AIエージェントをエンタープライズシステムに組み込むプラクティス 【階層化メモリ -- 4層メモリとコンテキスト・ブローカー】 💡 毎回ゼロから始まるAIエージェントは、何度も同じ質問をする新入社員と同じです。記憶を4層に分離し、「いま本当に必要な情報だけ」を動的に組み立てる仕組みが、実用レベルのエージェントを作ります。 🔥 解決する課題 - セッション跨ぎの文脈喪失：セッション間・エージェント間で文脈が失われ毎回やり直しになる - 文脈窓の有限性：全履歴を詰め込むとコスト・精度が劣化する - 記憶肥大：無制限な蓄積でコスト・プライバシーリスク・文脈汚染が増大する - Lost in the middle：大量コンテキスト投入でかえって回答精度が下がる 🏗️ 提案パターン メモリを4層に分離します。ワーキング（現セッション・揮発）、エピソード（過去要約・ユーザー単位）、セマンティック（RAG対象の知識）、組織知識（人・部署・関係の知識グラフ）。各層に適切な保存先・TTL・ACLを設定します。コンテキスト・ブローカーがユーザーの意図に応じて各層から情報を取得し、トークン予算内で優先度付け・要約・圧縮を行い、最も関連の高い情報だけでコンテキストを組み立てます。 ✅ 選定条件 - 採用する場合：セッション跨ぎ・エージェント跨ぎで文脈を引き継ぐ継続支援型エージェント - 採用しない場合：一発完結のステートレスタスク、固定の少量コンテキストで足りる用途 ⚠️ 落とし穴 - エピソードメモリの肥大化：生ログではなく要約を残し、重要度スコア + TTL + 時間減衰で制御します - コンテキストブローカーの品質：リランキングの精度が低いと不要情報が混入し、精度が劣化します - ACLの層間整合：メモリ層ごとにACLが異なる場合、集約時に最も厳しい権限に縮退させる設計が必要です 🛠️ 実装方針 1. ベクタDB（Pinecone / Weaviate / pgvector）をセマンティックメモリ層に、Neo4jを組織知識グラフ層に配置し、各層に保存先・TTL・ACLを設定します 2. エピソードメモリは生ログではなく要約パイプラインを通し、重要度スコア＋時間減衰で自動的に忘却・圧縮する仕組みを実装します 3. コンテキスト・ブローカーをリランキング（Cohere Rerank / cross-encoder）で構築し、ユーザーの意図に応じてトークン予算（目安8,000トークン）内で最も関連の高い情報を動的に組み立てます 4. Mem0 / Zepなどのメモリ管理フレームワークを活用し、セッション跨ぎ・エージェント跨ぎのデータ引き継ぎを実装します 5. 各メモリ層にACLタグを付与し、集約時にコンテキスト・ファイアウォール（P10）と連携して最も厳しい権限に縮退させます #AIエージェント# #エンタープライズアーキテクチャ#

昨晩はジェネシアのディープテック投資先を集め「ディープテックの組織設計 by People Growth Builder」を開催しました。 ​ゲストのディメンジョンフォー出川さん、Elevation Space小林さんから、これまでの泥臭い挑戦とリアルな学びを存分にシェアしていただきました。 ​経営や組織づくりに唯一の正解はありませんが、だからこそ先人の試行錯誤から得る「生きた学び」には絶大な価値があると確信しています。 ​ディープテックの組織設計という解のない問いに対し、ジェネシアとしても投資先の皆さまと共にディープダイブし、実践を通じて高め合えるコミュニティを育てていきます。

その通りだと思った メルカリ「CTOがCHROを兼務」が示すもの　AI時代の組織設計と“形だけの模倣”に潜むリスク：久松剛のIT業界裏側レポート - ITmedia エンタープライズ

オペレーション改革系の事業を行う企業が増えた印象 この事業は、業務解像度がないと顧客が受け入れないと思う。成果を出すためには、組織設計・人材アセスや教育・さらにIT環境なども絡む HowだけでAI使えます！！というのは入り口が厳しい そんなに難しくない業務ならいいですが、難しくないならそこまで価値が出ない。例外は、単に量が多い系の領域。AIは、いくらでも働くので。しかし、量が多いとAIエージェント頼みだと経ち行かないんですよね。 意外に難しいですがHowとドメインの解像度といういつものシンプルな答えになる

AIが「仕事を奪う」という問いより、もっと本質的な問いがあります。 多くの企業がAI導入の成否を「コスト削減」「人員削減」で測ってきました。しかし2024年ノーベル経済学賞受賞のSimon Johnson教授（MIT）は、それを「あまりにも簡単すぎる選択肢」と呼びます。機械で人を置き換えることに経営的な想像力はほとんど必要ない。そして、その安易さこそが企業が本来得られるはずのビジネス価値を取りこぼしている原因だ、と。 Acemoglu・Autor・JohnsonらMIT経済学者とBrookings研究所が示す「プロ・ワーカーAI」の概念は、別の問いを中心に据えます。「このAIは人間の専門性をより価値あるものにするか、それとも不要にするか？」Brookingsは技術を5種類に分類し、「新タスク創出型」だけが明確に労働者に有益だと論じます。AIが従来存在しなかった種類の仕事を生み出すとき、それは単なる省力化とはまったく異なる価値を持ちます。 現実の事例がこの違いを鮮明にします。Schneider Electricは電気技師向けのAIトラブルシューティングツールを開発し、保守報告書の作成時間を半減させながら、作業員がより複雑な問題解決に集中できる環境を整えました。米国特許商標庁では、AI検索ツールが審査官の概念的文献探索を精緻化し、専門的判断の価値を高める方向で機能しています。AIツールが増殖する時代、競争優位は技術そのものではなく「技術を中心に仕事をどう再設計するか」に移行しつつあります。 タイトル: Pro-Worker AI, Explained URL: 企業に問われているのは「AIで何人削れるか」ではなく、「AIで自社の人材がどんな新しいことをできるようになるか」です。 #AIと労働# #組織設計#

元警察官として言う。 警察の検挙件数。 あれが何のために存在するか、教える。 市民の安全のためだと思うだろ。違う。 幹部の、次のポストのためだ。 所属の実績が、幹部の出世を決める。 だから幹部は部下に数字を求める。 人が足りなくても、事案が倍でも、関係ない。 「何でもいいから挙げてこい」。 泊まり明けの朝、俺は通勤中の人間を止めて回った。 一番手っ取り早い数字が、交通切符だからだ。 善良な市民が、誰かの出世の燃料にされる。 で、これは警察の話じゃない。 数字を求める上司がいる、すべての組織の設計だ。

AIが若手の仕事を奪うと言われる一方で、AI活用が進む企業ほど若手を増やしているというデータがあります。なぜでしょうか。その背景にある仕事・育成・組織の再設計を考察します。

AI for Allが示すAI安全性の本質は、技術を止めることではなく、誰もが安心して使える土台をつくること。リスクを可視化し、人間が関与し、信頼を設計できる組織だけが、AI時代の成長と安全を同時に手に入れられる。 #AI安全性# #AIforAll# #AIガバナンス# #生成AI# #DX#

AI時代のエンジニアリング組織論 ■ 開発工程のボトルネックはコーディングから製品設計とコードレビューへ移行する リーガルAIのLegoraは、創業18ヶ月でARR1億ドルを突破し評価額56億ドルに達した最速のB2B企業である。CTOのヤコブ・ラウリツェンは、AIツールにより従来のボトルネックだったコーディングのコストは劇的に低下したと語る。現在、開発の真の制限要因は、顧客ニーズを製品設計へ落とし込む作業と、生成されたコードのレビュー工程へ移行している。そのため、同社はPMが顧客との対話に集中できる時間を守り、エンジニアをシステム設計に特化させている。 ■ トークンの消費量競争は開発組織を歪ませる無意味な評価指標である 多くのエンタープライズ企業が陥る失敗が、開発者評価にAIトークン消費量を持ち込むことである。トークン消費を可視化するリーダーボードを作ると、エンジニアは評価のためだけに無意味にトークンを浪費し始める。ラウリツェンはこの「トークンマクシング」を愚策と一蹴し、AI使用量そのものを報酬評価にしてはならないと警告する。組織が評価すべきは開発効率と実際のアウトプットの質であり、デモ等を通じて効率化の工夫を共有し合う環境こそが不可欠である。 ■ 開発者体験に特化した専門チームの設置が組織全体の生産性を最大化する 同社は、わずか80名のエンジニアでAccelやBenchmark、NVIDIA等から8億ドル以上を調達した。現在、Legoraのコードの50%以上はCursorやClaudeなどのAIツールにより生成されている。この開発速度を維持するため、同社は3名の開発者体験（DevEx）専門チームを早期から設置した。彼らは、エンジニア1人あたり最大10個の自律コーディングエージェントを回し、独自のCIレビューボットを開発して全員の開発を支援している。結果としてエンジニア全員が約20%効率化し、新人の即戦力化も劇的に加速した。 ■ 複雑度の低い社内ツールは購入するよりバイブコーディングで自社開発する AI開発において、同社は社内ツールの導入基準として、機能の広さと複雑度の深さという2つの軸を設けている。既存製品を購入するよりも、複雑度が低く自社専用のカスタマイズが必要なシステムは、バイブコーディングで自作する方が安価になった。特に人事管理やオンボーディングシステム、データ移行アプリなどは、AIを使って自立的かつ高速に自社開発することが推奨される。汎用ツールに頼る手間を省き、社内のAIイネーブルメントチームが直接プロトタイプを開発して課題を瞬時に解決している。 ■ 組織を急成長させるためにはエゴのない優秀な人材の密度を高める Legoraが競合を圧倒して超高速成長できた最大の要因は、優秀なAプレイヤークラスのエンジニア密度を極限まで高めたことだ。特に5〜8人規模のスタートアップチームを丸ごと買収するアクハイヤー戦略は、高いチーム開発力を一瞬で取り込む上で効果的だった。この統合を成功させたのは、役職やタイトルへの執着を一切排除する「ローエゴ（低自己愛）」の徹底した採用基準である。ラウリツェンは、最も優れた成果を出せる者が役割を担う機動的な文化を築き、エゴの排除が企業の成長速度を決めると実証している。