_j/synthesiology/vol03_01/vol03_01_p47_p55.pdf

ナカシマプロペラ 公式サイト
https://www.nakashima.co.jp/

Propelling「Issue 8」
https://propelling.jp/file/Issue8_ENG_CP.pdf

#生成AI #企業AI #コンテキストレイヤー #AI正本化 #暗黙知