KDG
Knowledge-based Document Generator
AIが本当に力を発揮するのは
「知識の構造」がある時だけです
RAGを試した。プロンプトも工夫した。それでもAIが期待通りに動かないなら、問題はAIではなく、AIに渡している知識の構造にあるかもしれません。
The Problem
RAGを組んだのに
なぜAIは「使えない」のか
社内文書をベクトル化し、AIに質問すれば答えが返ってくる。多くの組織がこのアプローチを試み、そして同じ壁にぶつかっています。
「検索はできる。でも判断に使えない。」
専門性の高い業務であればあるほど、この落差は大きくなります。設計レビュー、見積作成、品質監査、障害対応 — ベテランが頭の中で行っている判断は、文書の検索結果を並べるだけでは再現できません。なぜなら、ベテランが使っているのは「情報」ではなく「知識」だからです。
情報は見つかるが、判断基準がない
RAGは「この文書が質問に近い」ことは教えてくれます。しかし「この設計判断が妥当かどうか」「この価格が競争力を持つかどうか」は教えてくれません。類似度と妥当性は別のものです。
文脈が切れて、本質が消える
チャンク分割は検索効率のための手法であり、知識を伝えるための構造ではありません。「なぜそのルールが存在するのか」「どの例外条件でそのルールが適用されないのか」は、チャンクの外に置き去りにされます。
知識が成長しない
RAGは過去の情報を返すだけです。使うたびに精度が上がったり、組織の判断パターンを学習したりはしません。ベテランが30年かけて築いた判断力は、ベクトル空間には存在しません。
これらはAIモデルの限界ではありません。AIに渡す「知識の構造」が不足していることによる限界です。
より賢いモデルに乗り換えても、この構造は変わりません。組織の知識をフラットなテキストのまま渡し続ける限り、AIは常に「惜しいけど使えない回答」を返し続けます。
The Shift
必要なのは、もっと賢いAIではなく
「知識を構造化する」という投資判断
ベテランの判断力を支えているのは、長年の経験から形成された「知識の構造」です。情報の断片ではなく、情報と情報の関係性、その背後にある判断基準、そして「組織としてどう評価すべきか」という価値観の体系 — これらが一体となって初めて、専門的な判断が成り立ちます。
この構造は、文書を検索するだけでは得られません。意図的に設計し、構築し、検証する必要があります。手間がかかります。しかし、一度構造化された知識は組織の永続的な資産になります。
AIモデルは日進月歩で進化しています。そしてこの進化は、知識の構造がある組織とない組織の差を、縮めるのではなく拡大します。同じモデルを使っても、構造化された知識を持つ組織は分析・推論・判断支援の恩恵を受け、フラットなテキストしか持たない組織は検索精度の改善しか得られません。
組織が投資すべきは「AIモデルの使いこなし」ではなく「知識の構造化と蓄積」です。そしてKDGは、この投資を形にするためのフレームワークを提供します。
従来のアプローチ
モデルを交換するたびに知見はリセットされる。組織の文脈は毎回ゼロから説明が必要。AIの能力は向上しても、組織の知識は蓄積されない。
KDGのアプローチ
知識は構造化されて残り続ける。AIモデルは「エンジン」として接続し、モデルが進化すれば同じ知識基盤の上でより高度な分析が自動的に可能になる。
KDG Platform
知識構造化を支えるKDGの設計原則
KDGは、知識の構造化に取り組む組織のために設計されたフレームワークです。お客様の知識を「一時的なプロンプトの工夫」ではなく「永続的な組織資産」に変えるための、4つの設計原則を持っています。
原文に忠実なデジタル化
正しい知識は、正しく読むことから始まります。日本の産業文書に多い複雑な図表・帳票は、意味が図表の中にしか存在せず、一般的な読み取り方法では内容を正確に捉えにくい場合があります。KDGは原文の構造を損なわない独自の解析技術で、知識の入口での品質確保に取り組みます。
永続的な知識基盤
構造化された知識はAIモデルとは独立して永続化されます。モデルを交換しても、ベンダーを変えても、組織が築いた知識資産は失われません。プロンプトの中に消えていく知識ではなく、確実に残る資産です。
AIモデルは交換可能なエンジン
KDGは特定のAIモデルやベンダーに依存しません。LLMの性能向上、マルチモーダル対応の拡充、推論能力の進化 — こうした技術発展は、知識基盤の上に自然に載ります。ベンダーロックインのないアーキテクチャです。
使うほど育つ判断基準
運用実績がフィードバックされ、知識が継続的に精錬されます。レビュー結果、受注/失注データ、障害対応の結果 — 実務から得られた知見が自動的に知識基盤を強化していきます。固定的なRAGインデックスとの決定的な違いです。
Core Architecture
4層知識アーキテクチャ
なぜRAGでは「判断」ができないのか。それは、情報をフラットなチャンクとして扱っているからです。KDGは、組織の知識を4つの意味的階層に分けて管理します。この構造こそが、単なる検索と「判断支援」の差を生み出します。
この4層はAIモデルに依存しない知識管理の原理です。AIモデルを交換しても蓄積された知識は失われず、より優秀なモデルに切り替えれば、同じ知識基盤からより高度なInsightが導出されます。
Knowledge Typology
2つの知識次元 — 静的知識と動的知識
組織の知識には「変わりにくい知識」と「日々変わる情報」があります。この2つは時間特性が異なるため、管理方式も根本的に異なります。KDGはそれぞれに専用のメカニズムを用意しています。
静的知識
- 対象
- 規格、標準、ベテランのノウハウ、過去事例など「変わりにくい」知識
- 管理方式
- AIが関係性を自動抽出し、人間が精査・承認する5段階プロセスで「認証」。自動更新から保護された権威ある知識基盤
- ポータビリティ
- .cdp.zip としてパッケージ化。業界標準の知識を複数組織に配布し、各社が自社ルールで上書き・拡張する運用が可能
動的知識
- 対象
- プロジェクト進捗、センサログ、チケットなど「日々変わる」情報
- 管理方式
- KDG ReaderがJIRA、GitHub、IoT等の外部ソースから定常的にデータを取得し、Formal層をリアルタイム更新
- 分析
- KDG AnalyzerがFormal層の現実とMeta層の「あるべき姿」を常時比較。乖離を検出し、予測的警告を生成
核心: 知識を認証する
KDGの静的知識は、AIが自動生成した知識をそのまま使うのではなく、人間が確認・承認して初めて「認証済み」となります。認証された知識はフィンガープリント（SHA-256）で保護され、改竄されにくくなっています。これにより、AIの分析結果に「認証知識に基づく回答」と「未認証の推論」を明確に区別できます。認証知識は .cdp.zip として配布可能で、グループ会社への知識展開も容易です。
Service Delivery
2つの業務実行モード
構築された知識基盤を業務にどう適用するか。KDGは「人間の判断を支援する」形と「AIが業務を代行する」形の2つを提供します。いずれも、知識の構造化が前提にあるからこそ成り立つサービスです。
ナレッジシステム / KDG STUDIO
KDGが知識を提供し、人間が判断・行動する
- Chat、Library、Discovery、Graph Viewを通じて、構造化された知識へアクセス
- 価値: 業務プロセスを変えずに「判断の質と速度」を向上。導入の組織的インパクトが小さく、段階的な展開に最適
AIオペレータ / KDG Workspace
KDGの知識を使ってAIが業務を遂行し、人間は監督する
- 入力チャネル（メール、Web、Slack等）から要望を受け付け、業務マニュアルに従ってAIが処理し、既存システムに結果を投入
- 価値: 人手不足やベテラン退職が経営課題となっている領域で、既存システムへの変更を抑えながら業務を代行
核心: テキスト駆動原則
AIオペレータの判断基準と業務フローは、すべて人間が読める「業務マニュアル（業務知識をMarkdown書式で記載したもの）」として記述されます。業務管理者が直接読み、承認し、修正できる。AIが何をしているかわからないリスクを抑え、AIモデルが進化しても業務の透明性が維持される設計です。
Application Matrix
KDGが解決する4つの領域
知識の時間特性（静的/動的）とサービス形態（ナレッジ/オペレータ）の掛け合わせで、KDGの応用領域は4つの象限に整理されます。導入は通常、左上の「静的知識の構造化」から始まり、基盤を確立した後に他の象限へ展開します。
ナレッジシステム
AIオペレータ
静的知識
レビュー支援
静的知識 x ナレッジシステム
過去事例と規格に基づく高度な判断の質向上
設計文書レビュー、契約書・法務レビュー、製造工程審査
受注業務代行
静的知識 x AIオペレータ
ベテランの暗黙知を構造化した業務遂行の自動化
専門商社の見積作成、金融商品提案、技術サポート一次対応
動的知識
プロジェクト分析
動的知識 x ナレッジシステム
「あるべき姿」との乖離のリアルタイム可視化
大規模ソフトウェア開発分析、製造業BOM横断分析
モニタリング対応
動的知識 x AIオペレータ
異常検知から暫定対応・エスカレーションまでの省力化
設備異常監視、ITインフラ障害対応、サプライチェーン異常対応
KDG STUDIOの主な機能をご紹介します
KDG Workspaceのサービス例をご紹介します
Comparison
既存アプローチとの比較
RAGやGraph-RAGは「情報を検索する技術」として優れています。しかし、専門性の高い業務に求められるのは検索ではなく「判断」です。以下の比較は、その構造的な差を示しています。
| 評価次元 | 通常RAG | Graph-RAG | コードベース | KDG |
|---|---|---|---|---|
| 知識の階層性 | フラットなチャンク検索のみ | 関係は保持するが意味的階層はない | 単一のルール構造 | 4層で知識の成熟度と文脈を表現 |
| あるべき姿との比較 | 過去の情報を返すのみ | 関係性の探索のみ | 固定閾値ベースの判定のみ | Meta層に目標を定義しギャップを動的検出 |
| 判断基準の成長 | 検索精度は固定的 | グラフは手動更新が主 | ルール更新にエンジニア開発が必要 | 運用実績のフィードバックで継続的精錬 |
| 業務遂行能力 | 検索結果の提示で完結 | 検索結果の提示で完結 | 定型フローの自動化のみ | Workspaceが既存システムと連携し業務を代行 |
| 透明性・制御性 | LLM生成の根拠が不明瞭 | 判断根拠の推論プロセスは不明瞭 | 複雑化すると追跡困難 | テキスト駆動で全判断基準が人間可読・制御可能 |
知識の構造化は、お客様の取り組みです。
私たちは、それを全面的に支えます。
KDGが構造化できるのは、お客様の組織に存在する知識だけです。知識化の主体はお客様自身であり、私たちはそのプロセスに伴走するパートナーです。現状の課題整理から、知識設計、構築、運用定着まで、必要なフレームワークと支援をご提供します。