Databricksが存在論（オントロジー）に賭け、企業AIエージェントの「頭脳」を誰が制御するかを明かす
企業向け人工知能の歴史は、層を重ねることで測ることができる。最初に登場したのはベクターデータベースであり、大量のテキストに対して意味的類似性による検索を可能にした。次に来たのが検索拡張生成（RAG）であり、言語モデルと外部知識ソースを組み合わせることでハルシネーションを低減した。このアーキテクチャが過去2年間を席巻し、企業向けアシスタントを構築するための事実上の標準となった。
今、Databricksはそのアーキテクチャでは不十分だと賭けに出ている。年次カンファレンス「Data + AI Summit」において、CEO アリ・ゴドシ氏はGenie Ontologyを発表した。これは、内部データ、ダッシュボード、SQLクエリ、ドキュメント、パイプライン、アプリケーションからビジネス定義を自動的に抽出し、AIエージェントが組織の運営方法を理解するために参照できるライブグラフとして整理するコンテキストレイヤーである。この製品はプレビュー段階にあり、GoogleのPageRankに着想を得た階層化システムを使用して、どのソースが最も権威を持つかを決定する。評価基準は、誰が情報を作成したか、どれだけ使用されているか、認定済みアセットに紐付けられているかどうか、そして最後にいつ更新されたか、である。
この動きは単なる技術的なものではない。未来の企業のセマンティックインフラを誰が制御するかという意思表明であり、その争いは第一級の経済的帰結をもたらす。
アーカイブから権威へ
Genie Ontologyが解決しようとしている問題は新しいものではない。中規模以上の企業では、「月次経常収益」の定義が、財務部門、営業部門、データチームで異なる場合がある。3つの部門、同じ指標に対して3つの異なる数値。従来のRAGシステムはそれを解決しない。質問に似ているように見えるものを取得するが、公式な定義と3年前に誰かがGoogleドキュメントに書いた定義を区別しない。
一方、オントロジーは単に検索するだけでなく、概念間の階層的な関係をコード化し、どのソースがどの定義に対して権威を持つかを確立し、異なるAIエージェントが同じビジネス語彙を共有できるようにする。Moor Insights & StrategyのアナリストであるMichael Leone氏はこれを明確に説明している。すべてのエージェントに単一の定義を供給することは、同じ質問に対して3つの異なる回答を受け取ることをやめることを意味する。自動化されたレポートに基づいて重大な意思決定が行われる組織において、その一貫性の運用上の価値は高い。
HFS ResearchのAshish Chaturvedi氏はさらに踏み込んで、これを企業AI導入において最も根強い障壁、すなわち信頼の欠如と結びつける。同氏の分析によれば、核心的な問題は技術的なものではなく、知識のガバナンスにある。意思決定者がAIのアウトプットに基づいて行動しないのは、その出所を追跡できず、推論の連鎖が正しいソースを使用したかどうかを確認できないからだ。ソースまでの追跡可能性を持つ公式定義に根ざしたオントロジーは、そのギャップに直接対処するものだ。
Databricksはまた、Genie OntologyをUnity Catalog Semanticsプラットフォームと統合しており、組織が独自の定義や企業語彙を読み込み、グラフに何を取り込むかを管理できるようにしている。社内では、自社のテストプロセス中に約450万件のオントロジーフラグメントを生成したと報告している。これは、解決しようとしている問題の規模と、同時にそれを最新の状態に保つ複雑さの一端を示している。
進歩の語りが省略するリスク
あらゆるアーキテクチャには限界がある。HyperFRAME ResearchのStephanie Walter氏は、欠けているリンクを正確に指摘する。それは検証だ。オントロジーはエージェントが動作するコンテキストを改善するが、応答が正しいことを保証するわけではない。エージェントは正しい定義を参照しながらも、誤ったロジックを適用したり、データセットの行を省略したり、ワークフローを誤解したり、意図しないアクションを取ったりする可能性がある。セマンティックな一貫性は、運用上の正確さと同じではない。
この区別は特に重要だ。なぜなら、Databricksが目指す地平は、クエリに答えるアシスタントではなく、アクションを実行するエージェントだからだ。パイプラインを変更し、規制レポートを生成し、アラートを発し、ビジネスプロセスにおいて自動化された意思決定を下すエージェントだ。そのコンテキストでは、根拠のあるセマンティックエラーは、明白な曖昧さよりも危険な場合がある。誰かが検出する前に、より遠くまで到達してしまうからだ。
Leone氏は別の側面を加える。ほとんどの企業は、オントロジーレイヤーを厳密に実装するために必要なデータとガバナンスの成熟度を持っていない。データリネージが弱く、メトリクスのオーナーが定義されておらず、または現行の定義が矛盾している場合、オントロジーを追加しても問題は解決されない。むしろ加速される。グラフは既存のソースから供給されるが、それらのソースが一貫していなければ、一貫性のなさはより速く、権威があるかのように見せかけながら伝播する。
Walter氏はリスクのより静かな次元を加える。それはメンテナンスだ。オントロジーは一度設定したら終わりのプロジェクトではない。ビジネスが変わるたびに、新製品がリリースされるたびに、指標が再定義されるたびに、部門が再編されるたびに更新が必要なライブアセットだ。更新プロセス、明確なオーナーシップ、定義間の競合を解決するメカニズムがなければ、グラフは時代遅れになる。そしてエージェントに対してアルゴリズム的な権威を持つ時代遅れのオントロジーは、Walter氏によれば「より洗練された名前を持つ、もう一つの停滞したメタデータプロジェクト」にすぎない。
これはDatabricksの賭けを無効にするものではないが、製品がその価値を証明しなければならない地平を定義している。それはステージ上のプレゼンテーションではなく、不完全なデータとガバナンス構造がいまだ成熟途上にある組織内での運用上のメンテナンスにおいてだ。
企業のコントロールプレーンをめぐる争い
Genie Ontologyは真空の中に存在しているわけではない。Snowflakeにはエージェント向けの独自のセマンティックレイヤーであるHorizon Contextがある。MicrosoftはCopilot、Fabric、そしてIQファミリー（Work IQ、Fabric IQ、Foundry IQ）の中に同等の機能を構築しており、ビジネスコンテキストとガバナンスをより広いインフラに統合している。Leone氏が指摘するように、問題は各ベンダーが基本的に似たアイデアに異なる名前をつけていることであり、その用語の断片化が採用を遅らせている。なぜなら、CIOのチームが何を評価しているのかを明確に比較できないからだ。
名前の違いを超えて、争われているものは構造的に重要だ。Chaturvedi氏はこれを企業AIのコントロールプレーンとなる競争と表現する。データ、ガバナンス、セマンティクス、エージェント実行が収束する場所だ。同氏が使う歴史的なアナロジーは正確だ。ERPシステムはビジネストランザクションの記録システムになった。データウェアハウスは分析の記録システムになった。今、どのプラットフォームがAIエージェントの記録システムになるかが定義されようとしている。
Databricksは、Genie Ontologyをより広いアーキテクチャの中に位置づけている。そのアーキテクチャには、エージェントアプリケーションの基盤としての提案であるLTAP、そして企業AI環境における統合コストを削減するように設計されたOpenSharingが含まれる。これらのコンポーネントが接続されると、Ghodsi氏自身が「エージェントの記録システム」と表現するビジョンが浮かび上がる。エージェントが読み取り、推論し、行動する権威ある単一のソースだ。これは単独の製品ではなく、プラットフォーム戦略だ。
この競争におけるデータプロバイダーの構造的優位性は現実のものだ。彼らはすでにデータ、ガバナンスコントロール、リネージ、そしてエージェントが安全に動作するために必要な権限を保有している。これはモデルプロバイダーやオーケストレーションツールのプロバイダーとは異なる立場だ。しかし、その優位性には好ましくない側面もある。顧客がすでにデータを整理していることに依存しているのだ。そして、ほとんどの企業にとって、それはまだ実現していない。
Chaturvedi氏は、今これらの選択肢を評価しているチームにとって意思決定を簡略化するヒューリスティックを提示する。コンテキストレイヤーはデータの重力に従う。データがDatabricksに存在するなら、Genie Ontologyが自然な道だ。Snowflakeにあるなら、Horizon Contextがそれにあたる。インフラが主にMicrosoftであれば、IQファミリーがルートだ。コンサルティング会社KanerikaのBhupendra Chopra氏はその議論を補強する。各プラットフォームのマーケティングを超えて、実際の意思決定はデータがすでに存在する場所が決定するのだ。
Snowflakeは、オープンなセマンティック相互運用性に賭けることで自社の提供物を差別化しようとしている。理論上は、ビジネス定義が単一のベンダーのデータモデルに閉じ込められることなく、プラットフォーム間を移動できるようにするものだ。この賭けは、セマンティックな依存性のリスク、すなわちプラットフォームロックインの相当物ではあるが企業の語彙に適用されるもの、を直接的に狙っている。これは、企業が複数のデータシステムを同時に運用している環境において特に重要だ。
価値は実行が検証される場所で捕捉される
これらのプラットフォームを取り巻く支配的な語りは、コンテキスト、一貫性、信頼について語る。これらの次元はすべて重要だが、現在利用可能などの提案においても、まだしっかりとした答えが出ていない次元が一つある。それはエージェントが行ったことが正しかったかどうかをどのように検証するか、だ。
それこそが真の最前線だ。エージェントがタスクを開始するコンテキストの質ではなく、エージェントが何をしたか、どの定義を使ったか、どのデータを処理したか、どのロジックを適用したか、そして結果が再現可能かどうかを完全な追跡可能性を持って監査する能力だ。Walter氏は曖昧さなくこれを要約する。企業AIにおける次の争いの場はコンテキストではなく、検証可能な実行だ。
これは、この競争において経済的価値がどこで捕捉されるかについて直接的な影響を持つ。セマンティックな一貫性を改善するオントロジーは価値あるアセットだが、組織が実際の帰結、すなわち財務的、規制的、運用的な帰結を伴う運用上の意思決定を自律型エージェントに委任できるようにするには十分ではない。その水準の委任が起きるためには、プラットフォームはさらに多くのものを提供する必要がある。意思決定の監査可能な記録、エージェントが誤りを犯したときの修正メカニズム、そしてコンテキストが変化してもグラフがまだ更新されていない場合に何が起きるかの保証だ。
Databricksはその方向に向かって構築しているが、Genie Ontology単独ではまだその問いに答えていない。Data + AI Summitの一連の発表が明らかにするのは、その目標に向けた一貫した戦略だ。データ＋ガバナンス＋セマンティクス＋エージェント実行を、単一プラットフォーム内の統合されたレイヤーとして。ビジョンの一貫性は明確だ。ストレステストが訪れるのは、オントロジーが、いかなるグラフも単独では更新に追いつけないほど速く変化する組織の中で正確さを維持しなければならなくなるときだ。
アーキテクチャの野心と、それを採用する企業の運用上の現実との間のその緊張こそが、この賭けが持続可能な価値を生み出すのか、それともまだ支えるための準備が整っていない基盤の上に構築された洗練されたインフラになるのかを決定する場所だ。
