グラフエンジニアリング

実行基盤の現在地：「まだ専用基盤を入れるな」

グラフを本格的に動かすオーケストレーション（複数の処理の実行順・分岐・再試行を管理する仕組み）基盤は出そろってきた。ただし、6製品を同じ条件で比べた中立のベンチマークは存在しない。導入にかかる人日も、障害からの復旧時間も、非エンジニアが保守できるかどうかも、公開された定量比較がない。以下の表も仕様書から読み取った推測を含む。

Claude Codeの並列ワークフローについては、公式ドキュメントで制約が明示されている。最大16並列（CPUのコア数が少ない機械ではそれ以下）、1回の実行で合計1,000エージェントまで、実行中のワークフローに任意の入力を差し込むことはできない。中断からの再開は同じセッション内でのみ可能で、セッションを終了すると次回はゼロから始まる。しかも、未完了だったエージェントと、その後に開始したエージェントは完了済みでも再実行される——つまり、外部への送信を含む処理を載せていると二重に走りうる。

LangGraphでも似た問題がある。interrupt() で人間の承認を待って再開すると、そのノードは先頭から実行し直される。実務の定石は「準備（何をするか確定）→承認（待つだけ）→実行（冪等な副作用）→記録」の4分割だが、分割しても完全ではない。外部処理が成功した直後、記録が残る前に落ちた区間は、再実行で二重になる。実際にこの挙動を踏んだ不具合報告が公開リポジトリに複数あり、修正の提案はまだ取り込まれていない。

検証ノードの科学：自己レビューは2〜3回で頭打ち

「AIに何度も見直させれば品質が上がる」は、条件付きでしか成り立たない。研究側の結果は4本とも同じ方向を指している。

自己改善の代表的な手法を数学問題で評価した研究（NeurIPS 2023）では、見直し0回から4回までの正答率が 71.34 → 73.39 → 75.06 → 75.74 → 76.19 と推移した。上がってはいるが、伸び幅は +2.05 → +1.67 → +0.68 → +0.45 と明確に細っていく。別の研究（ICLR 2025）は、新しい情報を足さない自己改善はモデルの大きさに関係なく2〜3ラウンドで効果が消えると報告した。さらに厳しいのは、外部の正解情報を与えない自己批評を繰り返すと 95.5 → 91.5 → 89.0 と悪化したという結果（ICLR 2024）だ。見直しの最適回数がゼロになる場合すらある。

ではAIに検算させること自体が無意味かというと、そうではない。同じICLR 2025の別研究では、数式処理ライブラリのような厳密に正誤を判定できる検証役（verifier）を使った場合、最大15ラウンドまで改善が続いた。複数のAIに議論させる方式でも、参加を4体程度まで増やすのは有効だが、最高精度は一貫して2ラウンド目で出る（ACL 2026）。ラウンドを増やすより、候補を並列に増やすほうが効率がいい。

人間承認ゲート：本番になるほど、承認は消えていく

IT・セキュリティ部門の意思決定者261名を対象にした2026年の調査（JumpCloud『The Agentic IAM Pulse Report』）に、示唆的な数字がある。リスクの高い操作の前に人間の承認（HITL＝Human In The Loop。自動処理の途中に人間の判断を挟むこと）を求めている割合が、テスト段階では48%、business-critical（業務の中核）環境では29%だった。

これは前年比の推移ではなく、導入の成熟度によるステージの比較である点に注意がいる。つまり「昔は多かったが減った」ではなく、本番に近づくほど承認が薄くなるという構造だ。技術の失敗ではなく、慣れの失敗と言っていい。

失敗の形もはっきりしている。すべての操作を承認待ちの列に入れると、レビューする人が詰まり、やがて中身を見ずに通すゴム印状態になる。ある実務者は「HITLという言葉が曖昧すぎる。誰が何をどの権限で確認し、その訂正が次の実行にどう反映されるのかを描かないと、AIは他人の後始末を増やすだけだ」と指摘している。

逆に機能しているのは、選択的な監督だ。定型の9割は自動で流し、例外の1割だけ人に上げる。あるいはAIは下書きまで作り、人が編集して公開する（差分表示・ワンクリック承認・まとめて処理できることが鍵）。段階を追って自律度を上げる「自律のはしご」——下書きのみ → 制限付きの検索 → 監督下での実行 → 範囲を限定した自律——という整理も広く共有されている。

判断基準として広く参照されているのが、5因子のリスク行列（取り消せるか／お金が動くか／顧客の目に触れるか／機密データを扱うか／前例のない操作か、を各0〜2点で合計0〜10点）だ。0-2点は自動、3-5点は自動＋抜き取り確認、6-7点は人間の承認、8-10点は手作業かつ二人でチェック、という振り分けになる。ただし提唱元の記事自身が「これは出発点のルールであって業界標準ではない」と明記しているので、そのまま社内規程に貼るものではない。

知識グラフ側：安くなったが、全員が使うべきではない

グラフエンジニアリングと名前が似ているだけで層は違うが、同時に語られがちなのが知識グラフ（情報を「Aという会社はB社と取引がある」のように、点と線で構造化して持つ方式）とGraphRAGだ。RAG（AIに社内文書を検索させてから答えさせる仕組み）の検索先を、単なる文書ではなくこの点と線の構造にしたものがGraphRAGにあたる。

2026年の最大の変化は、コストの崖が崩れたことだ。Microsoft Researchの公式発表によれば、約5GBの法務データなどについて、従来方式では全体を事前に要約するために推定33,000ドルかかっていた構築費が、必要な部分だけを問い合わせ時に探索する方式（LazyGraphRAG）では約33ドル——およそ99.9%の削減になった。索引作成のコストは、従来型のベクトル検索（文章を数値の並びに変換して意味の近さで探す方式）と同等になっている。

一方で、効果のほうは報告されているほど大きくないという実証も出ている。武漢大学らによる評価論文（arXiv:2506.06331）は、既存の評価が「元データに根ざしていない質問」と「長文や特定の構造を好むAI評価者の偏り」によって性能を過大に見積もっていると指摘した。偏りを取り除いて測り直すと、代表的な実装の従来型RAGに対する勝率は農業データセットで39%まで落ちた。

乗り換えるべき合図は3つに整理できる。(1) 質問の形が「1件を引く」から「複数の情報をつないで要約する」へ移った (2) 扱う文書がエンティティ（人・会社・案件など、名前を持つ個々の対象）どうしの参照だらけになっている (3) 更新が頻繁で、全体の作り直しが負担になっている。逆に、FAQ・カタログ・単純な検索が中心なら、キーワード検索と意味検索を組み合わせる方式が2026年の実務標準であり、グラフを足すのは負担が増えるだけだ。

知識ベースの「腐り」を検出する仕組みについては、統合された標準ツールはまだないのが実情だ。矛盾の検出・古くなった情報の検出・孤立したノートの検出は、それぞれ別のツールが部分的に担っている。この中で最も本番実装に近いのが、更新時に意味の近い既存の記述と突き合わせ、時間的に矛盾したら古い記述を削除せず「ここまで有効」という印を立てる方式（Graphiti）だ。過去の任意時点での状態を問い合わせられる。

なお、知識グラフ運用の代表例として引き合いに出されるOSS「gbrain」は、27,504 stars・最終更新2026-08-01（GitHub APIで実測）と活発だが、評価は割れている。作者本人は14万ページ・2万4千人規模で運用しており、その規模では機能する。一方、個人〜少人数では、人間用のノートとAI用のデータベースを二重管理する負担が便益を上回るという不満が多い。同期の遅れで古い情報を答えてしまう、環境構築が重い、といった声だ。

並列化のコスト：速くはなるが、安くはならない

「AIを並列で走らせると費用が跳ね上がるのでは」という質問には、よく2つの答えがぶつかる。「原理上ほぼ1.0倍」と「本番では10〜15倍」だ。どちらも正しく、測っているものが違う。

同じ回数の呼び出しを順番にやるか同時にやるかを変えただけなら、並列にすること自体に割増料金はない。トークン（AIが処理する文字のかたまり。課金の単位）の総量が変わらないからだ。一方、Anthropicが自社の調査システムについて「通常の対話の約15倍のトークンを使う」と公表しているのは、複数の担当AIがそれぞれ独自に調べ回った結果、仕事の総量そのものが増えたケースを指す。fan-out（1つの処理から複数の処理へ枝分かれさせること）で枝を増やせば、枝の数だけ仕事が増える。当然の話だ。

もう1点、実務で見落とされやすいのが、冷えた状態から一斉に枝分かれさせるとプロンプトキャッシュ（毎回同じ前置きを送るぶんを安くする仕組み）が効かず、共通部分の料金が割高になりうること。最初の応答が始まるまで他のリクエストがキャッシュを共有できないためだ。