はじめに

「AIに顧客リストを作らせたら、もう退職した人が担当者として出てきた」「提案のたたき台を頼んだら、自社にない機能を前提に書いてきた」。AIを営業やマーケティングに使い始めた企業から、こうした声をよく耳にします。

AIの回答がずれる原因は、モデルの賢さだけではありません。多くの場合、AIに渡している情報、つまり「文脈」に原因があります。

その文脈を整え、管理し、AIエージェントに配る基盤として注目され始めているのが、ECP(エンタプライズ・コンテキスト・プラットフォーム)です。本稿では、AIで今何が起きているのかを整理し、ECPとは何か、海外で何が動いているのか、日本企業がまず何から取り組むべきかを考えます。

AIで今、何が起きているのか?

いま最も期待を集めているのは、エージェント型AIとFDEです。その陰で、GTM(Go-to-Market:市場に届けて売り切り、伸ばし続ける全工程)の観点から当社が注目しているのが、ECPです。

ガートナージャパンの発表(Gartner、2026年の日本におけるクラウドとAIのハイプ・サイクルを発表)によれば、2026年版では31の技術が取り上げられました。「過度な期待」のピーク期に置かれたのは、フロンティアAI、FDE、エージェント型AI、フィジカルAI、クラウド・レジリエンスの5つです。

同じ図の中で、私たちが目を留めたのは次の2つの位置でした。

技術位置どんな技術か
検索拡張生成(RAG)幻滅期の底付近社内文書を検索して、AIに貼り付けて渡す仕組み
エンタプライズ・コンテキスト・プラットフォーム(ECP)黎明期(主流まで2〜5年)AIに渡す文脈そのものを、整えて管理する層

出典:ガートナージャパン(2026)より筆者作成

「RAGを入れれば回る」という期待はしぼみ、文脈を管理する層が新しく現れました。関心が「どう探すか」から「何を渡すか」へ移り始めている、とも読めます。

FDEとECPは、同じ問題への2つの答え

FDE(Forward Deployed Engineer)は、一般に、顧客の現場に入り、課題を見抜き、実装するエンジニアを指します。エージェント型AIは、人の指示を待たずに自分で判断して作業を進めるAIです。

FDEがなぜ求められるのか。それは、AIを業務で動かすには、その会社固有の事情を知っている人が要るからです。どの言葉が何を指すのか、どのデータが信用できるのか、誰が何を決めてよいのか。FDEは、こうした文脈を人の頭に入れて、現場に持ち込みます。

ECPは、同じ文脈を仕組みとして持つ考え方です。

FDEは会社固有の文脈を人が1つの現場に持ち込み、ECPは仕組みが持って何十ものAIへ配る。FDEが掘り起こした文脈をECPに残す

FDEECP
文脈の担い手人(現場に入るエンジニア)仕組み(文脈を管理する層)
強み暗黙の事情まで汲み取れる何十ものエージェントに同じ文脈を配れる
限界その人が抜けると止まる中身を整える人がいなければ空っぽ

出典:筆者作成

2つは対立するものではありません。FDEが現場で掘り起こした文脈を、ECPに残していく。そうして初めて、AIが動き続ける状態になります。どちらの答えを見ても、ボトルネックは同じ「文脈」にあります。

なぜAIは、もっともらしい間違いを返すのか?

AIが事実と違う内容をもっともらしく答える現象を、ハルシネーションと呼びます。業務で特に問題になるのは、AIが知らない社内の事情を、推測で埋めてしまうケースです。

AIエージェントは、頭はよいが、社内の事情を何も知らない新人のようなものです。渡された資料を、渡された通りに使います。業務での誤りは、次の3つのどれかから生まれることが多いと私たちは見ています。

原因例
定義がない「アクティブな顧客」が、直近90日に取引がある顧客か、契約が続いている顧客か、AIは知らない
承認されていない改定前の価格表や、社外に出してはいけない情報まで、区別なく渡ってしまう
古い異動・退職した担当者の情報が、そのまま残っている

出典:筆者作成

データの準備不足は、AIプロジェクトそのものを止めています。Gartnerの調査(Lack of AI-Ready Data Puts AI Projects at Risk)では、データ管理の責任者1,203人のうち63%が「AIに適したデータ管理ができていない、またはできているか分からない」と答えました(2024年7月調査)。Gartnerは2025年2月の時点で、AIに適したデータの裏付けがないAIプロジェクトの60%が、2026年までに放棄されると予測しています。

営業・マーケティングでは、3つ目の「古い」が特に深刻です。ZoomInfoの発表(ZoomInfo Launches GTM.AI)は、業界の推計として、連絡先データの約70%が1年で古くなると紹介しています。そのうえで、古いデータで動くエージェントは悪い結果を「機械の速さと規模で」生み出す、と指摘しています。

人が古いリストで電話をかければ、間違いは1件ずつです。エージェントが古いリストで動けば、同じ間違いが数千通のメールとして一度に出ていきます。AIが実行を担うほど、渡す文脈の質が成果を直接左右します。

実践ポイント

AIの回答がずれたときは、プロンプトやモデルを替える前に、「何を渡していたか」を確かめることをお勧めします。定義がない、承認されていない、古い。原因の多くはこの3つのどれかです。

ECP(エンタプライズ・コンテキスト・プラットフォーム)とは何か?

ECPとは、AIエージェントに渡す社内の文脈を、整え、統制し、最新に保って配るための基盤です。RAGが「その場で探して渡す」仕組みだとすれば、ECPは「渡す中身を決めて、管理し続ける」層にあたります。

Gartnerの定義の原文は有料レポートのため確認できていません。データ基盤ベンダーのAtlanのまとめ(Gartner AI Context Platform: Vendors and Criteria)によれば、Gartnerはこの領域を「AI context platform」とも呼び、データとAIのチームが「意味で整理された知識」を作り、統制し、AIに届けるためのソフトウェアと説明しています。

ECPの働きは、先ほどの3つの原因にそのまま対応します。

AIの誤りの3つの原因に、ECPの3つの働きが対応する。定義がないには整える、承認されていないには統制する、古いには最新に保って配る

GTMの業務に当てはめると、次のようになります。

ECPの働きGTMでの例
整える「商談化」「アクティブな顧客」「ICP(理想の顧客像)」の定義を1つに決める
統制する承認済みの価格表と事例だけをAIに渡す
最新に保って配る営業支援のAIにも、Web接客のAIにも、同じ最新の製品情報を渡す

出典:Atlan(2026)の整理をもとに筆者作成

データガバナンスの言い換えではないのか?

ここで、「それはMDM(マスターデータ管理)やデータガバナンス、セマンティックレイヤーの言い換えではないか」という疑問が出るのは自然です。重なる部分は確かに大きいと考えています。

違いは2つあります。1つは、使い手が人ではなくAIエージェントだという点です。人なら「このデータは怪しい」と気づけますが、エージェントは気づきません。もう1つは、扱う範囲です。数字や顧客マスタだけでなく、営業トーク、顧客との約束、失注の理由といった、表にならない知識まで含みます。

ECPはRAGを置き換えるものでもありません。実際には、ECPで整えた文脈をRAGで取り出して使う組み合わせになるでしょう。違いは技術ではなく、「渡す中身に誰が責任を持つか」という設計にあります。

海外では、何が動いているのか?

海外では、データ基盤の大手から、営業データの専業、新興企業までが、この「文脈の層」を取りに来ています。まだ勝者は決まっていません。出自の違う企業が、同じ場所を目指している段階です。

Gartnerが挙げた10社は、3つの入り口から来ている

前述のAtlanのまとめによれば、Gartnerは2026年8月のレポート「Emerging Tech Impact Radar: Generative AI」で、この領域の代表的な企業として10社を挙げています。

入り口企業
データ基盤Databricks、Snowflake、Google、Microsoft、Palantir
社内ナレッジ検索・AIGlean、Contextual AI、Pryon、Squirro
データカタログAtlan

出典:Atlan(2026)より筆者作成

なお、このレポートでは主流になるまでを1〜3年と、日本版のハイプ・サイクル(2〜5年)より短く見ています。海外のほうが先行して動いている、と読むのが自然でしょう。

ZoomInfo:GTMの文脈を、どのエージェントにも配る

GTMの領域で踏み込んだ動きを見せている企業の1つが、BtoB企業データ大手のZoomInfoです。同社は2026年6月、GTM.AIの一般提供を始め、自らを「GTMの文脈の層」と位置づけました。

前述の発表によれば、GTM.AIの背後には、約1億社、5億人の連絡先、数十億件の購買シグナルを1つにつないだデータがあります。これをAPIとMCP(AIを外部のデータやツールにつなぐための共通規格)で公開し、Claude、ChatGPT、Microsoft Copilot、Salesforce Agentforce、HubSpot Breezeなど、数十の環境から使えるようにしました。

エージェント型のGTMの天井を決めるのは、モデルの知能ではない。モデルが呼び出せるデータの質、鮮度、構造である。(ZoomInfoの発表より筆者訳)

データを売る会社の主張である点は、差し引いて読む必要があります。それでも注目したいのは、同社が10月に、社内の知識まで同じ層に取り込むと発表したことです(ZoomInfo Brings Enterprise Knowledge Into The GTM Context Graph Through Workbounce Acquisition)。2024年に買収したWorkbounceの技術で、通話記録、メール、提案資料を取り込みます。社外の企業データと社内の知識を、1つの層にまとめにいっているわけです。

新興企業は「定義」そのものを商品にしている

新興企業の資金調達も続いています。2社だけ挙げます。

  • Jedify:2026年6月に2,400万ドルを調達しました(TechCrunchの報道)。社内のデータベースやSaaS、Slackにつなぎ、社内用語や権限の関係を地図のようにまとめて、AIに渡します。Snowflakeが戦略投資家として加わっています。
  • Ekai:2026年9月に170万ドルを調達しました(SiliconANGLEの報道)。業務の担当者が指標の定義を先に決め、データと照らして検証してからAIに渡します。冒頭の「アクティブな顧客」の問題を、正面から商品にしている企業です。

Jedifyの創業者は、モデルが高性能になり、替えやすくなるほど、業務固有の文脈が長く続く優位になる、という見方を示しています。モデルは買えても、自社の文脈は自社でしか作れません。

日本企業の現在地は?

日本企業の多くは、ECPの手前、つまり「AIに渡す定義と正本がそろっていない」段階にあると私たちは見ています。足りないのは製品ではなく、渡す中身を決めて管理する習慣です。

当社が主に向き合っているのは、SFA(営業支援システム)やMA(マーケティング自動化)をすでに導入している、売上10〜100億円規模のBtoB企業です。そうした企業でも、「商談化」の定義が部門ごとに違う、顧客情報の更新が担当者任せになっている、提案書の最新版がどれか分からない、といった状態に出会うことは少なくありません。

ここで押さえておきたいのは、SFAは記録の正本であって、定義の正本ではないということです。SFAに商談は記録されていても、「何をもって商談とするか」はどこにも書かれていません。人が業務を回している間は、この空白を現場の経験が補ってきました。AIエージェントには、その補正が効きません。

製品の成熟には、日本で2〜5年、海外の見方で1〜3年かかると見られています。製品選びを急ぐ必要はありません。ただ、渡す中身を整えるには時間がかかります。製品がそろうのを待ってから始めると、その時点で差がついているでしょう。

最初に取り組むべき3つのこと

ECPの製品を入れる前に、まず取り組むべきことは3つです。先ほどの3つの原因に、1つずつ対応しています。

1. AIに渡す「言葉の定義」を決める(定義がない、への対策)

営業とマーケティングで日常的に使う言葉を、20〜30個ほど洗い出します。「商談化」「アクティブな顧客」「ICP」「失注理由」などです。そのうえで、1つずつ「自社ではこう定義する」と文章にします。

持ち主は、営業とマーケティングの数字を横断して見る人がよいでしょう。RevOps(レベニューオペレーション:売上に関わる仕組みと数字を部門横断で管理する役割)がいればその人、いなければ営業企画が適任です。営業とマーケティングの責任者が、一覧に合意した時点を完了とします。

2. 承認の流れを決め、「渡さないもの」も決める(承認されていない、への対策)

次に、AIに渡す情報の正本を1つに決めます。製品情報、価格、事例、よくある質問への回答などです。誰が書き、誰が承認し、どこからAIに反映されるのか。この流れを一方向に決めます。

同じくらい大切なのが、渡さないものを決めることです。当社でも、AIセールスエージェントに渡す知識は、責任者が承認したものだけを一方向で反映しています。その際、社内の判断の経緯や非公開の価格は、最初から材料に入れていません。ECPは、渡す設計であると同時に、渡さない設計でもあります。

3. 社外のデータと社内の知識を分け、それぞれの鮮度を保つ(古い、への対策)

最後に、文脈を2種類に分けて管理します。1つは、企業の基本情報や担当者の連絡先といった社外のデータです。もう1つは、商談の記録や提案資料、顧客との約束といった社内の知識です。

社外のデータは、外部のデータソースから定期的に更新する仕組みが向いています。社内の知識は、価格改定や製品リリースなど、見直すきっかけを決めておく運用が向いています。

実践ポイント

いきなり全社の文脈を整えようとしても、まず終わりません。AIに最初に任せたい業務を1つ選び、その業務で使う言葉の定義と正本だけを先に整えることをお勧めします。まだAIを動かしていない企業でも、ここから始められます。

まとめ

AIの成果を左右するのは、モデルの賢さだけではありません。渡す文脈の質です。FDEは文脈を人で現場に持ち込み、ECPは仕組みで持ちます。どちらの注目も、同じボトルネックを指しています。

日本企業がまず取り組むべきことは、製品選びではありません。言葉の定義を決め、承認の流れと渡さないものを決め、社外と社内の文脈の鮮度を保つこと。地味な作業ですが、ここを整えた企業ほど、AIが動き出したときの実行の質が変わります。

ギアソリューションズは、AIが実行を回す前提で、業務・データ・システムを組み直すことに取り組んでいます。「AIを入れたが、答えがずれる」「どこから整えればよいか分からない」という課題をお持ちの方は、お気軽にご相談ください。

参考情報