RAGの限界を超える「企業AIエージェント」の仕組み

米データ分析基盤大手のDatabricksが、企業向けデータエージェント「Genie」に関する最新の技術解説を公開した。特筆すべきは、実世界の複雑なデータ分析タスクを用いたベンチマーク結果だ。一般的なコーディングエージェントが32%の精度に留まる中、Genieは90%を超え、最終的に91.6%という驚異的な精度に達したという。

出典：Databricks “Pushing the Frontier for Data Agents with Genie”

https://www.databricks.com/blog/pushing-frontier-data-agents-genie

この圧倒的な差はどこから生まれるのか。その核心は、AIの役割を「SQLを書く道具」から、複雑な社内情勢を読み解く「自律的な分析官」へと再定義した設計思想にある。

なぜ従来のAIは「32％」で挫折するのか

企業内のデータ分析において、答えが一箇所にまとまっていることは稀だ。テーブル、ダッシュボード、社内文書、メタデータは各所に分散し、同じ「売上」という言葉でも部門によって定義が異なることさえある。

従来のAIエージェントが直面する壁は、単なるコード生成能力の不足ではない。データの背後にある「文脈」を追えないことだ。矛盾する数字を照合し、信頼できる情報源を特定し、当初の仮説が崩れれば分析方針を修正する――この「泥臭い試行錯誤」こそが、実務におけるデータ分析の本質である。

Databricksが紹介した事例では、あるユーザーが「2つのダッシュボードで売上の急増日がズレている理由」をGenieに尋ねた。これに答えるには、ダッシュボードを見るだけでは不十分だ。関連するテーブルを掘り下げ、内部文書を確認し、契約レートや価格設定のルールまで調べ上げなければならない。

この「文脈の迷路」を突破するために、Genieは3つの進化した設計を導入している。

1. Specialized Knowledge Search：RAGの限界を超える「文脈探索」

第1の柱は、構造化データ（テーブル）と非構造化データ（PDFや文書）の高度な融合だ。GenieはGoogle DriveやSharePoint内のファイルからも意味的な文脈を抽出し、検索インデックスとして活用する。

これは従来のRAG（検索拡張生成）の進化形と言える。単に関連文書を表示するだけでなく、「数字の背後にある定義や根拠」が記された社内文書をAI自らが読みに行き、データ資産間の関係性を補完する。この仕組みにより、テーブルの検索性能は最大40%向上した。

2. Parallel Thinking：矛盾を解消する「エージェント型思考」

第2の柱は、複数の分析経路を並行して走らせる「Parallel Thinking」だ。企業データ分析では、最初に見つけた情報が正しいとは限らない。

Genieは、ある経路ではダッシュボードを調べ、別の経路では元データを確認し、さらに別の経路で社内文書を読み込む。その上で、それぞれの結果を突き合わせ、矛盾を整理して最終的な答えを組み立てる。最初から一発で正解を出そうとするのではなく、複数の仮説を検証し、矛盾があれば探索をやり直す「エージェント型RAG」の完成形がここにある。

3. Multi-LLM：精度・コスト・速度の最適解

第3の柱は、工程ごとに異なるLLMを使い分けるマルチモデル設計だ。Genieは計画、検索、コード生成、判定といったサブタスクごとに、最適なモデルを割り当てる。

全ての処理をGPT-4クラスのような高価で巨大なモデルに任せるのではなく、各工程の特性に合わせてモデルを選択することで、最高精度の維持と同時に、運用コストの低減と低レイテンシ（処理速度の向上）を両立させている。企業導入における「経済合理性」を担保するための極めて現実的な設計だ。

結論：AIの競争力は「モデル」から「設計」へ

Genieが示した91.6%という数字は、単一モデルの性能向上によって達成されたものではない。「どう探させ、どう考えさせ、どう検証させるか」というオーケストレーションの勝利である。

データが整理されていない、矛盾だらけの現実の企業環境に、AIをどう適応させるか。Genieの成功は、企業AIの価値が「自然言語で質問できるインターフェース」を超え、「自律的に情報を探索し、根拠を照合し、答えを導き出す知能」へとシフトしたことを証明している。

企業AIの真の競争力は、もはや「どのモデルを使うか」ではなく、企業の文脈をどう解釈し、検証可能な答えに変えるかという「設計力」にかかっている。