AIの文脈の時代：Boxが描くエージェントによる業務の再構築
近年、AI（特に大規模言語モデル＝LLM）を業務プロセスに組み込む動きが急速に進んでいます。その中で、Box社CEO アーロン・レビーが主張する「AIの文脈の時代（era of context）」という概念は、単にモデルの大きさや演算能力を追うだけではなく、「どのような内容のデータをどのように与えるか」「ワークフローをどう設計するか」という“文脈管理”がAIの性能と信頼性を左右する、という新たなパラダイムを提示しつつあります。
本記事では、レビー氏の発言・Boxの新機能（Box Automateなど）をもとに、「文脈重視の設計」が企業でどのように応用できるか、またその際のリスク・制約と対策について、具体例を交えて整理します。
1. AIの「文脈」の意味と重要性
1-1. 「文脈（context）」とは何か
レビー氏によれば、AI における「文脈」とは、モデルが業務タスクを遂行するうえで 必要なデータ・背景情報・ワークフローの手順・入力制約など の総体を指します。特に、構造化データ（データベースやCRM／ERP等で扱われるもの）では、既に自動化が進んでいる一方で、非構造化データ（ドキュメント、契約書、プレゼン資料、画像、マーケティング資材等）の処理においては、文脈が欠如していたため自動化が難しかったとされています。
1-2. なぜ今「文脈」が注目されるのか
いくつかの要因があります：
文脈ウィンドウ（context window）の制約：モデルに与えられる情報量が大きくなると、モデルが処理できる範囲を超えてしまい、誤った判断や混乱が起こることがある、いわゆる「文脈ロット（context rot）」とレビーが呼ぶ問題。
業務の要求：法務レビュー、M&A（企業買収）レビュー、マーケティング資産の管理などは、大量かつ多様な非構造化データを扱うため、文脈が曖昧だと誤りや無駄が生じやすい。
競争優位性：どの企業もモデル自体はある程度使えるようになってきており、差別化要因はどれだけ正確かつ関連性の高い「文脈」を与えられるか、そしてその文脈を守る制御（権限・アクセス・ガバナンス等）が効いているかになってきている。
2. Boxのアプローチ：Box Automate と agentic AI モデル
ここでは、Boxが具体的にどのように文脈重視の設計を製品に落とし込んでいるかを見ていきます。
2-1. Box Automateの機能と構造
ワークフローの分割：レビー氏は、AI エージェント（agent）を使ってワークフローを複数の段階に分け、それぞれで異なるエージェントが関わるように設計していると述べています。例えば、「提出（submission）→レビュー→承認」といった流れの中で、各段階に対して専用のエージェントを配置するなどです。
決定論的（deterministic）ガードレールと 非決定論的なエージェントの使い分け：どの部分を厳密に制御し、どの部分を自律（agentic）に任せるかをワークフロー毎に設計できるようにしている。
アクセス制御とデータガバナンス：機密性や権限性が高いデータを扱うため、誰がどのデータにアクセスできるかを厳しく制御し、それをシステム設計の根幹に据えている。
2-2. 「サブエージェント（sub-agent）」の活用と「文脈ロット」の回避
レビーは、「文脈ロット（context rot）」という現象—モデルに過剰な文脈を与えることで逆に誤動作や焦点のぼやけが発生すること—を避けるために、サブエージェントを導入することを強調しています。
各サブエージェントには、そのサブタスクに必要な最小限かつ適切な文脈のみを与える
サブエージェント間で明示的にハンドオフ（情報の受け渡し）を設けることで、状態のロスや誤差の累積を抑制する
この設計により、大規模なエージェント構成でも、タスク遂行の一貫性および可監査性（auditability）が確保されるようにしています。
3. リスク・制約とそのマネジメント
AIを業務の中で実際に運用する際には、多くの懸念事項があり、それに対する対策が不可欠です。Boxの例を通じて、それらを整理します。
3-1. 文脈が不足／過剰になるリスク
不足のリスク：必要なデータや背景を十分に与えられなければ、モデルの応答が間違える、あるいは曖昧なものになる可能性がある。例えば、レビュー対象の契約書で過去の同様契約との比較情報が足りないと、変更点の意味を正しく判断できないことがあります。
過剰のリスク：一方で文脈が多すぎる、あるいは関連性の薄い情報まで含めてしまうと、モデルが焦点を失ったり、計算コストが増大したり、コンテキストウィンドウの制約により処理ができない場合もある。「文脈ロット」がこの典型例です。
対策としては、タスクを明確に定義し、どの情報が必須かを設計段階で決め、それを段階的プロセスに分けて扱うことが重要です。
3-2. セキュリティ・アクセス制御の問題
企業データは機密性・プライバシー性が高いため、AI が不用意にアクセスしたり、情報を漏らしたりするリスクがあります。
Boxのケースでは：
ファイルやドキュメントのアクセス権限 (permissions, ACL) をモデル／エージェントアクセスの制御に反映させる。
データ保存・検索（ベクトル埋め込みや retrieval）の際にも、これらの制約を守る構造が既に組み込まれている。
コンプライアンス、規制対応 (例えば法令遵守、保持ポリシー、データ保持・合法保持 (legal hold) 等) を設計基盤に入れる。
3-3. モデル選択とロックイン回避
レビーは、どのモデル（大きくて力のあるモデル・より小さく信頼性の高いモデル）を使うかという議論について、「どちらか一方を選ぶ」というよりは、タスクに応じて柔軟に使い分け可能なアーキテクチャを構築することが重要だ、と述べています。これにより、将来モデル性能が変わっても対応できるようにするという戦略です。
4. 具体的事例と応用シナリオ
ここでは、Boxによる事例や仮想シナリオを通じて、文脈重視アプローチがどのように現実の業務で使われ得るかを見ます。
4-1. 契約書レビュー（法務部門）
背景：ある企業が多数の契約書を保管しており、更新・修正が頻繁。過去履歴、条項のバリエーション、変更履歴などが異なる契約書が混在する。
文脈重視のアプローチ：
契約書提出エージェント（submission agent）：契約書の基本メタデータ取得（当事者、日付、種類等）、過去類似契約書の検索
法的比較レビューエージェント（review agent）：変更箇所のハイライト、潜在的リスク条項の検出
承認エージェント（approval agent）：企業ポリシーに照らしての修正指示、最終サマリーの作成
効果：作業時間の短縮、ヒューマンエラーの減少、法務部門の戦略的判断により集中できる。
4-2. マーケティング資産管理
背景：キャンペーンごとに多数の資料（画像、動画、過去の広告コピーなど）が存在し、ブランドガイドラインや法令・競合情報に準じて内容をチェックする必要がある。
文脈重視のアプローチ：
資産生成前のチェックエージェント：ブランド規範、過去の成功例、法令制約を参照
資産レビューエージェント：表現やコピーがブランド・法令・商標に合っているかの検証
公開／配布エージェント：公開プラットフォーム・対象市場に応じたフォーマット最適化・翻訳検証など
結論
アーロン・レビーが提示する「AIの文脈の時代（era of context）」は、AIを業務で使う際の重要な転換点を示しています。単に性能の良いモデルを導入すればよいというフェーズを越えて、業務タスクに応じた文脈設計・データ整備・アクセス制御・ワークフロー分割などの要素が成功の鍵となるという点です。
Box社のBox Automateや新しいAIエージェント機能は、この考え方を具体的なプロダクト設計として具現化する試みと言えます。企業がこれを取り入れる際には、技術基盤だけでなく、組織のプロセス・責任分担・評価指標なども同時に整えていくことが不可欠です。
