WEB MAGAZINE — VOL.1
AI / エンタープライズ / 考察
AI / Enterprise / Insight
エンタープライズAIで
最も難しいのはAIではない
The Hardest Part of Enterprise AI
Isn't the AI
LLM、RAG、Agent、MCP――本当の課題は「つなぐこと」にある
LLM, RAG, Agent, MCP — the real challenge is integration
AI Strategy
エンタープライズ
Enterprise
LLM / RAG / Agent / MCP
2026
最近、LinkedInで興味深いAIの説明を見かけた。AIを人間の身体に例えたシンプルな整理だ。一見すると技術の話に見えるが、企業でAI導入を進める立場から見ると、現実はもう少し複雑だ。
A recent LinkedIn post offered a compelling analogy for AI — mapping its components to the human body. Simple, elegant. But from the perspective of someone driving enterprise AI adoption, the reality is considerably more nuanced.
AI Components — Human Body Analogy
LLM
=
脳（Brain）
Brain — it thinks
RAG
=
脳＋図書館（Library）
Brain + Library — grounded in reality
AGENT
=
脳＋手（Hands）
Brain + Hands — it acts
MCP
=
神経系（Nervous System）
Nervous System — it connects
Point
LLMは考える。RAGは現実に根拠を与える。Agentは行動する。MCPは接続する。
しかし実用化において最も難しいのは、AIモデルそのものではない。本当に難しいのは、「これらをどうつなぐか」である。
LLM thinks. RAG grounds in reality. Agent acts. MCP connects.
But in practice, the hardest part isn't the AI model itself. The real challenge is: how to connect all of these together.
Section 01
AIモデル選定は、実は本質ではない
Choosing the AI Model Is Not the Core Problem
企業のAI議論では、しばしば「どのLLMを使うべきか？」という問いになる。GPTか、Geminiか、Claudeか、オープンソースか。もちろん重要な議論だ。しかし現場では、それは本質的なボトルネックではない。
Enterprise AI discussions often fixate on the same question: "Which LLM should we use?" GPT? Gemini? Claude? Open-source? All valid questions — but in practice, the LLM choice is rarely the real bottleneck.
問題は、デモが成功した後に始まる。企業システムは想像以上に複雑だからだ。
The real problems emerge after the demo succeeds. Enterprise systems are far more complex than they appear.
- データはサイロ化している
- システム同士が連携していない
- 権限管理が分断されている
- メタデータの整備状況がバラバラ
- 現場ごとに業務フローが違う
- Data is siloed across departments
- Systems don't communicate with each other
- Access permissions are fragmented
- Metadata quality varies wildly
- Every team has a different workflow
Key
問題は「AIの知能」ではなく、「オーケストレーション（統合設計）」にある。
The problem isn't AI intelligence. It's orchestration — the design of how everything fits and works together.
Section 02
LLM：賢いが、文脈を持たない
LLM: Intelligent, But Context-Free
LLMは強力だ。文章を書き、要約し、コードを書き、分析もできる。しかし企業の現実を知らない。自社のワークフロー、判断基準、過去の経緯、制約条件を理解しているわけではない。
LLMs are powerful. They write, summarize, code, analyze. But they don't know your business. They have no understanding of your workflows, decision criteria, organizational history, or operational constraints.
Point
「賢い回答」はできても、「使える回答」とは限らない。
An LLM can give you a smart answer — but not necessarily a useful one.
Section 03
RAG：AIを現実につなぐ――しかし落とし穴がある
RAG: Grounding AI in Reality — But With Hidden Pitfalls
RAG（Retrieval-Augmented Generation）によってAIは、学習データだけでなく、企業内情報にアクセスできる。社内ドキュメント、技術資料、ナレッジベース、リアルタイムデータ。AIの回答を「企業の現実」に接地させる技術だ。
RAG (Retrieval-Augmented Generation) enables AI to access not just its training data, but your internal information — documents, technical specs, knowledge bases, real-time data. It grounds AI responses in your operational reality.
ただし、ここで多くのPOC（概念実証）が止まる。すぐに次の問題が出るからだ。
But this is where many POCs (proofs of concept) stall. The next set of problems emerges immediately.
- どのデータを正とするのか？
- 誰にアクセス権があるのか？
- 古い情報をどう管理するか？
- メタデータをどう整備するか？
- Which data is authoritative?
- Who has access to what?
- How do you manage outdated information?
- How do you maintain metadata quality?
問題はモデルではなく、「社内知識が整理されていない」ことにある場合が多い。
The real problem is rarely the model — it's that internal knowledge is unstructured and inconsistent.
Section 04
Agent：「会話」から「実行」へ、そしてガバナンスへ
Agent: From Conversation to Action — and Governance
Agentになると世界はさらに変わる。AIは話すだけではなく、動き始める。スケジュール実行、レポート生成、データ更新、ワークフロー自動化、オペレーション起動――ここで期待値は一気に上がる。しかし同時にリスクも増える。
With Agents, everything changes. AI stops talking and starts doing — executing schedules, generating reports, updating data, automating workflows, triggering operations. Expectations soar. So do the risks.
- 権限が広すぎれば：触るべきではないシステムを触る
- 指示が曖昧なら：間違ったことを高速で実行する
- Over-permissioned: accesses systems it shouldn't
- Ambiguous instructions: executes the wrong thing — fast
Key
Agentは、技術課題であると同時にガバナンス課題でもある。
Agents are simultaneously a technical challenge and a governance challenge.
Section 05
MCP：もっとも地味で、もっとも難しい層
MCP: The Least Glamorous, Most Critical Layer
MCP（Model Context Protocol）は、AIとツール群を接続する「神経系」である。データベース、ファイル、API、業務アプリケーション、各種ツール――単につなげば終わりではない。
MCP (Model Context Protocol) is the nervous system — connecting AI to databases, files, APIs, business applications, and external tools. But "connecting" is not just plugging things in.
- 安定性 — 常時稼働できるか
- セキュリティ — 接続経路は安全か
- 権限設計 — 誰が何にアクセスできるか
- 再現性 — 同じ結果を毎回出せるか
- 運用性 — 長期間メンテできるか
- Stability — can it run reliably 24/7?
- Security — are connection pathways safe?
- Permission design — who can access what?
- Reproducibility — consistent results every time?
- Maintainability — can it be sustained long-term?
Key
多くのプロジェクトでは、最も技術者リソースを消費するのはこの「神経系を作ること」だ。
In most projects, the largest engineering effort goes into building this nervous system — not the AI model itself.
Section 06
実用化の最初の課題は「コスト見積もり」かもしれない
The First Real Question: What Will This Actually Cost?
AI議論では、性能ばかりが注目される。しかし企業の現実では最初の課題は別だ。「これ、実際いくらかかるのか？」。事前に現実的なコスト試算がないと、結果の出ない投資になる可能性もある。
AI discussions are dominated by capability benchmarks. But in enterprise reality, the first question is often different: "What will this actually cost?" Without realistic upfront estimates, investments risk producing no measurable return.
特に工数がかかるのはモデルそのものではない。
The biggest cost items are rarely the model itself.
- システム統合 / データ整備 / 権限設計
- メタデータ整理 / ワークフロー再設計
- Systems integration / data preparation / permissions design
- Metadata organization / workflow redesign
Point
AI投資の本当のコストは、モデル費用ではなく、「つなぐこと」にある。
The true cost of AI investment isn't the model — it's the integration work.
Section 07
Netflixに学ぶ「全部自前で作らない」思想
The Netflix Lesson: Don't Build Everything From Scratch
Case Study — Netflix MPS
NetflixのMedia Production Suite（MPS）
Netflix Media Production Suite (MPS)
Netflixは映像制作の画像処理エンジンをゼロから自前開発しなかった。代わりにFilmLightのAPI（FLAPI）を統合し、Baselightの中核画像処理エンジンをクラウドワークフロー内で利用している。Netflixが作ったのは、画像処理ソフトそのものではなく、ワークフロー全体を制御するオーケストレーション層だった。
Netflix didn't build its image processing engine from scratch. Instead, it integrated FilmLight's API (FLAPI), using Baselight's core image processing engine within its cloud workflow. What Netflix built wasn't the software itself — it was the orchestration layer that controls the entire workflow.
- 標準化できるものは標準化する
- 繰り返し作業は自動化する
- 専門領域は専門家と組む
- Standardize what can be standardized
- Automate repetitive work
- Partner with specialists in specialized domains
これはAI導入にも通じる。企業が勝つ方法は、全部を自前開発することではなく、最適な技術をつなぐことかもしれない。
This principle applies directly to AI adoption. The winning strategy isn't to build everything yourself — it's to connect the right technologies together.
Section 08
もう一つのROI：「教育投資」という視点
Another Kind of ROI: Institutional Learning
すべてのPOCが成功するわけではない。ROIがすぐ出ないケースも多い。しかし、それでも価値が残ることがある。それは組織学習（Institutional Learning）だ。
Not every POC succeeds. Many don't produce immediate ROI. But value can remain even when the project doesn't scale — in the form of institutional learning.
企業はPOCを通じて、業務のボトルネック、データ品質の問題、ガバナンス不足、自動化余地、必要な将来スキルを理解し始める。AI投資は、将来の企業力を育てる教育投資でもある。
Through POCs, organizations begin to understand their workflow bottlenecks, data quality issues, governance gaps, automation potential, and future skill requirements. AI investment is also an investment in organizational capability — preparing the enterprise for what comes next.
「企業として、どれだけ早く"AIをつなぐ力"を学べるか？」
"How quickly can your organization learn the ability to connect AI?"
LLM
考える
Thinks
RAG
現実に接地する
Grounds in reality
AGENT
行動する
Acts
MCP
接続する
Connects
企業価値が生まれるのは、それらが一つのシステムとして機能した時だけである。
Enterprise value emerges only when all of these function as a single, integrated system.
Liner Notes Consulting — Web Magazine Vol.1 — 2026