AIは「会社の判断」を学べているか

企業には、結果を記録するシステムが数多くあります。

CRMには商談金額と受注確度が残り、会計システムには請求と入金が残る。人事システムには評価と異動が、サポートシステムには問い合わせと対応結果が残ります。

ところが、その結果に至った判断は、ほとんど残りません。

なぜ通常より大きな値引きを認めたのか。どの顧客発言を受けて、提案内容を変えたのか。どの過去事例を前例として参照したのか。誰が、何を懸念し、どの条件で承認したのか。

最終的な数字やステータスは残っても、そこへ至る理由はSlack、会議、メール、担当者の記憶に散らばり、やがて消えていきます。

AIエージェントが企業の仕事を担おうとしたとき、この欠落が大きな壁になります。

企業ソフトウェアは「何が起きたか」を残してきた

Foundation Capitalは2025年12月に公開した「AI’s trillion-dollar opportunity: Context graphs」で、企業が失ってきたものを“decision traces”と表現しました。日本語にすれば、判断の痕跡です。

たとえば、ある顧客の契約更新で20%の値引きが承認されたとします。

CRMに残るのは「20%値引き」という結果です。しかし、実際の判断には、重大な障害が続いたこと、顧客から解約の可能性を伝えられていたこと、過去に同様の例外承認があったこと、財務責任者が条件付きで認めたことなど、複数の背景がありました。

AIが次の契約更新を判断するとき、最終的な値引き率だけを参照すれば、誤った前例を学びます。

必要なのは、どの事実を参照したか、どのルールを適用したか、どの例外を認めたか、誰がどの理由で承認・修正したか、何を実行し、その結果何が変わったかまでを、一つの判断として残すことです。

これらの判断が顧客、担当者、商談、契約、活動、成果と結びつき、時間をまたいで蓄積されると、企業が実際にどのように判断してきたかを検索・検証できるようになります。

市場では、この構造がContext Graphと呼ばれ始めています。

Magic Momentが考えるDecision Context Graph

Magic Momentでは、これをDecision Context Graph（意思決定文脈グラフ）と呼びます。

ただし、わたしたちが考えるDecision Context Graphは、新しいグラフデータベースではありません。社内情報を網羅的に集めた巨大なKnowledge Graphでもありません。

Magic Momentは、顧客接点から売上、現金、計画、人の動きまで、「何が起きたか」を因果でつなぐ事実の背骨をTRUE Ledger Chainと呼んでいます。

その事実を読み、判断し、人が承認・修正し、実行し、成果が戻る。過去の判断が次の判断に使われ、その結果によって前例の意味も更新される。

この循環が回り続けている会社の運用状態が、Decision Context Graphです。

つまり、Decision Context Graphを別に「構築する」のではありません。

仕事の中で生まれた判断、修正、承認、実行、成果が、その都度、理由とともに事実の背骨へ戻る。この閉じた循環が動いている会社そのものが、Decision Context Graphです。

AIの思考過程を保存する話ではない

ここで、一つ注意が必要です。

人が本当は何を考えていたかを、完全に記録することはできません。

Foundation Capitalも、Context Graphをめぐる議論の中で「本当のwhyを取得できるのか」という反論を紹介しています。人に毎回、長い判断理由を書かせる仕組みは続きません。

だから、心の中を記録しようとするのではなく、仕事に現れた判断の痕跡を残します。

• どの資料と顧客発言を見たか
• どの条件を適用したか
• 通常ルールから何を変えたか
• 誰が承認したか
• 人がAIの提案をどこで直したか
• 実行後に何が起きたか

これらは観測できます。

短い理由と、実際に起きた行動や結果を組み合わせれば、すべてを言葉にしなくても、その会社が何を大切にし、どのように例外を扱ってきたかが見えてきます。

人の修正は、AIの失敗を処理するためだけのものではありません。

「この表現は顧客との関係を損なう」
「この条件なら値引きより支援体制を変えるべきだ」
「数字は正しいが、今この提案を出すべきではない」

こうした修正理由には、その会社固有の判断基準や美意識が表れます。

その判断が成果と一緒に残れば、人の主観は属人的なまま消えず、次の判断を変える会社の資産になります。

判断の履歴には、時間がある

過去の判断は、いつまでも正しいとは限りません。

3年前の値引き承認は、当時の責任者、競争環境、契約条件があって成立したものかもしれません。組織や商品、規制、顧客との関係が変われば、同じ前例は使えなくなります。

したがって、Decision Context Graphに必要なのは、判断を貯めることだけではありません。

誰が、いつ、どの状況で判断したか。何を期待していたか。その後、実際に何が起きたか。今も前例として使えるのか。

そこまで追える必要があります。判断は静的なルールではなく、時間の中で意味が変わるものだからです。

最初から会社のすべてをつなぐ必要はない

Decision Context Graphは、情報を網羅することから始めるべきではありません。

すべての文書、会話、データベースを先に統合しようとすれば、実際の仕事が変わらないまま、接続と整理だけが続きます。

まず計測すべきなのは、判断が生まれる場所です。

営業なら、提案変更、値引き、案件優先度、次のアクション。カスタマーサクセスなら、支援方針、更新リスク、介入判断。経営なら、投資、採用、撤退、資金配分。

一つの仕事で「何を見たか → どう判断したか → 人が何を直したか → 何を実行したか → 結果はどうだったか」を閉じる。

その判断が増えるたびに、会社は過去の例外や失敗を検索できるようになります。最初は人が判断し、AIが材料を揃え、記録する。前例と成果が蓄積すれば、AIに任せられる範囲を少しずつ広げられます。

自律化は、最初に人を外すことではありません。人の判断を失わないことから始まります。

企業の判断を、消費物から資産へ変える

これまで企業の判断は、その場で消費されてきました。

会議で決まり、Slackで承認され、担当者が動き、結果だけがシステムに残る。次に似た問題が起きると、別の人が同じ資料を探し、同じ議論を繰り返します。

AIエージェントに必要なのは、単に多くの社内データへアクセスすることではありません。

何を根拠に、なぜその方向へ動き、人が何を直し、その結果どうなったのか。その連鎖を読めることです。

モデルは、どの企業でも利用できます。一般的な正解も、やがて誰でも得られるようになります。

それでも他社が持ち込めないものがあります。

顧客との時間。会社が積み重ねた判断。例外を認めた理由。失敗から変えた基準。その判断が生んだ成果。

参照した情報

1. Foundation Capital「AI’s trillion-dollar opportunity: Context graphs」（2025年12月22日）
2. Foundation Capital「Context graphs, one month in」（2026年1月）
3. Foundation Capital「The case for context graphs: With Aaron Levie」（2026年2月20日）
4. Magic Moment 公式サイト

注記：Context Graphは発展中の概念であり、標準化された製品分類ではありません。本記事の「Decision Context Graph」は、Foundation Capitalの議論を参照しつつ、Magic MomentがTRUE Ledger Chainと人間判断・成果学習の閉ループを表すために用いている独自の考え方です。