AIが本当に企業を変えるために、足りないもの

「AIで業務効率化しましょう」

この1〜2年で、何百回この言葉を聞いただろう。
ChatGPTが登場して以来、どの企業も生成AIを試している。

議事録の自動化、メール下書き、FAQ応答。たしかに便利になった。

でも、冷静に聞きたい。

それで、あなたの会社の意思決定は変わっただろうか？

月次の経営会議で、相変わらず「この数字、どこから来てるんだっけ」という質問が飛ぶ。部門ごとにKPIの定義が微妙に違って、数字の正しさの議論だけで30分が消える。
報告を上げるのに5営業日かかり、それが決裁者に届く頃にはもう状況が変わっている。

AIモデルは賢くなった。でも企業の意思決定は、ほとんど変わっていない。

100社以上のプロジェクトで、ずっと同じ景色を見てきた

2020年の創業以来、100社以上のDX・AI・システム開発案件に関わってきた。

その中で、繰り返し目撃してきたことがある。

要件通りにシステムを作った。納品もした。テストも通った。でも現場が使わない。
あるいは使っているけど、結局その裏でExcelが動いている。そして半年後、「もう一回作り直したい」と言われる。

最初は単純に、作り方の問題だと思っていた。
UIが悪いのか、要件定義が甘いのか、PMの進行が悪いのか。

でも何件も開発を行なううちに、もっと根本的なことに気づいた。

企業のデータには「意味」がない。

正確に言うと、意味がバラバラに散らばっている。CRMには顧客情報がある。
ERPには売上データがある。Slackには商談のニュアンスが流れている。
スプレッドシートには誰かが作った独自の集計ロジックがある。

全部ある。でも繋がっていない。

「この顧客の売上が先月下がった理由」を知りたいとき、AIモデルがいくら賢くても、データが意味レベルで接続されていなければ答えられない。結局、頭の中にその文脈を持っている人間——多くの場合、ベテランの営業部長か経理のエースか——が「たぶんこういうことだと思う」と言って、みんながそれを信じる。

これが現実だ。

問題はモデルの性能ではなく、
データの「意味構造」にある

なぜAIは「使える」ようにならないのか？

プラトンは2,400年前に「イデア論」を唱えた。目の前に見える個々の事物の背後には、その本質を規定する普遍的な形がある、と。

私はプラトンの信奉者ではないが、この直感は正しいと思っている。

企業のデータについても同じことが言える。表面的には、売上テーブル、顧客マスタ、行動ログと、バラバラのテーブルに見える。でもその背後には「なぜその取引が発生したのか（Intent）」「何と何が因果で繋がっているのか（Relation）」という共通の構造がある。

この構造——私はこれを「意味のインフラ」と呼んでいる——が欠けたまま、
どれだけ高性能なモデルを載せても、AIは本質的な仕事ができない。検索が速くなる。
下書きが楽になる。でも、意思決定の質は変わらない。

足りていないのはAIモデルではなく、モデルが動けるだけの意味構造だ。

アルバコネクトが作っているもの

アルバコネクトでは「Semantic SI」というアプローチで、
企業のデータ意味構造を設計するところから関わっている。

具体的にはこういうことをやっている。

まずDiscoveryフェーズで4〜6週間かけて、顧客のデータが「何を意味しているのか」
「どう繋がっているのか」を構造化する。
KPIの定義を一意にし、業務フローの中でデータがどう使われているかを可視化する。
成果物は6点固定——Meaning Map、KPI定義書、To-be業務設計、価値KPI設計、ロードマップ、依存条件ログ。

これが設計図であり、合意形成装置であり、
そのまま実装の優先順位を決めるレバーになる。

その上でDeliveryフェーズに入り、「機能」単位ではなく「価値」単位で実装する。
最も意思決定に効くところから作り、計測する。

AIエージェント開発、データ基盤構築、業務システムのモダナイゼーション
——全部やっている。

React / Next.js / TypeScript / Python / FastAPI / LangChain / LangGraph / PyTorch / OpenAI GPT-4 / Claude / AWS / GCP / Snowflake。技術スタックは広い。
なぜなら、企業のデータを意味レベルで繋げるには、フロントからインフラ、AIまで一貫して設計する必要があるからだ。

もっと遠くを見ている

ここから先は、興味がある人だけ読んでほしい。

アルバコネクトが本当にやりたいのは、企業のデータ統合だけではない。

AIは人類史上最大の発明になりうる。

でも、今の方向性のまま進むと、単一のモデルが「正解」を出す世界になる。
それは便利だが、多様性を殺す。

人はこの地球上で最も柔軟性の高い生き物だ。
それゆえに、本来は多様性が強みでもある。
AGI（汎用型人口知能）が実現する社会ーーその中で起こる人間の変化は、
画一化ではなく、より多様で創造的な存在への進化だ。

AIを「1つの賢いモデル」として使うのではなく、複数のコンポーネントとして連携させるインフラを作れば、多様性を保持しながら集合知性を実現できる。

イアン・M・バンクスの「カルチャー」シリーズに登場するMindsのように、個々の知性体が独自の判断基準を持ちながら、全体として調和する社会。

その基盤が「意味のインフラ」だ。

人間の認知には、表面的な違いの背後に共通する構造がある。その共通性を計算可能な形で抽出し、複数の人間・複数のAIの間で意味を共有できるシステム。

これを文明の社会インフラとして実装するのは、10年以上かかる仕事だ。
でもその出発点は、今日の企業のデータ構造を正しく設計することにある。
遠い未来の話ではなく、今日の1社のKPI定義を統一することが、そこに繋がっている。
1つの目の前の課題を解決することが、世界を変えるためのスタートラインになる。