こんにちは、株式会社TIMEWELLの濱本です。今日はAIとの協業を根底から覆す新しい設計思想についてお話しします。
皆さんは、AIアシスタントとの対話に、どこか既視感を覚えていないでしょうか。新しいチャットウィンドウを開くたびに繰り返される自己紹介。「私はこういう者で、今こんな仕事をしていて、こういうスタイルで文章を書いてほしい」。昨日伝えたはずの文脈を、今日もまたゼロから説明し直す。この延々と続く「初めまして」の儀式に、私たちは貴重な時間と創造性のリソースを奪われ続けています。
正直なところ、私自身もこの問題にずっとモヤモヤしていました。AIは賢い。けれど、記憶がない。毎回リセットされる関係性の中で、どれだけ優秀なモデルを使っても、出力の質には天井がある。そんな実感です。
最近、この根源的な課題に光を当てた一つのレポートが、AI開発者のコミュニティで大きな話題を呼びました。Context Engineerを名乗るMuratcan Koylan氏が発表した「Personal Brain OS」の構想です。彼は、個人の知識やスタイル、目標といったあらゆる情報をファイルとして整理し、AIがいつでも参照できる仕組みを構築した。AIを単なる応答マシンから、文脈を理解するパートナーへと引き上げるための、画期的な挑戦です。彼の功績は、AIとの協業が抱える課題を明確に言語化し、具体的な解決策の方向性を示した点にあると考えています。
しかし、私たちはその先を見据える必要がある。Koylan氏が示した道を一里塚としながらも、さらにその先へと歩を進めなければなりません。ビジネスの現場で求められる知性は、静的なファイルの集合体だけでは再現できない、より動的で、複雑な関係性の上に成り立っているからです。
そこで私たちが提唱するのが、Zeroc Brain OSという次世代の設計思想です。単なる情報の保管庫ではありません。組織に散在するあらゆる知識が有機的に結合し、タスクの文脈に応じてその意味合いを変化させ、AI自身が学習することで絶えず進化し続ける、生きた「第二の脳」。その全貌を、ここからお伝えしていきます。
コンテキストエンジニアリングの夜明け ── プロンプトの時代から「文脈」の時代へ
2020年代前半、私たちがAI、特に大規模言語モデル（LLM）の能力を引き出す主要な手段は「プロンプトエンジニアリング」でした。いかにして巧みな質問や指示を設計し、モデルから望む答えを引き出すか。AIという名の賢いが気難しい神託者に、正しいお伺いを立てる技術、とでも言えばいいでしょうか。
ところが、AIエージェントが単発の応答だけでなく、複数のステップにまたがる複雑なタスクを自律的に実行するようになると、このアプローチは限界に突き当たります。優れたプロンプトは、あくまでその場限りの「点」の最適化に過ぎない。継続的なタスク遂行という「線」の文脈を維持するには、より大きな枠組みが必要です。
そこで台頭してきたのが、コンテキストエンジニアリングという新しい潮流。GartnerやAnthropicといった業界のリーディングカンパニーもその重要性を指摘しています。プロンプトエンジニアリングが「何を尋ねるか」に焦点を当てるのに対し、コンテキストエンジニアリングは「AIが思考するために、どのような情報環境を構築すべきか」という、より根源的な問いに向き合うものです。
このシフトの背景には、LLMが持つアーキテクチャ上の制約があります。
一つは、Anthropicが指摘する「注意力の予算」（Attention Budget）。LLMはコンテキストウィンドウ内に与えられた全てのトークン間の関係性を計算しようとしますが、情報量が増えるほど注意力は分散し、一つ一つの情報に対する解像度が落ちていく。人間が一度に多くのことを聞かされると、最初と最後の話しか覚えていない、あの感覚に近いものがあります。
もう一つが「コンテキストの腐敗」（Context Rot）と呼ばれる現象。コンテキストが長くなればなるほど、モデルがその中から特定の情報を正確に探し出す能力は低下します。情報を闇雲に詰め込むことは、むしろAIのパフォーマンスを阻害するノイズを増やすだけ。これは私たちが実際のプロダクト開発の中で痛感してきたことでもあります。
つまり、AIの能力を最大限に引き出す鍵は、情報の量ではなく、質と構造にある。タスクの遂行に本当に必要な情報だけを、最も理解しやすい形で、最適なタイミングで提供する。これがコンテキストエンジニアリングの核心です。
その観点からKoylan氏の「Personal Brain OS」を改めて見ると、彼がいかにこの本質を深く理解していたかが分かります。情報をモジュールに分割し、タスクに応じて必要なファイルだけを読み込ませる「段階的開示」（プログレッシブ・ディスクロージャー）の手法。プロンプトという一点を磨き込むのではなく、AIが活動する環境そのものを設計することの重要性を、彼は誰よりも早く見抜いていたのです。
ファイルベースOSの功績と、その先にある「構造化」の壁
Koylan氏が構築した「Personal Brain OS」のアーキテクチャは、コンテキストエンジニアリングの原則を見事に体現しています。データベースのような複雑なシステムを一切用いず、開発者が日常的に使い慣れたファイルとフォルダという普遍的な概念を、AIの記憶装置として再定義した。ここが彼の設計の核心です。
彼のシステムは大きく3つの要素から成り立っています。
一つ目は、関心事ごとにフォルダ分けするモジュール構造。「ブランド」「コンテンツ」「ネットワーク」「オペレーション」といった単位で情報を分割し、AIがブログ記事の執筆を依頼されれば文体ガイドを、会議の準備を頼まれれば連絡先データベースを参照する。タスクに関連する最小限のコンテキストだけで動作させる仕組みです。
二つ目は、情報の特性に合わせたフォーマットの使い分け。追記が基本となるログデータにはJSONL、階層的な設定情報にはYAML、LLMが自然に解釈できる文章にはMarkdown。情報の性質に合わせて最適な「容器」を選ぶという、地味だけれど極めて洗練されたアプローチです。
三つ目は、仕事の進め方自体をAIに教え込むスキルシステム。「/write-blog」とコマンドを叩くと、AIが自動的に文体ガイドや禁止表現リスト、記事テンプレートを読み込み、定められたワークフローに従って執筆を開始する。知識だけでなく「作法」までインストールする試みです。
これらの設計は、AIとの協業における多くの課題を解決する強力なパラダイムだと思います。
ただ、このエレガントなファイルベースのシステムも、企業という、より複雑で動的な知識体系を扱う段階に入ると、本質的な壁にぶつかる。情報の「関係性」が、フォルダ構造やファイル参照といった形でしか暗黙的に表現されていないという問題です。
具体的に考えてみましょう。「Aという部品のサプライヤーはB社である」という情報は、ファイルに書ける。けれど、「B社が供給を停止した場合、A部品の生産に影響が及び、ひいてはC製品の出荷が遅れる可能性がある」といった、ドミノ倒しのような因果関係や依存関係を、ファイルシステムだけで表現し、AIに動的に解釈させるのは極めて困難です。フォルダを跨いだり、複数のファイルを横断したりするような高度な関係性のクエリに対応しようとすると、システムは途端に複雑で脆くなる。
情報の「重み」を動的に扱うことも難しい。ある時点では最優先だったプロジェクトの情報も、半年後には参照頻度が落ちるかもしれません。ベテラン技術者の知見は、新人オペレーターのマニュアルよりも高い信頼性を持つはず。ファイルベースのシステムでは、こうした文脈に応じた情報の価値の変動を、AIが自律的に判断し、検索結果に反映させることが難しいのです。
Koylan氏のシステムが個人の生産性を最大化する「パーソナルOS」として非常に優れていることは間違いありません。しかし、組織全体の知性を統合し、予測不能なビジネスの変化に対応し続ける「エンタープライズOS」を構築するためには、ファイルの壁を超え、よりリッチで、よりダイナミックな構造化された知識の世界へ踏み出す必要がある。私たちはそう考えました。
Zerock Brain OSの心臓部 ── GraphRAGが実現する「思考するナレッジ」
ファイルベースOSが突き当たった構造化の壁。それを打ち破る鍵こそ、私たちが開発するZEROCKの中核技術でもあるGraphRAG（グラフ検索拡張生成）です。
この技術を理解するために、まずその前身である従来のRAGについて簡単に触れておきます。2024年頃までの多くの企業向けAIが採用していたRAGは、主にベクトル検索という技術に依存していました。社内ドキュメントなどの情報を「チャンク」と呼ばれる小さな断片に分割し、それぞれをベクトル（数値の配列）に変換してデータベースに保存しておく。ユーザーからの質問が来ると、AIはその質問もベクトルに変換し、データベース内で最も意味が近いチャンクを探し出して回答を生成する、という流れです。
単純な情報検索においては大きな進歩でした。しかし、ビジネスの現場で求められる複雑な問いに答えるには、深刻な限界があった。
まず、コンテキストの断片化。情報を機械的に分割するため、チャンクの境界で文脈が失われ、「前述の通り」といった指示語が何を指しているのか分からなくなる。次に、関係性の欠如。ベクトル検索はあくまで「意味の近さ」で情報を探すため、「AがBの原因である」といった関係性の種類までは区別できない。結果として、関連性の低い情報を拾ってきたり、複数の情報を跨いだ推論ができずにもっともらしい嘘をつく「ハルシネーション」を頻発させていた。ある調査では、従来のRAGの精度は60-70%程度に留まるとも言われています。
余談ですが、私たちがZEROCKの開発初期に従来型RAGで社内検証を回していた頃、「この回答、7割は合ってるけど3割が致命的に間違ってる」というフィードバックを何度ももらいました。7割正解のAIは、実務では使えない。むしろ、全部間違っているAIよりたちが悪い場合すらある。この経験が、GraphRAGへの舵切りを決定づけました。
GraphRAGは、情報を単なる点の集合として扱うのではなく、「エンティティ」（実体）と「リレーション」（関係）からなるグラフとして捉え直します。
「AさんがB社に所属している」という情報は、Aさんというエンティティとb社というエンティティを、「所属」というリレーションで結びつけたグラフとして表現される。「B社がC製品を開発した」「C製品はD技術を使っている」といった情報も、次々とグラフに追加されていく。こうして、組織内のあらゆる人、モノ、コト、そしてそれらの間の無数の繋がりが、一つの巨大な知識のネットワーク、すなわちナレッジグラフとして可視化されるのです。
このナレッジグラフをAIエージェントが利用すると何が起こるか。
ユーザーが「Aさんが関わった製品で使われている技術について教えて」と質問したとします。従来のRAGなら、Aさんの名前が登場するドキュメントを断片的に探すことしかできなかった。しかしGraphRAGを搭載したAIエージェントは、グラフ上の関係性を次々と飛び移りながら答えにたどり着く。Aさんから所属先のB社へ、B社から開発したC製品へ、C製品から使用技術のDへ。この探索を「マルチホップ推論」と呼びます。人間が連想的に思考を巡らせるプロセスに近く、従来のRAGでは不可能だった、複数の情報を組み合わせた複雑な問いへの正確な応答を可能にする。なぜその答えに至ったのかという思考の道のりがグラフの経路として明確に残るため、AIの回答に対する説明可能性が飛躍的に向上するというメリットもあります。
このGraphRAGこそが、Zerock Brain OSのまさに心臓部。ナレッジグラフによって、組織に散在していた情報は単なるデータの集合から、文脈と関係性を持った生きた知識へと生まれ変わります。静的な保管庫ではなく、AIエージェントが自由に駆け巡り、新たな洞察を発見するための思考の運動場になる。
もう一つ、GraphRAGには見逃せない利点があります。それは「コミュニティ検出」と呼ばれる機能です。ナレッジグラフが一定の規模に成長すると、AIは自動的に、密に繋がり合ったノードの集団、つまりコミュニティを検出します。これは、組織の中に自然発生的に存在する知識のクラスター、たとえば特定の製品ラインに関わる技術群や、ある顧客セグメントに紐づく営業ノウハウ群といったまとまりを、AIが自ら発見するということです。このコミュニティ単位で情報を要約・整理することで、個別の事実を超えた俯瞰的な理解が可能になる。木を見て森も見る。GraphRAGが従来のRAGと決定的に異なるのは、この抽象化の能力にあると私は考えています。
知識に「重み」を与える ── Zerock Brain OSのダイナミック・コンテキスト抽出
GraphRAGによって、AIエージェントは情報の海から関連する事実を構造的に結びつけ、人間のように推論する能力を手に入れました。しかし、真に思考するパートナーとなるには、もう一つの重要なステップが必要です。数多ある情報の中から、特定の状況において「何がより重要か」を判断する能力。知識に重みを与える仕組みです。
あなたが重要な経営判断を下そうとしている時、頭の中にある全ての情報を等しく参照することはないはずです。最新の市場データは1年前の古いレポートより重視する。信頼するアドバイザーからの意見は、匿名のネットニュースより価値が高い。タスクの緊急度や重要度に応じて、意識的にも無意識的にも情報に優先順位をつけ、限られた認知リソースを最適配分している。人間は当たり前にやっていることです。
Zerock Brain OSの設計思想の核心は、この人間特有の重み付けメカニズムを、AIエージェントのコンテキスト生成プロセスに組み込むことにあります。私たちはこの重み付けを、3つの次元で捉えています。
第一の次元は「静的な重み」。情報の属性そのものに紐づく、比較的変化しにくい普遍的な価値尺度です。情報の出所に応じた信頼性スコア。法務部が確認した契約書データには高い信頼性を、社員の個人的なメモには低いスコアを付与する。組織にとっての重要度レベルや、公開情報か社外秘かといった機密性区分もここに含まれます。これにより、AIは常に情報の出自と格を意識し、重要な意思決定の際に不確かな情報へ安易に飛びつくことを防ぐ。
第二の次元は「動的な重み」。利用状況や時間経過とともに変動する価値です。特定の情報へのアクセス頻度や鮮度。AIが取り組んでいるタスクとの関連性。そして何より、ユーザーからの「役に立った」「これは違う」というフィードバック。これらをリアルタイムに反映させることで、AIはユーザーの意図や好みを学習し、使えば使うほど気の利いたパートナーへと成長していきます。
ここが個人的に一番面白いと思っているところなのですが、同じナレッジグラフでも、営業部のAさんが使う時と、技術部のBさんが使う時では、浮かび上がってくる情報の優先順位が変わる。同じ脳なのに、見る角度によって違う景色が見える。人間の脳が状況に応じて記憶の引き出し方を変えるのと、原理的には同じことをやっているわけです。
第三の次元は「関係性の重み」。GraphRAGの特性を最も活かす部分です。個々の情報だけでなく、それらを繋ぐ関係そのものに重みを与える。「AさんがB製品を開発した」という直接的な関係は、「AさんがC製品のレビュー会議に出席した」という間接的な関係よりも強い繋がりを持つ。「原因と結果」のような因果関係は、「同時に発生した」という単なる相関よりも重要な意味を持つ。AIがナレッジグラフを探索する際、この関係性の重みを考慮に入れることで、表面的なノイズに惑わされず、問題の核心に迫ることができるのです。
これら3つの重みが組み合わさることで、Zerock Brain OSはKoylan氏のシステムが抱えていた課題を乗り越えます。人間が事前にモジュールの読み込み順を定義したり、固定的なルールを記述したりする必要はもうない。AIエージェントが、与えられたタスクとナレッジグラフに刻まれた無数の重み付け情報を頼りに、自律的に最適なコンテキストを形成する。経験豊富な専門家が、膨大な知識の中から直感的に「今、話すべきこと」を選び出すような、知的でダイナミックなプロセスです。
Zerock Brain OSの実装 ── 製造業における「匠の知」の継承
理論は、実践の場で価値を証明してこそ意味を持つ。Zerock Brain OSが現実のビジネス、特に日本が世界に誇る製造業の現場でどのような変革をもたらすのか。多くの企業が直面している「技術伝承」という喫緊の課題を例に、具体的な姿を描いてみます。
ある中堅部品メーカーの設計部に、高橋さんという道一筋40年のベテラン技術者がいたとします。彼の頭の中には、過去の製品の設計思想、製造過程で発生したトラブルの解決策、素材ごとの微妙な特性の違いといった、言語化されにくい「匠の知」とも言うべき膨大な経験知が眠っている。しかし、その知識は会社の資産として共有されておらず、彼が退職すれば永遠に失われてしまう。こういう話、製造業に関わる方なら一度は耳にしたことがあるのではないでしょうか。
この会社がZerock Brain OSを導入した世界を想像してみてください。
まず、AIエージェントが社内に散在するあらゆる情報を取り込み、ナレッジグラフを構築します。CADデータ、設計仕様書、過去のトラブル報告書、実験データ、顧客からのフィードバック、そして高橋さんが長年書き溜めてきた個人的な技術メモや日報まで、形式を問わない。GraphRAG技術により、AIはこれらの非構造化データからエンティティとリレーションを自動で抽出し、意味のあるネットワークとして繋ぎ合わせていく。高橋さんの頭の中にあった暗黙知が、構造化されたデジタルデータ、いわば「匠の脳のデジタルツイン」として再現されるのです。
数年後、新人の佐藤さんが設計担当として配属されました。過去に類を見ない複雑な形状の部品設計に挑んでいますが、ある問題に直面し、途方に暮れている。「昔、似たような問題があったと聞いたけど、資料がどこにあるか分からないし、今さら誰に聞けばいいんだろう」。
彼女がZerock Brain OSに「過去のX製品で発生したYという強度問題の解決策を教えて」と問いかけると、AIは瞬時にナレッジグラフを探索します。単に過去の報告書を提示するだけではない。動的な重み付けの仕組みにより、AIは「この問題の核心は、報告書に書かれている公式な対策よりも、当時高橋さんがメモに残した『素材の熱処理温度を5度だけ下げる』という非公式なノウハウにある」ことを見抜く。そして、そのメモと関連データを提示すると同時に、「このアプローチは、現在あなたが設計しているZ部品にも応用できるかもしれません」と次の一手まで示唆するのです。
単なる情報検索ではありません。AIが、まるで経験豊富な先輩のように文脈を読み解き、問題の本質を指摘し、解決の糸口まで示してくれる。匠のAIが誕生した瞬間です。
Zerock Brain OSの真価は、受動的な応答に留まらないところにあります。AIエージェントはナレッジグラフ全体を常に俯瞰し、人間では気づくことのできない新たな繋がりを発見し、自律的に協業を提案する。
佐藤さんとの対話の直後、AIがナレッジグラフ上で新たな関連性を見出したとしましょう。佐藤さんが設計しているZ部品の技術仕様と、購買部が現在進めている新しいサプライヤー候補のリストを照合し、あるサプライヤーが持つ特殊な加工技術がZ部品の課題解決に極めて有効である可能性を発見した。すかさず、AIは佐藤さんと購買部の担当者双方に通知を送ります。「D社が保有するマイクロ波焼結技術は、Z部品の強度問題を解決する上で有効である可能性が高いと判断しました。共同で技術評価ミーティングを設定しませんか」と。
設計部の課題と、購買部の調達活動。これまでサイロ化され、偶然の出会いに頼るしかなかった二つの業務が、AIを介して必然的に結びつく。個人の知識が組織全体の知性へと昇華する「AI駆動型の組織知能」の姿です。
このシナリオは、決して遠い未来の話ではありません。顧客のニーズから製品設計、そして工場の生産ラインまでが一つの巨大なナレッジグラフ上で連携し、超効率化されたAI駆動型工場が実現する。日本の製造業が世界で培ってきた熟練の技術を、再現可能なデータとして未来永劫に継承し、再び世界をリードする。Zeroc Brain OSは、その壮大なビジョンを実現するための確かな一歩だと私たちは考えています。
あなたの会社の「第二の脳」を創造する
Koylan氏が灯した「Personal Brain OS」という希望の光から出発し、その思想を企業という組織の文脈で昇華させた「Zerock Brain OS」。ここまでの道のりを振り返ってみます。
プロンプトの限界からコンテキストエンジニアリングへ。静的なファイルシステムの壁からGraphRAGによる構造化されたナレッジへ。画一的な情報検索から、動的な重み付けによる思考するコンテキストへ。この進化の道のりは、AIを単なる便利な計算機や物知りな検索エンジンとして扱う時代が終わりを告げ、私たちの思考プロセスそのものを拡張する真のパートナーとして迎え入れる時代の幕開けを意味しています。
Zerock Brain OSは、単一の巨大なAIではありません。組織のナレッジグラフという共有された脳の上で、各業務に特化した無数のミニエージェントたちが自律的に思考し、連携し、価値を創造していくための基盤です。営業支援エージェントが顧客との対話ログをナレッジグラフに記録すれば、その情報は即座に製品開発エージェントに共有され、次の製品改善のヒントになる。人事エージェントが新しい研修プログラムを導入すれば、そのスキルセットがナレッジグラフに反映され、最適なプロジェクトチームの編成に役立てられる。組織のあらゆる活動がリアルタイムに「知」として蓄積・結合され、意思決定の速度と精度を飛躍的に向上させていく。
私たちがZEROCKというプロダクトを通じて実現しようとしているのは、まさにこの世界観です。AIスライド作成、AIリサーチ、AIナレッジ、AIメール、AI議事録。これらの機能はそれぞれが独立したツールではなく、一つのナレッジグラフの上で有機的に連携するエージェント群として設計されています。議事録から抽出されたアクションアイテムが次のリサーチタスクのトリガーになり、そのリサーチ結果がスライドに自動で反映される。業務の流れそのものをAIが理解し、先回りして動く仕組みを、私たちは日々磨き続けています。
また、サプライチェーンの安全管理という観点では、ZEROCK ExCHECKがナレッジグラフの力を輸出管理の領域に応用しています。取引先の複雑な資本関係や規制リストとの照合を、AIが構造化された関係性として理解し、わずか5秒で懸念度を判定する。GraphRAGが持つ「関係性を辿る力」は、ビジネスのあらゆる領域で価値を発揮します。
あなたの会社に眠る膨大なデータは、未来を創造するための貴重な資源です。日々の業務で交わされるメール、会議の議事録、蓄積された提案書、そして社員一人ひとりの頭の中にある経験知。それらは決して、ただの記録ではない。構造化され、関係性を与えられ、適切な重み付けを施されることで、AIエージェントが思考するためのかけがえのない文脈となります。
その価値を最大限に引き出し、組織独自の「第二の脳」を構築する。こういったデータをどうまとめ、どう活かしていくか。私たちはその設計と実装を日々積み重ねています。「うちの会社のデータ、どうにかならないかな」という漠然とした課題感でも構いません。ぜひ一度、私たちにご相談ください。AIがあなたの会社の分身となり、共に未来を創造する。そんな新しい協業の形を、一緒にデザインしていきましょう。
執筆者：株式会社TIMEWELL 濱本隆太
参考文献
Muratcan Koylan, "The File System Is the New Database: How I Built a Personal OS for AI Agents"
OrbilonTech, "GraphRAG vs Traditional RAG: Complete Guide" (2026)
Anthropic, "Effective context engineering for AI agents" (2025)
株式会社TIMEWELL, "ZEROCK | 社内情報検索AI" (https://timewell.jp/zerock)