UviはAIエージェントにエンタープライズの文脈を与えるが、難しいのは意思決定の正確性を保つことだ

Uviは、文書だけでなく意思決定をモデル化する新たに資金調達を受けたシステムを通じて、AIエージェントにエンタープライズの文脈を提供する。同社は、この欠けているレイヤーのために、エージェントが時間を浪費し、トークンを消費し、断片化された証拠に基づいて行動していると述べている。

同社はCT Innovationsが主導し、Cardumen Capital、Manu VC、91 Venturesが参加した750万ドルのシードラウンドを調達した。Uviは米国チーム、製品開発、市場展開を拡大する計画だ。

この発表が重要なのは、エージェントをSlack、Jira、GitHub、社内データベースに接続しても、自動的に組織への理解が生まれるわけではないためだ。Model Context Protocol、すなわちMCPは、これらのシステムへのアクセスを提供できる。検索ソフトウェアは関連ファイルを見つけられる。しかし、どちらのアプローチも、なぜ意思決定が行われたのか、あるいはそれが今なお適用されるのかを必ずしも再構築しない。

Uviは、その再構築レイヤーを担おうとしている。同社の製品は、意思決定を所有者、トリガー、阻害要因、依存関係、裏付けとなる証拠に結び付ける、同社がDecision Graphと呼ぶものを構築する。

これは、より多くのソースを接続し、より多くのテキストを取得し、残りをモデルに推論させるという一般的なエンタープライズ戦略に対するものだ。Uviは、このアプローチでは従業員がすでに理解している関係性を再発見するために、企業が繰り返しコストを負担することになると主張する。

この売り込みは時宜を得ているが、最も難しい問いにはまだ答えが出ていない。意思決定グラフは最新の状態を保ち、権限を維持し、矛盾する証拠を表現し、有効な意思決定と放棄された意思決定を区別しなければならない。こうした制御に失敗すれば、構造化された文脈は誤った回答をより権威あるものに見せかねない。

UviはDecision Graphを通じてAIエージェントにエンタープライズの文脈を提供する

Uviが販売しているのは、企業文書を検索するための別のインターフェースではなく、組織の推論を持続的にマッピングする仕組みだ。

元のエンタープライズ文脈に関するレポートによると、UviはCEOのGilad SalingerとCTOのDror Wolmerが2023年に設立した。同社は当初、Nabooの名称で事業を展開していた。

同社の中心的な主張は、よく知られたエンタープライズの問題から始まる。重要な知識が一つのシステムや、丁寧に管理された一つの文書に集約されていることはほとんどない。

製品に関する意思決定はSlackでの会話から始まるかもしれない。実装はプルリクエストに現れ、Jiraにはタスクが完了済みとして記録される。その後のインシデントでロールバックが発生しても、元のチケットはクローズされたままかもしれない。

従来のエージェントは各成果物を取得できる。それでも、どの記録が現在の状態を反映しているのか、そしてチームがなぜ方針を変えたのかを判断しなければならない。

Uviによれば、Decision Graphは意思決定を第一級のオブジェクトとして表現する。各意思決定には、所有者、トリガーとなったイベント、阻害要因、依存関係、ステータス、裏付け資料へのリンクを含められる。

これは、組織を意味的に類似した文章の集合として扱う方法とは異なる。ベクトルインデックスは、数学的な類似性に従ってテキストを表現する。責任、因果関係、承認、あるいは意思決定に至る順序を本質的に表現するものではない。

Uviは、製品の背後に二層構造のアーキテクチャがあると説明する。第1層はTopic Graphであり、社内システム全体の情報をインデックス化し、人、リポジトリ、チケット、サービス間のつながりを解決する。

第2層がDecision Graphだ。これは、その下で見つかった関係性に組織固有の定義を適用する。

例えば、ある企業では「shipped」を、本番ブランチにコードがマージされた状態と定義するかもしれない。別の企業では、顧客への完全提供、モニタリングの完了、正式な承認まで求める可能性がある。

こうした定義は、基本的な運用上の問いへの答えを左右する。エージェントは、その企業内でリリース準備完了が何を意味するかを理解していなければ、ブロックされたリリースを確実に特定できない。

Uviは、専門家が顧客と協力して、これらの概念と意思決定ゲートをエンコードすると述べている。その後、グラフはGraphQLまたはMCPサーバーを通じてエージェントから利用可能になる。

GraphQLは、必要なフィールドと関係性をすでに把握しているアプリケーションからの構造化クエリをサポートする。MCPは、エージェントが意図を表現し、関連する文脈を要求できる標準化された接続を提供する。

同社によると、この製品はGitHub、GitLab、Jira、Linear、Slack、Confluence、Notion、Datadog、Splunkなどのシステムと接続できる。また、事業固有の状態を含む内部サービスもサポートする。

この設計は、複数の結合を必要とする問いを対象としている。リリースエージェントは、どの承認が未完了なのか、誰がそれを担当しているのか、各阻害要因を解消するイベントは何かを尋ねられる。

インシデントエージェントは、なぜフィーチャーフラグが変更されたのか、どの顧客へのコミットメントがその選択に影響したのかを尋ねるかもしれない。検索はフラグへの言及を見つけられる。Decision Graphは、その現在の状態を生み出した連鎖を再構築しようとする。

この違いが、Uviが既存エージェントの下層インフラとして自らを位置付ける理由を説明する。同社は、企業にClaude、Gemini、GPT、あるいは社内のエージェントインターフェースを置き換えるよう求めているわけではない。

その代わり、Uviは企業が組織の文脈を一度構築し、それを複数のモデルに公開できるようにしたいと考えている。同社の主張は、モデルは企業システムの根底にある意味よりも速く変化するというものだ。

これは魅力的なアーキテクチャ上の境界線だ。モデルの選定を、所有権、運用用語、意思決定履歴を定義する作業から切り離す。

同時に、それは大きな責任も生み出す。共有された文脈レイヤーは、それに依存するすべてのエージェントの依存先となる。

コネクタを増やしても、意思決定がなぜ行われたのかは説明できない

課題は、データアクセスを組織理解と同じ問題として扱ってきたチームにのしかかる。

Anthropicは2024年11月、AIシステムをツールやデータソースと接続するオープン標準としてModel Context Protocolを発表した。MCPは、アシスタントやアプリケーションごとに別々の統合パターンを設計する必要性を減らした。

この標準化は重要なインターフェースの問題を解決した。エージェントは共通プロトコルを通じて、利用可能なツールを発見し、情報を要求し、サポートされるアクションを呼び出せる。

MCPは、企業内の用語が何を意味するかを決めない。また、クローズされたチケットが別の場所で議論されたロールバックによって置き換えられたかどうかも判断しない。

Uviの主張は、コネクタが終わる地点から始まる。アクセスはエージェントにより多くの証拠を与える一方、推論レイヤーはその証拠を運用上の意図に沿って整理しようとする。

この違いは、エージェントが要約から行動へ移るときに重要になる。検索アシスタントは複数の文書を返し、人間に不整合の解決を任せられる。

自律型エージェントは、設定の変更、阻害要因のエスカレーション、顧客ワークフローの更新を行う前に、どの記録を信頼するか選ばなければならない。その選択には、文脈と権限の両方が必要だ。

従来の検索拡張生成、すなわちRAGは、クエリに関連する資料を取得し、モデルに提供する。回答が検索システムで特定できる文書内に存在する場合には有効に機能する。

エンタープライズのタスクは、多くの場合、どの文書にも直接記載されていない関係性に依存する。答えはチケット、コード変更、会話、テレメトリー、そして企業独自の完了定義から導かれる。

MicrosoftのGraphRAGプロジェクトは、孤立したテキストチャンクを超えようとする業界全体の動きを示している。GraphRAGは、抽出テキスト、ネットワーク分析、プロンプティング、要約を組み合わせ、データセットをより豊かに表現する。

Microsoftはまた、孤立した文章ではなく接続されたサブグラフを取得するグラフベースのコンテキストプロバイダーもサポートしている。同社のNeo4j統合は、ベクトル検索、全文検索、ハイブリッド検索、グラフ探索を組み合わせる。

こうした進展は、Uviの前提の一部を裏付けている。関係性は、類似性検索だけでは見落とされる情報を提供できる。

しかし同時に、Uviが競争のないカテゴリーを作るのではなく、活発な技術分野に参入していることも示している。企業はグラフデータベース、エージェントフレームワーク、検索プラットフォーム、カスタムデータパイプラインを組み合わせられる。

したがってUviは、意思決定モデリングが適切に設計されたGraphRAGシステムよりも大きな価値をもたらすことを証明しなければならない。また、同社のマネージドレイヤーが社内代替案よりも低コストで運用できることも示す必要がある。

競争上の分断は、単純にUvi対RAGという構図ではない。大半の本格的なエンタープライズシステムは、今後も複数の検索手法を使い続けるだろう。

文書検索は、ポリシー、レポート、仕様書に引き続き有用だ。ユーザーが関連する用語を知らない場合、ベクトル検索は依然として役立つ。会話メモリーは、好みや最近のやり取りを保持できる。

Decision Graphは異なるニーズに対応する。エージェントが次に安全に実行できることを決める選択肢、依存関係、責任を特定すべきものだ。

有力なアーキテクチャは、これらのレイヤーを組み合わせるものになる。エージェントは検索で裏付け資料を見つけ、グラフで依存関係をたどり、ソースシステムでライブの状態を検証できる。

この組み合わせは、エンタープライズ検索ベンダーや社内プラットフォームチームに圧力をかける。関連リンクを返すだけでは、すべてのエージェントワークフローを満たせなくなる。

検索製品には、より豊かな関係性モデル、より強固な権限適用、そして行動する機械のために設計された出力が必要になる。社内チームも、カスタムコネクタとデータパイプラインを維持しながら、同じ要求に直面する。

Uviの機会は、この複雑さを再利用可能にすることにある。その課題は、専門ベンダーが各顧客固有の運用言語を十分な精度で理解できることを証明する点にある。

この仕組みはライブ結合、意図、権限に依存する

Uviの技術的優位性は、グラフという用語そのものよりも、関係性が最新かつ適切なスコープに保たれるかに左右される。

製品が提案するワークフローは、運用システム全体の情報をインデックス化することから始まる。Jiraチケットがプルリクエスト内で参照されているといった明示的なリンクを特定する。

また、暗黙的な関係性の解決も試みる。これには、同じサービスに対する異なる名称、複数のアカウントで表現される従業員、あるいは一つのリリースプロセスを表す社内用語が含まれる可能性がある。

エンティティ解決とは、こうした参照を一貫したIDにマッピングすることを意味する。これがなければ、グラフは一人の人物、一つのリポジトリ、あるいは一つの機能を複数の無関係なオブジェクトとして扱ってしまう可能性がある。

次の段階で、企業固有の意味が導入される。Uviによれば、専門家が顧客と協力し、所有者、阻害要因、デプロイ、承認、出荷済みといった概念を定義する。

この人間の関与は注目に値する。このシステムは、一般的なモデルが生のコミュニケーションからすべての運用ルールを推論できるとは想定していない。

このアプローチは、信頼できるナレッジベースの構築に必要な作業に似ている。有用な組織メモリーは、定義、来歴、保守、アクセス境界に依存する。

その後Uviは、生成されたグラフをクエリ可能にする。エージェントは、意思決定、所有者、ステータス、依存関係、裏付けとなる証拠を含む構造化された連鎖を要求できる。

この出力は、ランク付けされた文書一覧とは異なる。エージェントに、次のステップを導くためのより小さな運用オブジェクトを与える。

プロジェクトトラッカー上で完了しているように見えるリリースを考えてみましょう。コードリポジトリでは対応するプルリクエストがマージ済みと表示されていますが、監視データにはデプロイ後のエラー増加が記録されています。

後の会話では、ロールアウトが部分的な提供段階で停止したとされています。意思決定グラフはこれらのイベントを結び付け、エージェントがリリースを完了済みと説明するのを防ぐべきです。

意図によって、必要なコンテキストも変わります。リリースのアーキテクチャをレビューするには、設計文書、依存関係の情報、過去のトレードオフが必要です。

失敗したロールアウトを診断するには、直近のテレメトリー、ロールバックの詳細、変更されたコード、現在の担当範囲が必要になります。同じリリースに言及するクエリでも、必要な根拠は異なります。

Uviは、そのレイヤーがタスクに応じてグラフを絞り込むと説明しています。これが機能すれば、エージェントが受け取る無関係な情報は減り、切り離されたソースの探索に費やすモデルターンも少なくなります。

同社はウェブサイト上で、大幅な性能向上を報告しています。Uviによれば、Global-eのベンチマークにおいて、MCP対応のGPTシステムとの100件の直接比較クエリのうち97件で勝利したとしています。

また、RAGのベースラインと比べて速度が2倍、同一モデルを用いるDIYエージェントと比べてクエリコストが8分の1になったとも主張しています。これらはベンダー報告の結果であり、独立したベンチマークではありません。

公開資料には、こうした結果を企業全体へ一般化するのに十分な方法論上の詳細がありません。ワークロードの選定、グラフの準備、回答の採点、ソースの複雑さ、ベースラインの設定は、結果に大きく影響し得ます。

それでも、このベンチマークは測定すべき単位を正しく示唆しています。企業は、正答率、レイテンシー、モデル呼び出し総数、人による検証時間を用いてシステムを比較すべきです。

従業員がすべての回答を調査しなければならないなら、トークン数が少ないことに大きな意味はありません。エージェントが現在の意思決定の状態を見落とすなら、検索精度が高くても意味は限定的です。

もう一つの中心的な仕組みがセキュリティです。Uviは、オンプレミスまたは顧客が管理する仮想プライベートクラウド内で実行できるとしています。

同社は、権限が検索時に適用されるとも説明しています。エージェントが受け取るべき情報は、リクエストを行う人物に利用可能なものだけであるべきです。

グラフは機密情報への間接的な経路を生み出すため、この制御は重要です。ユーザーは機密文書へのアクセス権を持たなくても、接続されたノードを通じてその内容を推測できる可能性があります。

安全なデプロイメントでは、元となる資料と、そこから導出された関係の両方を保護しなければなりません。非公開プロジェクト、担当者、依存関係が存在するという事実だけでも、機密情報を開示する可能性があります。

ソース単位の権限も競合し得ます。Slackチャンネル、リポジトリ、プロジェクトトラッカーでは、同じ人物に異なる権限が付与されている場合があります。

推論レイヤーは、制限されたコンテキストを漏らすことなく、有効な権限の共通範囲を計算しなければなりません。また、役割、グループメンバーシップ、ソース権限が変わるたびに、その計算を繰り返す必要があります。

したがってUviのエンタープライズ向けの主張は、新鮮なデータ取り込み、正確なエンティティ解決、タスク認識型の選択、権限を維持する検索という4つの機能が連携して動くことに依存しています。どれか一つのレイヤーでも弱ければ、最終的な回答を損なう可能性があります。

意思決定グラフは、知識と同じくらい容易に誤りも保持できる

Uviにとって最も重要なリスクは、構造化されたコンテキストが、不確かな組織の記憶を確信に満ちた機械の指示へ変えてしまうことです。

企業の意思決定が明快な記録として残ることは、ほとんどありません。チーム間には意見の不一致があり、例外が積み重なり、一時的な回避策が本来の想定期間を超えて残ります。

プロダクトマネージャーがあるチャンネルでリリースを承認する一方、セキュリティ責任者が別の場所で阻止するかもしれません。最終的な結果は、経営陣間の記録されていない会話に左右される可能性もあります。

グラフは、すべてのアーティファクトを単一の決定的な状態に押し込めるのではなく、その不確実性を表現しなければなりません。そうでなければ、実際の対立を隠したまま、もっともらしい出力を生み出してしまいます。

同社はまた、そのシステムが明示的に記録されなかった推論を再構築すると説明しています。これは有用ですが、購入者が慎重に検討すべき推論上の境界を導入します。

チケット参照によって裏付けられた関係と、複数の会話に対するモデルの解釈は異なります。どちらもグラフではエッジとして表示されるかもしれませんが、証拠としての重みは異なります。

企業は、どのリンクがソース記録から直接得られたものかを知る必要があります。また、推論された関係については、信頼度スコア、タイムスタンプ、レビュー経路も必要です。

意思決定の有効性は時間とともに変化します。緊急時の例外措置は失効し、サービスはチーム間で移管され、承認ポリシーは置き換えられることがあります。

グラフは、古いルールと現在のルールを混同せずに履歴を保持しなければなりません。また、なぜ現在の状態が以前の根拠に取って代わったのかも説明すべきです。

新鮮なデータ取り込みだけでは、この問題は解決しません。新しいメッセージであっても、非公式、推測的、あるいは誤っている可能性があります。

最新性と並んで、権限も重要です。システムは、説明責任を負う意思決定者と、可能性のある結果を議論している参加者を区別しなければなりません。

こうした問題は評価を難しくします。ベンチマークではシステムが期待される回答を返すかを検証できますが、その期待される回答自体が争われている可能性があります。

顧客は評価に、矛盾する事例、撤回された意思決定、機密の関係、意図的に古くした記録を含めるべきです。十分に文書化されたプロジェクトに関する容易な質問では、システムの失敗モードは明らかになりません。

また、Uviが根拠の欠落をどう扱うかもテストすべきです。安全なシステムは、不確実性を隠さず、意思決定の背後にある文書化されていない理由を捏造しないはずです。

重要な行動には、依然として人によるレビューが必要です。グラフは探索を減らせますが、本番変更、財務上のコミットメント、セキュリティ判断に対する承認管理をなくすべきではありません。

ここで、検索可能なエンジニアリング基盤が引き続き価値を持ちます。人々がエージェントの提案する行動をレビューする際には、基となるアーティファクトへアクセスできる必要があります。

ベンダーロックインも別の懸念です。Uviは、企業がモデル横断で機能する一つのコンテキストレイヤーを所有すべきだと主張しています。

そのポータビリティが価値を持つのは、顧客がグラフデータ、定義、来歴、評価記録をエクスポートできる場合に限られます。モデルの切り替えは、何年にもわたって符号化された運用知識を再構築することに比べれば容易です。

デプロイメントモデルにも精査が必要です。顧客環境内で実行すれば一部のデータ露出は減りますが、それだけで安全な挙動が保証されるわけではありません。

購入者は、管理者アクセス、コネクタの認証情報、ログ、更新プロセス、暗号化、インシデント対応を検討すべきです。また、統合されたすべてのソースで権限の挙動を検証する必要があります。

Uviのベンチマークに関する主張も、同じく規律ある検証に値します。報告された結果は可能性を示していますが、異なる組織やワークフロー全体での性能を立証するものではありません。

チケット管理の慣行が一貫している顧客と、プライベートメッセージや非公式な承認に依存する顧客とでは、環境が異なります。グラフの品質は、そうした運用習慣を反映するでしょう。

この制約は製品を無効にするものではありません。Uviが実際に何を販売しているのかを明確にします。

同社は単にデータベースを導入しているのではありません。意思決定、責任範囲、根拠、権限がどのようにつながるかを、企業が形式化するのを支援しています。

このプロセスは、エージェントが行動する前から価値を生み出せます。また、重要な知識のどれほど多くが非公式またはアクセス不能なままであるかを明らかにすることもできます。

リスクは、出来上がったグラフを客観的真実として扱うことです。明示的なソースと未解決の不確実性を伴う、維持管理された運用モデルとして理解する方が適切です。

Uviのコンテキストレイヤーが機能するかを示す3つのシグナル

Uviには今、意思決定モデルが本番環境で正確性を保ち、エージェント間で移植でき、エンタープライズのセキュリティレビューに耐えられることを示す根拠が必要です。

第1のシグナルは独立した評価です。Uviは、報告したGlobal-eの結果を含め、顧客事例とベンダー主導の比較を公開しています。

次の段階は、質問、ベースライン、採点ルール、レイテンシー、モデル利用量、グラフ準備を文書化した、再現可能なベンチマークです。外部による検証があれば、効率性に関する主張は評価しやすくなります。

ベンチマークは検索だけをテストすべきではありません。複数システム、変化する状態、矛盾する根拠、権限の境界を必要とする質問も含めるべきです。

意味のある結果は、構造化された意思決定がコネクタ主導の探索を上回るというUviの主張を強化します。弱い結果であれば、一般的なアーキテクチャよりも、カスタムグラフの準備が寄与している可能性を示すでしょう。

第2のシグナルは、管理されたパイロットを超えた持続的な顧客導入です。UviはMelioとGlobal-eを本番利用者として挙げ、両社の幹部のコメントを表示しています。

今後のケーススタディでは、どのエージェントがグラフを利用しているか、どの行動を支援しているか、従業員がその結論をどの程度の頻度で上書きするかを説明すべきです。また、導入後に必要となった保守作業も報告すべきです。

複数のエージェントインターフェースにまたがる導入は、Uviのモデル非依存という立場を裏付けるでしょう。一つのコンテキストレイヤーが、コーディングアシスタント、ワークフローエージェント、社内アプリケーションに対応できることを示します。

単一の検索体験内での限定的な利用では、その主張は弱まります。グラフが知識発見には優れていても、運用上の行動には適さないことを示す可能性があります。

第3のシグナルは、より大規模なプラットフォームがどう反応するかです。Microsoft、Anthropic、クラウドベンダー、グラフデータベース企業、エンタープライズ検索プロバイダーは、すでに隣接するレイヤーを占めています。

これらの企業は、コネクタ、グラフ検索、モデルホスティング、権限、エージェントフレームワークを組み合わせることができます。一部の顧客は、別の専門ベンダーよりも、その統合スタックを選ぶでしょう。

Uviは、意思決定モデリング、導入速度、または運用上の正確性において、持続的な優位性を確立しなければなりません。コネクタ数だけでは、その地位を守れません。

同社の750万ドルのシードラウンドは、その証明を追求するための資源を与えます。しかし、推論レイヤーが独立したエンタープライズソフトウェアのカテゴリーになるかどうかを決するものではありません。

購入者は、グラフ更新、推論された関係、アクセス制御、データポータビリティについて、より明確な文書を注視すべきです。そうした詳細は、洗練されたデモよりも重要です。

また、根拠が矛盾したときにシステムがどう振る舞うかを尋ねるべきです。有用な回答は、ソースを示し、不確実性を保持し、誰が不一致を解決できるかを特定しなければなりません。

開発者にとって、Uviの登場はより広いアーキテクチャ上の教訓を再確認させます。ツールアクセス、検索、メモリ、組織コンテキストは、関連しているものの別個の問題を解決します。

MCPはエージェントを企業システムへ接続できます。RAGは関連テキストを見つけられます。グラフ検索は関連するエンティティを明らかにできます。維持管理された意思決定モデルは、責任範囲、因果関係、運用状態を追加できます。

単一のレイヤーで正しい行動が保証されることはありません。本番環境のエージェントには、これらすべての機能に加え、評価と人による統制が必要です。

エンタープライズの購入者にとって、直近の問いは実践的です。従業員が複数のシステムにまたがって同じ意思決定の連鎖を繰り返し再構築しているワークフローを一つ特定してください。

現在のモデル呼び出し数、遅延、エラー率、レビュー作業を測定します。そのうえで、維持管理されたグラフが、厳選された回答セットではなく、ワークフロー全体を改善するかをテストしてください。

Uviは、散在する記録を、業務がどのように進むかを構造化して説明するものへ変換することで、AIエージェントにエンタープライズコンテキストを与えます。その将来は、デモが終わった後も、その説明が信頼に値する状態を保てるかにかかっています。

エージェントに組織の記憶に基づく行動を任せる前に、3つの問いを投げかけてください。根拠を示せるか。すべての権限を尊重できるか。不確実性を認められるか。