AIパターンがケイパビリティをソリューションに組み合わせる方法

AIに関するよくある思い込みは、1つのスマートなシステムがビジネスの中心に鎮座し、どんな質問にも正しい答えを返してくれるというものです。セールスに関する質問をすればセールスのインサイト、HRに関する質問をすればHRのポリシー、メールを送るよう指示すれば送ってくれる。

そのイメージは間違っています。そして信じると高くつく失敗を招きます。

有能なAIシステムとは、1つのモデルがすべてをこなすものではありません。専門化した動作のシーケンスです。サプライチェーンに受け取り、検品、ルーティング、出荷（各ステージが1つのことをして次に受け渡す）があるように、AIワークフローにはIngest、Analyze、Predict、Generate、Executeがあります。各ケイパビリティが自分の担当を果たし、出力が次のステップの入力になります。そしてチェーンの最も弱いリンクがシステム全体の品質を決定します。

この記事では、これらのチェーンがどう機能するかを正確に示します。3つの実例。各受け渡しにおける実際の失敗モード。そしてチェーンを念頭に置いてベンダーのピッチを読む方法。

5つのケイパビリティ：各1段落

チェーンを見る前に、各ケイパビリティが単独で何をするかを明確にしましょう。

Ingestは知覚です。生の信号（画像、録音、PDF、ライブデータストリーム）をAIが処理できる形式に変換します。Ingestはコンテンツを理解しません。変換するだけです。音声認識はIngestです。スキャンした請求書のOCRはIngestです。APIでCRMレコードを取得するのもIngestです。Ingestの出力は常に入力より機械が読みやすいものです。詳細はIngest：AIがビジネスデータを取り込む方法を参照してください。

Analyzeは理解です。取り込まれた素材を意味あるものにします。分類（このメールはクレーム）、抽出（ベンダー名はAcme Corp、金額は4,200ドル）、要約（この80ページの契約の要点）、感情検出（この顧客はフラストレーションを感じている）。Analyzeは「これは何で、何が含まれているか」と問います。

Predictは予測です。履歴データから学んだパターンを使って次に来ることを推定します。コンバージョン確率82%を予測するリードスコアリングモデルはPredictです。リスクが高まっている3つのアカウントをフラグするChurnモデルはPredictです。「この取引は統計的に異常だ」と言う異常検知はPredictです。「何が起こりそうか」と問います。

Generateは創造です。新しい成果物を作ります：下書きメール、要約段落、コードの断片、画像、構造化された計画。成果物は下書き状態にあります。送信もコミットも共有もされていません。Generateは「把握したことへの応答として何を作るべきか」と問います。

Executeはアクションです。AIシステムの外部で状態を変えます。メールを送信します。CRMレコードを更新します。サポートチケットをルーティングします。注文を出します。取引をフラグします。Executeは多くの場合元に戻しにくい結果をもたらします。「今すぐ世界で何を変えるべきか」と問います。詳細はExecute：AIが外部状態を変える時（とそのリスク）を参照してください。

この5つはビジネスAIシステムが行うすべてのことをカバーします。各ケイパビリティの詳細については、ACEフレームワーク基礎で5つすべてが網羅されています。では、チェーンの仕組みを見ましょう。

Key Facts: AIケイパビリティチェーンのパフォーマンス

• AIエージェントを試験する企業のうち、具体的な価値までスケールできるのは10%未満で、主な原因はケイパビリティの受け渡しの失敗（McKinsey Agentic AI Study、2025年）
• 80%の組織でAIエージェントからリスクのある予期せぬ動作が発生しており、ほぼすべてのインシデントが十分な上流検証なしに発火したExecuteステップにさかのぼる（McKinsey、2025年）
• 複雑なビジネスタスクにおいて、構造化された多段階ケイパビリティチェーンを持つAIシステムは、単一プロンプトモデルより3.5倍正確な出力を提供する（Stanford HAI、2024年）

ケイパビリティがパターンへと連鎖する方法

チェーン表記はシンプルです：ケイパビリティA (操作対象) → ケイパビリティB (生成物) → ケイパビリティC (決定または作成物)

順序が重要なのは、各ステップの出力が次のステップの入力になるからです。Ingestが低品質のトランスクリプト（背景ノイズ、不明瞭な話者、技術用語の誤認識）を生成すると、Analyzeは悪い素材で作業します。Analyzeがインテントを誤分類すると、Predictは間違った特徴を受け取ります。Predictが誤ったスコアを出すと、Executeは間違った方向にルーティングします。エラーは下流で複合します。

AIパターンについて理解すべき最も重要なことは、システムは最も弱い受け渡しと同じ強さしかないということです。

展開前にケイパビリティチェーンを文書化するAIチームは、本番前に平均2.3個の統合失敗ポイントを特定します。チェーンを明示的にモデル化しないチームが特定するのは0.6個にとどまります（Gartner AI Engineering Report、2025年）。

Capability Stack Order Rule

どのAIパターンでも、ケイパビリティは次の順序で実行する必要があります：知覚の前に理解、判断の前に把握、創造の前に判断、アクションの前に創造。ステップをスキップしたり逆にしたりしてもシステムは簡略化されません。問題が下流に移動するだけで、そこでは発見が難しくコストが高くなります。信頼性の高いAIパターンはすべて、ベンダーが1つの「スマートな」インターフェースの裏に隠していても、この順序を守っています。

複雑さが増す3つの実パターンを追ってみましょう。

実例1：RAG Assistant（シンプル、3つのケイパビリティ）

課題：300人規模のソフトウェア会社が5年間で400ページのナレッジベースを構築しました。ポリシー、製品仕様、オンボーディング文書、過去のRFP回答、法務FAQ。新しい営業担当者が「製品はSOC 2 Type IIに対応していますか？」と聞きます。ナレッジベースには2023年のセキュリティ補足に答えが埋もれていますが、コールの時間内には見つけられません。

チェーン：Ingest (担当者の質問) → Analyze (ナレッジベースから関連文書を検索) → Generate (引用付き回答)

各ステップを具体的に追います。

担当者が質問を入力します。Ingestはそれをクエリベクター（質問の意味の数学的表現）に変換します。これが知覚ステップです：自然言語を検索システムが理解できるものに変換します。

Analyzeは400ページすべてのインデックスされたナレッジベースコンテンツで類似検索を実行します。最も関連性の高い3つのパッセージを見つけます：セキュリティ補足、コンプライアンスFAQ、顧客向け製品ページ。コンテンツをまだ理解していません。クエリベクターとの関連性に基づいて検索しています。

Generateは担当者の元の質問と3つの検索されたパッセージをコンテキストとして受け取ります。回答を作成します：「はい、製品はSOC 2 Type II認定を受けています。最新の証明書は2024年3月に発行され、次の管理カテゴリをカバーしています... [出典：Security Addendum v4、3ページ]」

これがパターンであり、単に「ChatGPTを使う」ことではない理由：Analyze（境界のある信頼できるナレッジベースからの検索）ステップが生成された回答に精度を与えます。検索ステップなしでは、汎用言語モデルに特定の製品についての質問をすることになります。回答を生成しますが、間違っていたり、古かったり、幻覚（ハルシネーション）したりするかもしれません。

重要な受け渡し：IngestからAnalyzeへ。ナレッジベースが適切にインデックスされていない場合、または担当者の質問が文書の用語と一致しない方法で表現された場合、検索は無関係なパッセージを返します。Generateは次に、自信に満ちているが間違った回答を作成します。失敗はエラーのようには見えません。信頼できる応答のように見えます。

実例2：Meeting Intelligence（複雑、4つのケイパビリティ）

課題：営業チームが月に200回のディスカバリーコールを実施します。各コール後、担当者はCRMにノートを記録し、次のステップをまとめたフォローアップメールを送り、Deal Stageを更新することになっています。多くの担当者は最低限しかやりません。ノートは薄く、フォローアップはテンプレート化され、Deal Dataは陳腐化します。営業VPは見えないコールパターンからコーチングできません。

チェーン：Ingest (音声/映像録音) → Analyze (文字起こし+トピック、アクションアイテム、感情の抽出) → Generate (コールサマリー、フォローアップメール、CRMノート) → Execute (CRMへのプッシュ、見込み客へのメール送信)

各ステップを追います。

Ingestは録音されたコールを受け取ります。複数の話者（担当者と見込み客）を扱い、タイムスタンプ付きのテキストトランスクリプトを話者ラベル付きで生成するために音声認識を実行します。映像がある場合は、表情とエンゲージメント信号もキャプチャします。出力：クリーンなラベル付きトランスクリプト。

Analyzeはそのトランスクリプトに対して複数のサブプロセスを並行して実行します。トピック分類：どんなテーマが出てきたか（価格設定、統合、タイムライン、競合他社）。アクションアイテム抽出：各当事者が何を約束したか。感情分析：見込み客は関与していたか抵抗していたか。質問分析：担当者は何回ディスカバリーの質問をしたか。これらはすべて別々のAnalyzeサブタスクですが、いずれも取り込まれた素材を理解することです。

GenerateはAnalyzeの出力を受け取り3つの成果物を作成します：構造化されたコールサマリー（議論されたトピック、提起された異議、次のステップ）、見込み客への下書きフォローアップメール（具体的な会話に合わせてパーソナライズ）、CRMフィールド更新のセット（Deal Stage、感情スコア、言及された主要コンタクト）。これらは下書きです。何も送信またはコミットされていません。

Execute（ここでガバナンスが重要）はフォローアップメールを見込み客に送信し、CRM更新をSalesforceにプッシュし、営業VPのコーチングダッシュボードに通知します。多くの実装では、担当者が最初に下書きを確認します。より自動化されたセットアップでは、確認なしにExecuteが発生します。この2つの設計の違いは、ミスに対して重大な影響を持ちます（メールが間違った人物に送信される、間違ったDeal Stageがコミットされる、悪いAnalyze実行によってコーチングデータが歪む）。

重要な受け渡し：Ingestの品質がすべてを決定します。ノイズの多い録音は悪いトランスクリプトを生成します。悪いトランスクリプトはAnalyzeがトピックや感情を正確に抽出できないことを意味します。不正確なAnalyzeはGenerateが間違ったサマリーと誤ったCRMエントリを生成することを意味します。Executeが発火した時点で、被害はすでに発生しています。しかし担当者のコールをAIが誤読した後まで、誰もそれを見ません。

実例3：Autonomous Agent（ループ、5つのケイパビリティすべて）

課題：パートナーシップ責任者は月に50件のインバウンドパートナーシップ問い合わせを選考する必要があります。各選考には、企業のリサーチ、基準ルーブリックに対する適合確認、優先応答または丁重な断りの下書き、パートナーシップCRMの更新が必要です。現在、初期トリアージパスだけで彼女の週に3〜4時間かかっています。

チェーン（ループ）：Ingest (パートナーシップ問い合わせメール+企業URL) → Analyze (企業情報の抽出、基準確認) → Predict (適合スコア) → Generate (受諾下書きまたは断り下書き) → Execute (返信送信+CRM更新) → 次の問い合わせで繰り返し

これをAutonomous Agentであってシンプルなチェーンでない理由：ループです。エージェントはチェーンを1回だけ通過しません。キュー内の各アイテムについて実行します。そして後戻りができます：最初の企業リサーチ（最初のAnalyzeパス）が不完全で戻ってきた場合、エージェントはPredictを実行する前にフォローアップIngest（別のソースからより多くのデータを取得）を発行します。

1つのイテレーションを追ってみましょう。

新しいパートナーシップ問い合わせが届きます。Ingestはメールテキスト、送信者の会社名、含まれているURLを取得します。また、会社のLinkedInページとCrunchbaseプロファイルも取得します。出力：問い合わせに関する構造化データパッケージ。

Analyzeは構造化データを読み、パートナーシップ基準に対して確認します：会社規模、業界バーティカル、既存の統合、地理的フォーカス。主要シグナルを抽出します：45人規模の会社、B2B SaaS、北米での事業、既存統合なし。出力：タグ付けされた属性のセット。

Predictは適合モデルに対して問い合わせをスコアリングします：73%の適合、65%の閾値を上回っています。（閾値を下回る問い合わせは丁重な断りのパスへ。）

Generateは問い合わせを確認し、30分間のディスカバリーコールを提案し、適合が有望と思われる2つの具体的な理由を記した返信メールの下書きを作成します。また、適合スコアと主要属性を含むCRMエントリも生成します。

Executeはメールを送信し、CRMレコードを作成し、問い合わせを「Active Qualification」ステージに移動します。そしてループは次の問い合わせに進みます。

線形の例との違い：ループはエージェントが固定シーケンスを実行するだけでなく、次に何をするかを決定していることを意味します。Predictスコアが低ければ、パスが分岐します。Analyzeが不完全なデータを返せば、パスはIngestに戻ります。技術的な意味での「エージェント」とはこれです：システムに目標があり、その目標に到達するためのパスを選択しています。

重要な懸念事項：ループ内のExecute。エージェントがメールを送信したりCRMレコードを更新したりするたびに、結果を伴うアクションが取られています。McKinseyは80%の組織がAIエージェントからリスクのある動作を経験したと報告しており、ほぼすべてのケースが不十分な上流検証なしに発火したExecuteステップにさかのぼります。

ケイパビリティを組み合わせる際のよくあるミス

GenerateまたはExecuteの前にAnalyzeをスキップ。 最もよくある近道は、IngestをGenerateに直接接続することです：生の入力をモデルに渡してレスポンスを生成させます。これは検索、抽出、理解のステップをスキップします。結果はAIハルシネーション：モデルは実際のコンテンツに根付いていない一貫して聞こえるものを生成します。Analyzeステップ（検索、分類、抽出）を追加することが出力を根付かせます。IngestとGenerateの間にAnalyzeステップを含むエンタープライズAIシステムは、直接的なIngest-to-Generateパイプラインと比べてハルシネーション率を最大60%削減します（Google DeepMind RAG評価ベンチマーク、2024年）。

Ingestの品質チェックをスキップ。 ゴミを入れればゴミが出るというのは新しい考えではありませんが、AIチェーンに特に強く当てはまります。悪いトランスクリプトは悪い分析、悪い生成を意味します。従来のソフトウェアとは異なり、悪い入力が明らかなエラーを引き起こす代わりに、AIチェーンはしばしば理にかなって見える悪い出力を生成します。誰かがそれに基づいて行動するまで失敗が見えません。

Generate と Execute の間に人間のチェックポイントなしにExecute。 AIインシデントの最も一般的な原因は、GenerateとExecuteの間の人間のレビューステップを取り除くことです。人間のレビューなしのGenerate+Executeは、AIが自分自身の出力に基づいて世界でアクションを取っていることを意味します。低リスクのワークフロー（カレンダーの招待のフォーマット、重要でないフィールドの更新）では問題ありません。顧客向けまたは財務的に重要なものについては、人間のチェックポイントを削除することが最もよく後悔される決断です。

ケイパビリティと出力タイプのミスマッチ。 Analyzeがすべきことをするよう Predictに求める（文書の意味を「予測」しようとするが、必要なのは情報を抽出すること）。またはPredictがすべきことをするようGenerateに求める（コンバージョン確率を「予測」するよう言語モデルに求めるが、必要なのは履歴結果で訓練されたスコアリングモデル）。これらのミスマッチは機能しているように感じられても、仕事に不向きなシステムを生み出します。

ケイパビリティ遷移別のリスクリスク

チェーンのすべてのステップが同じ失敗リスクを持つわけではありません。本番AIデプロイの事後検証に基づくと、エラーが集中する場所は次のとおりです。

ベンダーのピッチをケイパビリティチェーンを使って読む方法

ベンダーが「サポートチケットを処理するAI」と言っても、うなずくだけにしましょう。どのケイパビリティをカバーしているか聞いてみましょう。

• 「チケットの取り込みはどう処理しますか？メール、チャット、電話に対応していますか？」
• 「Analyzeステップは何をしますか：分類、抽出、両方？分類の精度は？」
• 「何かを予測しますか、エスカレーションリスクやルーティング優先度など？それともルールベースのルーティングですか？」
• 「Generateステップは何を生成しますか：担当者のための下書き応答、それとも顧客に送られる完全な応答？」
• 「Executeを制御するのは誰ですか：AIが自律的に送信しますか、それとも人間が各応答を承認しますか？」

各質問は異なるケイパビリティを明らかにします。回答から、この製品が実際に何をするか、どこに人間がループにいるか、ステップが失敗したときに何が起こるかがわかります。

これらのケイパビリティの質問に答えられないベンダーは何かを隠しているわけではありません。ただ、このレベルでは考えていないだけです。しかし、システムを操作するのはベンダーではなくあなたなので、考える必要があります。

Rework Analysis: ほとんどのAI実装の失敗はモデルの失敗ではなく、チェーンの失敗です。エンタープライズAIロールアウトの事後検証を確認すると、根本的なモデルが問題であることはほとんどありません。問題は、ケイパビリティチェーンの1つの受け渡しがスキップされたか、スコープが不明確か、監視されていなかったことです。展開前にIngest-to-Executeチェーン全体をマッピングし、各ステップで「良い出力」がどのように見えるかを指定するチームは、ユーザーに届く前に大多数の失敗ポイントを把握できます。各受け渡しをベンダーのブラックボックスの暗黙の機能としてではなく、明示的なエンジニアリングチェックポイントとして扱うことが、AIチームが行える最高レバレッジの信頼性投資です。

関連記事

• AIパターンとは何か？ビジネスAIの基本構成要素
• なぜ10のパターンがビジネスAIの90%をカバーするのか
• AIパターンのリスクグラジエント
• AIパターン別のハルシネーションリスク
• Generate vs. Execute境界：ガードレールが重要な理由
• パターンを積み重ねてAIエージェントを構築する
• パターンの依存関係と前提条件