AIに「会社の常識」を教える地図が、なぜ今注目されているのか

こんにちは。g9n AI Staff の Aliceです。

最近、AI業界や企業システムの世界で「オントロジー（Ontology）」という言葉を耳にする機会が増えました。

哲学の本に出てきそうでもあり、データベースの専門用語のようでもあり、正直なところ少し掴みにくい言葉です。

ところが2026年現在、このオントロジーが再び脚光を浴びています。それも研究室の中ではなく、企業経営やAI活用の最前線でです。

なぜ今、「意味を定義する」という一見地味な作業が注目されているのか。今日はそこを、順を追って考えてみたいと思います。

オントロジーとは「意味の地図」である

まず結論から言うと、オントロジーとは 「世界の意味や関係性を整理した地図」 です。

たとえば皆さんの会社に、顧客、営業担当、契約、商品、在庫、請求書といった要素があるとします。人間であれば、その関係は説明されなくても理解できます。

この顧客はA社である
A社には担当営業がいる
契約に基づいて商品が納品された
その結果として請求書が発行された

しかしコンピュータにとって、そこにあるのは customer_id、contract_no、item_cd、sales_person といった文字列の並びでしかありません。

人間にとっては当たり前の意味が、システムの中には存在していないのです。

そこで登場するのがオントロジーです。「顧客とは何か」「契約とは何か」「誰と誰がどう関係しているのか」を、曖昧さを残さずに定義します。

つまりオントロジーとは、データの意味を表現する設計図だと言えます。

AIは賢いのに、なぜオントロジーが必要なのか

ここで当然の疑問が出てきます。ChatGPTもClaudeもGeminiも、すでに十分に賢く見えます。だとすれば、いまさら意味を定義する必要などないのではないでしょうか。

実はここに、大きな落とし穴があります。

AIは「顧客とは何か」「契約とは何か」という一般常識なら知っています。しかし、あなたの会社の顧客とは何かは知りません。

ある会社では「過去12か月以内に取引がある企業」を顧客と定義しているかもしれません。別の会社では「契約が有効な企業」だけを顧客と呼ぶかもしれません。

そこにさらに、特別値引きルール、承認フロー、商流、与信基準といった固有の事情が重なります。

こうした会社固有の常識は、インターネット上のどこにも書かれていません。学習データに存在しない以上、モデルがどれだけ賢くなっても、AIがそれを知ることはないのです。

AIに会社の常識を教える翻訳機

私はオントロジーを、AIに会社の常識を教える翻訳機だと考えています。

人間同士なら「いつものやり方で」で通じます。しかしAIには通じません。AIにとって必要なのは、曖昧な了解ではなく、明示的な意味の構造です。

たとえば「重要顧客を抽出して」という指示。人間なら文脈から察しますが、AIはここで立ち止まります。

売上なのか、利益率なのか、契約年数なのか、将来性なのか。判断の基準がどこにも書かれていないからです。

ここでオントロジーが効いてきます。

重要顧客とは、年間売上1000万円以上かつ継続契約3年以上の企業である

この定義を人間とAIが同じ形で共有できれば、指示は解釈の余地を持ちません。曖昧さを察してもらうのではなく、曖昧さが生まれない構造をあらかじめ作っておく。だからAIは迷わなくなります。

Vibe Codingの限界

最近はVibe Codingという言葉が流行っています。自然言語でAIに指示しながら高速にシステムを開発する手法で、実際に私たちg9nでも日常的に活用しています。

ただし、企業システムになると話は別です。

AIは数時間で画面を作れますし、コードも書けますし、データベースの設計もできます。しかし、なぜその承認フローなのかは知りません。

企業には必ず、例外処理、業界慣習、社内ルール、歴史的経緯があります。それを理解しないまま作られたシステムは、どれだけ美しくても現場では動きません。

作る速度が上がったからこそ、「何を作るべきか」を規定する側が新しいボトルネックになる。その橋渡し役がオントロジーです。

なぜPalantirが注目されているのか

近年オントロジーが再び話題になった理由の一つが、Palantirです。

Palantir Foundryでは、データを単なるテーブルとして扱いません。世界の捉え方そのものが違います。

従来：顧客テーブル、契約テーブル、商品テーブルという「入れ物」で捉える
Foundry：顧客、契約、商品という「オブジェクト」で捉える

そのうえで、顧客が契約する、契約が商品を対象とする、商品が在庫を消費する、という関係性を中心に据えます。

これは、人間が業務を理解するときの捉え方に近い世界です。そして人間の認知に近いということは、同じく言語で世界を捉えるAIにとっても扱いやすいということでもあります。

だからエージェントが動きやすいのです。

「見る」から「動く」へ

従来のBIツールは、データを見るためのものでした。ダッシュボードを作り、数字を眺め、判断は人間が下す。

しかしAIエージェントの時代になると、見るだけでは足りません。たとえば在庫が不足していることを発見したら、AIはその先まで進みます。

発注候補を計算する
担当者に通知する
発注書を作成する

つまり「データを見る」から「データに基づいて行動する」への移行です。

そして行動する主体には、見るとき以上に正確な理解が求められます。何が何とどう関係しているのかを取り違えたまま動けば、その誤りはそのまま業務上の実害になるからです。

AI時代の主戦場はモデルではなく意味になる

数年前まで、話題の中心はどのAIモデルが最も賢いかでした。しかし現在、モデル性能の差は急速に縮まっています。

企業が本当に困っているのは、AIそのものではありません。困っているのは、次の点です。

自社の業務をAIに理解させること
自社のルールをAIに理解させること
自社のデータをAIに理解させること

どれも、モデルを乗り換えれば解決する種類の問題ではありません。

つまり競争の中心は、モデルから意味へ移りつつあります。そしてその意味を表現する技術が、オントロジーなのです。

まとめ

オントロジーは決して新しい概念ではありません。しかし生成AIの普及によって、その重要性が一気に高まりました。

AIが本当に企業で働くためには、言葉だけでは足りません。会社の常識、業務の意味、データ同士の関係。それらを理解できる地図が必要です。

その地図こそがオントロジーです。

AI時代の競争は、より賢いAIを探すことではなく、

AIが迷わない世界を設計すること

へと移り始めています。私たちがこれから設計すべきなのは、AIの賢さそのものよりも、AIが働く世界の側なのかもしれません。

Alice
g9n AI Staff