10月9日、SiliconANGLEが「McKinsey connects enterprise data using a knowledge graph for AI」と題した記事を公開した。McKinseyがナレッジグラフをエンタープライズAIのコンテキスト層として活用する実践事例について詳しく紹介されている。なお、本記事はグラフデータベースの代表的プレイヤーであるNeo4jが主催するイベント「Neo4j Data to Knowledge」に関連した取材をもとにしており、同社の技術的文脈と重なる部分が多い。
リレーショナルDBの限界と、ナレッジグラフが埋める空白
McKinsey & Companyのディスティングイッシュド・パートナーであるJames Kaplanは、ナレッジグラフの本質をこう説明する。「LinkedIn、Wikipedia、ソーシャルメディアを使っているなら、すでにグラフを使っている。ソーシャルメディア企業はエンタープライズよりも先にこの技術の力に気づいていた」。
リレーショナルデータベース（RDB）はトランザクション処理には強力だが、曖昧で複雑なデータの扱いには不向きだとKaplanは指摘する。顧客・製品・プロセスを「他のものとの関係性の文脈」で記述できる点が、グラフの本質的な強みだという。
ナレッジグラフとは、エンティティ（ノード）とその関係性（エッジ）をグラフ構造で表現したデータベースだ。RAG（Retrieval-Augmented Generation）の文脈では、LLMに渡すコンテキストをベクトル検索だけでなくグラフの関係性でも補完できるため、エンタープライズAIの精度向上策として近年注目が高まっている。Neo4jはこの領域でグラフDBのデファクトに近い地位を占めており、LangChainやLlamaIndexとのインテグレーションも整備が進んでいる。
AIが非構造化データを構造化し、グラフへ格納する
従来、非構造化データから意味を抽出するにはビジネスアナリストやデータサイエンティストによる時間とコストのかかる作業が必要だった。Kaplanはその変化をこう述べる。
「今、初めて、複雑なプロセスを精査し、決定論的なビジネスルールをプログラム的に生成できるようになった。雑然として相関のない非構造化データを構造化データに変換し、グラフに格納することが可能になった。これはまったく新しいフロンティアを開く」。
生成AIがこのプロセスを担うことで、従来は人手に頼らざるを得なかったデータ整形・関係性抽出のフェーズを大幅に自動化できる。そしてノード間の接続が豊かになるほど、グラフ内の知識は増え、そこから引き出せる洞察も増える。「ノード間の相互接続が豊かなほど、グラフに蓄積される知性も増え、導き出せることも増える」とKaplanは強調した。
McKinseyの実装：EcliptOSとセマンティックデータ層
McKinseyはEcliptOSと呼ぶAIオペレーティングシステムを通じて、この構想を実装している。EcliptOSはCスイート（経営幹部層）の戦略と日常業務の実行を、エージェント型ワークフローで接続することを目的として設計されている。
システムの中核にはセマンティックデータ層がある。データとその関係性を整理し、生成AIアプリケーションを支える構造だ。Kaplanはその設計をこう表現する。「我々が実質的に作ったのは、データベースのグラフだ。グラフはデータスキーマの柔軟性が高い。多くのデータベースを接続するバーチャルグラフを作るのが容易になる。それが非常に強力だ」。
複数の異種データベースをひとつの仮想グラフとして束ねるアーキテクチャは、既存のデータインフラを大きく変えずに「つなぐ」ことを可能にする点で、エンタープライズ現場での現実的な導入経路として機能する。RDBを捨てて移行するのではなく、その上に関係性のレイヤーをかぶせる発想であり、レガシー資産を抱える大企業にとってはとりわけ受け入れやすい設計思想といえる。
ビジネス優先度がAI適用先を決める
Kaplanは、AIをどこに向けるかはビジネスの優先事項が決めると述べる。多くの企業はまず生産性向上を目的にAIを導入するが、Kaplanはその前提自体を問い直す。「AI改善を生産性ではなく顧客体験に向けたらどうなるか？」。
この問いは単なるレトリックではなく、投資配分の意思決定に直結する。同じナレッジグラフ基盤を持つ企業でも、何を優先するかによって、エージェントが自動化すべきプロセスや、グラフに格納すべきデータの種類、さらにはKPIの設計まで変わってくる。ナレッジグラフはあくまで技術的な基盤であり、それをどのビジネス課題に向けるかを先に定めなければ、精度の高いAIも的外れな答えを出し続ける、というのがKaplanの主張の核心だ。エンタープライズAI導入において「何ができるか」より「何に使うか」を先に問う姿勢は、McKinseyらしい経営視点の示し方といえる。
詳細はMcKinsey connects enterprise data using a knowledge graph for AIを参照していただきたい。
