Gemini の回答 AIの「いびつな知能」をどう克服する？eVerseが切り拓くエンタープライズAIの未来

現在のAIブームの中で、多くの企業が生成AIや大規模言語モデル（LLM）の導入を進めています。しかし、いざ本格的なビジネスプロセスに組み込もうとした際、思いがけない壁に直面していないでしょうか？

司法試験に合格するほど賢いAIが、顧客対応で簡単な社内ルールを無視したり、存在しない情報をでっち上げたりする。この「優秀だが脆い」現象は、AI業界で**「Jagged Intelligence（いびつな知能）」**と呼ばれ、エンタープライズAIにおける最大のジレンマとなっています。

本記事では、この課題の根本原因を探るとともに、Salesforceが提唱する新たな概念「EGI（エンタープライズ汎用人工知能）」と、それを実現する画期的なシミュレーション環境「eVerse」について解説します。

---

1. エンタープライズAIの壁：「Jagged Intelligence」とは何か

最新のAIは、プログラミングや複雑なデータ分析で人間を凌駕する能力（トップライン・ケイパビリティ）を持ちます。しかし一方で、特別な訓練を受けていない人間なら直感的にできる単純なタスクで、致命的なミスを犯すことがあります。

これは例えるなら、**「見事なコードを書くのに、ファイルの保存を忘れるインターン」**を雇うようなものです。

SNSの投稿文作成のような消費者向けアプリケーションであれば、90%の精度でも許容されるかもしれません。しかし、高リスクな意思決定や顧客と直接対話するビジネスクリティカルな領域では、エラーの許容度は実質「ゼロ」です。エンタープライズ環境では、99%の精度と絶対的な一貫性・予測可能性が求められます。

インターネット上の膨大なテキストデータを読み込ませてモデルを巨大化させる従来のアプローチは、すでに「限界（飽和点）」に達しつつあります。単なるスケールアップでは、現実のビジネスの複雑さを学習しきれない「現実ギャップ」を埋めることはできないのです。

2. AGIの幻想から「EGI（エンタープライズ汎用人工知能）」へ

この壁を突破するため、業界の焦点は人間のあらゆる知能を模倣する「AGI（汎用人工知能）」から、ビジネスに特化した**「EGI（Enterprise General Intelligence：エンタープライズ汎用人工知能）」**へとシフトしています。

EGIの目的は、デモ映えする驚きの出力ではなく、「高度な処理能力」と「揺るぎない一貫性・信頼性」の両立です。自社の複雑なビジネスシナリオを深く理解し、既存システムと連携しながら、定められたルールの中で自律的に機能するAIエージェントの構築を目指します。

3. AIのための「ジム」：eVerseによるデジタルツインの構築

EGIを実現するためには、AIエージェントを自社の業務プロセスに深く適合させる「超微調整（Ultra fine-tuning）」が必要です。しかし、コンプライアンスやプライバシーの観点から、未熟なAIを本番環境で学習させることはできません。無菌状態の単純なテストでは、現実の複雑なノイズを学べません。

このジレンマを解決するのが、Salesforce AI Researchが開発したシミュレーション環境**「eVerse」**です。

• 合成データによるデジタルツイン: eVerseは、企業が提供するメタデータ（データベースの構造など）を読み込み、現実の顧客データを一切使わずに、本番環境を精緻に模倣した「合成データ」を生成します。

• 現実のダイナミクスの再現: 明示されていない「潜在変数（例：患者の重症度と対応スピードの関係など）」までモデリングし、現実世界と同等のデータ分布や偏りを再現します。

• 徹底的なストレステストと強化学習: 構築された仮想環境（デジタルツイン）内で、AIに数百万のシナリオを経験させます。意図的に失敗を誘発し、人間の専門家がフィードバックを与える（RLHF）ことで、AIは安全な環境で自らの限界と正しい振る舞いを学習します。

F1ドライバーがシミュレータでトラブル対応を学ぶように、AIエージェントもeVerseという「ジム」で鍛え上げられるのです。

4. 実証されたeVerseの力：2つの画期的なユースケース

eVerseによる最適化は、すでに現実のビジネス課題で劇的な成果を上げています。

事例1：Agentforce Voice（2026年問題の克服）

2026年2月に日本を含むグローバルで展開予定の音声AI「Agentforce Voice」は、eVerseで過酷なシミュレーションを経ています。強い訛り、劣悪な通信環境によるノイズ、顧客からの割り込み、さらには怒鳴り声といった「不快な会話」を意図的に生成。感情分析AIによるガードレールを設けることで、どんな状況でも冷静かつ適切に対応できるエンタープライズ・グレードの音声AIへと進化しました。

事例2：UCSF Health（複雑な医療費請求エージェント）

カリフォルニア大学サンフランシスコ校医療センターでは、極めて複雑な医療費請求の問い合わせ対応にAIを導入しました。従来のAIでは解決率が60〜70%で頭打ちでしたが、eVerseのインフラを活用し、医療専門家がAIに直接フィードバックを与える「Healthcare Learning Engine」を導入。結果として、自律的な解決率が約80%（最大88%）へと劇的に向上し、スタッフの負担軽減と対応コストの大幅な削減に成功しています。

5. まとめ：Agentic Enterpriseへのロードマップ

「大規模なLLMを導入すればすべて解決する」という無邪気な信仰は終わりを告げました。真の競争優位性を築くには、AIの表面的な賢さに惑わされることなく、システムレベルで「一貫性」と「信頼性」を担保するアーキテクチャ設計が不可欠です。

eVerseのような高度なシミュレーション環境でのテストと訓練は、今後のエンタープライズAI導入において、セキュリティ監査と同等の「必須要件」となっていくでしょう。自律的エージェントと人間がシームレスに協働する「Agentic Enterprise（エージェント主導型企業）」の実現に向けて、今こそEGIを中核に据えた戦略的アプローチを検討する時です。