組織内にある数兆規模のトークンデータを「7つの層」でナレッジ化
DevRevの「Computer」は、AIを既存のワークフローへの後付け機能や単純なラッパーとして付け足すのではなく、最初からアーキテクチャの根幹として位置づけて設計された。具体的には、「7つの層」からなる設計思想を基に構成されている。
最初は、組織内で使用されているあらゆる外部システムとシームレスに接続する「Access」層だ。Salesforce、Slack、メール、カレンダーといった、従来は部門ごとに分断されていたデータソースとのコネクターとして機能する。
このアクセスレイヤーの接続性をベースに、次の「Retrieval」層が働き、各システムから適切な情報を的確に見つけて取得する。このレイヤーでは外部システムと双方向に同期する特性を持っており、エージェントがアクセスできるデータを常にほぼリアルタイムの最新バージョンに維持する役割を果たす。
さらにその上位に位置するのが、単体では孤立しているデータソース間の関係性を緻密にマッピングする「Context」層である。ここではすべてのアクセス権限やデータのカスタマイズ内容を取り込みながら、顧客とサポートチケット、あるいはプルリクエストとそれを担当した開発者といった、異なるシステム間のエンティティ（実体）の関係性を定義する。これにより、製品、業務、顧客、チームが、日々の作業を通じてどのように繋がっているのか、ビジネスの全体像をシステム上に落とし込むことができる。
続く「Memory」層は、ユーザーが過去に行った決定や、学習された特有の行動特性など、過去のすべてのやり取りを正確に理解して呼び出すことができる層で、AIエージェントに対して組織や個人に応じたパーソナルな記憶を付与する。
これら4つの準備層がデータを前処理した上で、初めて「Runtime」層において、Gemini(Google)やClaude(Anthropic)、ChatGPT(OpenAI)といった外部の基盤モデルに情報が提示される。これによってLLMは、膨大なノイズから隔離された高純度かつ高密度なデータのみをインプットとして受け取ることができる。
推論された結果は、次に「Entity Mapping」層へと送られ、ユーザーとデータの本質的な関係性が解釈される。ユーザーが発する「私のチーム」や「あの顧客」、「このチケット」といった曖昧な表現が、現在のタスクや文脈において具体的にどのオブジェクトを指しているのかを正確に突き止めるのがこの層の役割だ。
そして最終的に、これらすべてのレイヤーが統合され、チーム全体の知識を蓄積・共有する「Shared Memory」の層が出来上がる。チームメンバーがシステムを利用すればするほど、組織の運営基盤に関する洞察がナレッジグラフとして蓄積されていく仕組みだ。
DevRevのプラットフォームはこの7つの階層すべてによって、組織内にある数兆規模のトークンデータをそのままLLMのGPUに丸投げして推論させるのではなく、CPUを活用した事前の構造化と関係性の抽出によって、LLMが理解するその瞬間の適切な情報、すなわち数千トークン規模のコンテキストウィンドウへとデータを圧縮して提供する。これこそが、ハルシネーションを極小化し、推論の正確性を最大限に高めるための鍵になっている。
AIの自律的な判断を支える、厳格なガードレールとHuman in the Loopの設計
自律型エージェントの導入プロセスにおける困難は、AIが決定論的なワークフローから確率的なワークフローへと移行する際のリスク管理、すなわち安全性と権限管理の担保にもある。AIが自律的に判断してシステムを操作するようになると、人間の意図しない誤操作や、アクセス権限を超えたデータの閲覧・リークが発生するリスクが浮上する。「Computer」はこの課題に対し、極めて厳格なガードレールを実装することで解決した。
システムが統合される際、元となるソースシステムのアクセス権や特権設定を尊重し、エージェントは常にその操作を行うユーザー自身の権限の範囲内でのみ行動し、データ漏洩を回避する仕組みを第一の保証とした。さらに、エージェントが起動した際には即座にプランニングモードへと移行させ、実行予定のステップを段階的にユーザーへ可視化するアーキテクチャを採用した。
すべての変更を一度にシステムへ反映するのではなく、プロセスの各ステップを段階的にステージングすることにより、エラーが複合的に重なり合うのを防ぐ。そして最終的なアクションの承認、任意の段階へのロールバック、あるいは操作全体を取り消す権限を常に人間に委ねる「Human in the Loop」の構造を徹底した。
