いまや多くの企業が、同じ数種類の基盤モデルと同じ種類の企業データの上にエージェントを構築しています。そのため、モデルも生データも持続的な優位性を生みません。Oracleのあるエンジニアは、優位性は別の層に移ったと主張します。それが「インテリジェンスプレーン」で、エージェントが何を知り、何を記憶し、何を見ることを許され、時間とともにどう改善していくかを決める層です。この主張には、参照アーキテクチャ、ガバナンスを備えたエージェントが97%の正答率を出したのに対して素朴なエージェントは33%にとどまったベンチマーク比較、そしてチームが今日から取り組める4つの具体的なステップが添えられています。
多くのチームがすでに持っている層
ここ数年でエージェント開発に定着した概念が2つあり、インテリジェンスプレーンはその両方の上に成り立ちます。
1つ目はエージェントメモリです。会話のターン、セッション、エージェントをまたいで情報を保持(retain)、再利用(reuse)、精緻化(refine)、想起(recall)する仕組みで、頭文字を取って「4つのR」と覚えると簡潔です。分類は、単一セッション内に存在する短期記憶(作業用のコンテキストウィンドウと、繰り返しのクエリに対するセマンティックキャッシュ)と、セッションをまたいで持続する長期記憶に分かれます。長期記憶は認知科学の用語を借りており、事実と知識のための意味記憶(エンティティメモリ、ナレッジベース、ペルソナメモリ)、過去の出来事のためのエピソード記憶(会話履歴と要約)、行動の仕方のための手続き記憶(ツールボックスとワークフロー定義)があります。
2つ目はコントロールプレーンです。エージェントに何をさせてよいかを決める集中型のガバナンス層で、エージェントのアイデンティティを検証し、許可する呼び出しを管理し、コンピューティングと費用の支出を監視し、ポリシーとガードレールを保持し、キルスイッチを含むライフサイクル管理を提供し、監査ログを記録します。名前の由来はネットワークで、コントロールプレーンがトラフィックの行き先を決め、データプレーンがパケットを運びます。企業では、リサーチエージェント、トレーディングアシスタント、運用エージェントがすべてこの層を経由して、APIやMCPサーバー(Model Context Protocol、エージェントとツールを接続する標準)といった外部ツール、大小の言語モデル、企業のテーブルや文書にアクセスします。
関連する考え方にソフトウェアファクトリーがあります。エージェントがソフトウェアを計画、構築、テストする生産ラインで、各エージェントが固有のツール、メモリ、検証チェックを持ってタスクを担当し、人間のエンジニアは作業キューを設定して、本番に届く前のレビューゲートで承認します。この用語は1968年にさかのぼり、General Electricのボブ・ビーマーがプログラミングを測定可能で再現可能な製造プロセスに変えることを提案しました。ここでの主張は、マルチエージェントの自動化によってそのビジョンがようやく実用的になったというものです。
これらはすべて「エージェントは行動を許されているか」という1つの問いに答えるものです。しかし「エージェントは本当にビジネスを理解しているか」という別の問いには、どれも答えていません。
1942年の教訓:同じ通信文、異なる結論

▲ ミッドウェー推定を支えた蓄積されたコンテキスト
コントロールとインテリジェンスを切り分けるために、海軍史の例を考えてみましょう。1942年5月、米国の暗号解読者たちは大日本帝国海軍の通信を傍受し、次の主要な攻撃目標を突き止めようとしていました。同じ傍受文を2つのチームが分析しました。ワシントンD.C.のOP-20-Gと、真珠湾のステーションHYPOです。
ステーションHYPOは地下室で作業しており、分析官たちは何か月もかけて、断片的な手書きの通信記録を紙に積み上げていました。この蓄積されたコンテキストのおかげで、繰り返し現れる符号「AF」をミッドウェー島に結びつけることができました。確認のため、ミッドウェーの要員に海水淡水化装置が故障したと平文の無線で報告させました。ほどなくして傍受した日本側の通信が「AF」は真水が不足していると報じました。ステーションHYPOは6月4日のミッドウェー攻撃を予測し、ニミッツ提督はそれに合わせて米空母を配置しました。一方、より中央集権的で官僚的なプロセスで動いていたワシントンは、目標は南太平洋かアリューシャン列島か米国西海岸のどこかで、時期は6月中旬だと結論づけました。
AIへの類推は直接的です。両チームの入力は同じでした。違いは、一方のチームが組織の知識を時間をかけてどう構造化し、保持し、検証してきたかにあります。同じモデルと同じデータにアクセスできても組織が賢くなるわけではなく、生の情報はインテリジェンスではありません。
インテリジェンスプレーンが加えるもの
エージェントスタックを9つの層として思い描いてください。インフラ、メモリコア、セキュリティとガバナンス、ツーリング、メモリマネージャー、推論、オーケストレーション、ゲートウェイ、アプリケーションです。コントロールプレーンは、ガバナンス、オーケストレーション、ツーリングの各層を水平に横切ります。インテリジェンスプレーンは9層すべてを垂直に貫き、次の4つを司ります。
- 知識:ドメインのセマンティクス。たとえば銀行業務で「カウンターパーティ」には親会社と法的な子会社の両方が含まれるというルールです。
- メモリ:過去のやり取り。たとえば先週アナリストが行った修正を覚えておき、同じ間違いを繰り返さないようにします。
- ガバナンスされたアクセス:データの境界。たとえばデスクAのアナリストはデスクAのポジションを見られても、デスクBのポジションは決して見られません。
- 継続学習:ガバナンスされた人間のフィードバックに基づく、検索リランカーなどのコンポーネントの改善です。
ゲートウェイ層では、インテリジェンスプレーンがエンドユーザーのアイデンティティをデータ権限に結びつけます。オーケストレーション層では、ガバナンスされたコンテキスト組み立てになります。この論旨は3つの等式に要約されます。エージェントはモデルとハーネスの和、コントロールはガバナンスとセキュリティの和、そしてインテリジェンスはコントロールに知識、メモリ、学習を掛け合わせたものです。コントロールがゼロでは企業への導入は成り立ちませんが、インテリジェンスのないコントロールからは、安全ではあっても自社固有のビジネスロジックをまったく知らないエージェントしか生まれません。
この考え方がまったく新しいとは主張されていません。2003年にクラーク、パートリッジ、ラミング、ヴロクラウスキーがSIGCOMMで、管理、コントロール、データの各プレーンとは別の、インターネットのためのナレッジプレーンを提案し、2017年のACM SIGCOMM CCR論文がそれをKnowledge-Defined Networkingとして拡張しました。この枠組みでは、エージェント開発は4つの段階を経てきました。2023年のプロンプトエンジニアリング、2024年の検索とコンテキストエンジニアリング、2025年のコントロールプレーンとガバナンス、そして現在の、知り、記憶し、学ぶエージェントです。
パイプラインの各ステップで学習済みの判断を
2つ目の変化がインテリジェンスプレーンを実用的にします。オープンウェイトモデルがフロンティアモデルに遅れをとるのはいまや3~6か月にすぎず、テキスト生成ではなく構造化されたシステムレベルの実行のために作られた、機械向けの意思決定モデルという新しいクラスが登場しています。挙げられた例の1つであるJevという意思決定モデルは、型付きの決定を70~100ミリ秒で返し、汎用のフロンティアモデルより20~100倍速いと説明されています。
従来の検索パイプラインが学習済みモデルを使うのは10ステップのうち2つだけで、ルーティング、入力検証、キャッシュ、ガードレールは静的なルールが担っていました。現代のパイプラインは10ステップすべてで学習済みモデルを使えます。ルーターモデル、入力ガード分類器、セマンティックキャッシュ検証器、埋め込みモデルとリランカー、クエリプランナー、推論用LLM、意思決定モデル、メモリマネージャー、出力チェックの判定器、そしてデータベース内推論です。そうなれば、すべてのモジュールが企業のコンテキストを理解し、同じアイデンティティと権限のセマンティクスを適用します。
ガバナンスあり対なし:1回のベンチマーク実行

▲ 素朴な設計とガバナンスありのコンテキストの流れ
実際の効果は、企業向けベンチマークプラットフォームのFieldbooksでの比較に表れています。2つのエージェントが、Acmeグループに対するネットエクスポージャーという同じ複雑なポートフォリオリスクの質問に答えました。インテリジェンスプレーンに支えられた「ガバナンスありアナリスト」と、それを持たない「素朴なアナリスト」です。以下の数値は、この1回の評価実行から得られたものです。
| 指標 | ガバナンスありアナリスト | 素朴なアナリスト |
|---|---|---|
| 正解(ゴールデンアンサー)との一致率 | 97% | 33% |
| 総トークン数 | 32,999 | 234,267 |
| 推論コスト | $0.0362 | $0.4567 |
| クエリあたり平均レイテンシ | 10.6秒 | 42.8秒 |
| コンテキストサイズ | 3,425トークン | 18,277トークン |
| キャッシュヒット | 完全一致4件、セマンティック5件(29ターン中) | 該当なし |
ガバナンスありエージェントのセマンティック層とオントロジー層は、信用の親子構造やデスクNAVといった指標を正しく解決しました。キーワード型の検索に頼る素朴なエージェントは、信用指標をゴールデン定義に対して5.42%誤って計算しました。規制の厳しい環境では、5%の誤差は「おおむね正しい」ではなく「許容できない」と扱われます。トークンとレイテンシの節約の多くは、精密なセマンティック事前フィルタリングと完全一致キャッシュで説明できます。オントロジーとセマンティック層によって、複雑なタスクでトークン使用量を80%超削減しながら精度を高められる、というのが主張です。注意点が1つあります。これらの数値は、比較のために新たに生成したクエリではなく、事前にキャッシュされたベンチマーク実行から得られたものです。
チームが今すぐできる4つのこと
このアーキテクチャは、すぐに取り組める4つのステップに落とし込めます。
- メモリを第一級のガバナンス対象データとして扱う。外部のブラックボックスのサイロではなく、元になった業務レコードと同じデータベースに、同じコンプライアンス、保持、ガバナンスのルールの下で保存します。
- エージェントに推測を強いる前に、ビジネスのエンティティ、指標、オントロジーを明示的に定義する。
- エンタイトルメントとロールベースの権限をデータベース層に押し下げ、検索とメモリのキャッシュがアクセスルールをそのまま継承するようにする。
- 粒度の細かい実行トレースを今日から収集する。ユーザーとのやり取り、タスクの順序、人間による修正は、明日のファインチューニング用データセットになります。
よく見られる失敗パターンとして挙げられているのがエージェントのアイデンティティです。エンドユーザーのアイデンティティをそのままデータベースに伝播させる代わりに、ばらばらのサードパーティのアイデンティティプロバイダーをつなぎ合わせてしまうことです。
Oracleはツール群をプレーンにどう対応づけているか
Oracleはインテリジェンスプレーンをコントロールプレーンとデータプレーンの上に置き、5つの柱にわたってツールを提供しています。
エージェントメモリとコンテキストカード
pipでインストールできるPythonパッケージoracleagentmemoryは、メモリエンジニアリングを3つのプリミティブに絞り込みます。ユーザーとエージェント、メモリ、スレッドです。ツール呼び出しや修正を含む長いマルチターンの履歴を、トピック、要約、関連情報、関連メッセージのセクションを持つ構造化された「コンテキストカード」に凝縮し、プロンプトに注入します。長期的な会話記憶を試すLongMemEvalベンチマークでは、推論努力を高に設定したGPT-5と組み合わせた場合に、500問中472問(94.4%)に正答しました。
メモリのトレースは学習データとしても機能します。ワークフローのトレースは、マルチステップのワークフローを一度に実行する小型の計画・ツール呼び出しモデルを学習させます。メモリユニットは、新しいコンテキストを保持するか、忘れるか、機密としてフラグを立てるかをミリ秒単位で分類する意思決定モデルを学習させます。修正はリランカーと回答モデルをファインチューニングし、エンティティメモリは抽出モデルを学習させます。
Deep Data Security
Deep Data Securityは、アプリケーションコードでフィルタリングするのではなく、データベースにアクセス制御を強制させます。ユーザーがエージェントにプロンプトを送ると、そのOAuth2トークンがエージェントハーネスを通ってデータベースまで届きます。SQL実行中にOracle AI Databaseがクエリを書き換え、行、列、セルの各レベルのポリシーを評価し、権限のないレコードを検索前に除外し、監査可能なチェックを記録します。デスクAのみ許可されたアナリストにはデスクBの行とマージン列が取り除かれた状態で見え、両方のデスクを許可された同僚にはすべてが見えます。メモリが同じデータベースに同じセキュリティコンテキストの下で存在するため、想起されたコンテキストカードもまったく同じ権限に従います。
プライベート推論
規制産業向けには、Private AI Services Containerがオンプレミスまたはエアギャップ環境で動作し、CPUまたはGPU上でvLLMかllama.cppによるLLM推論、埋め込み、リランキング、テキスト分類を、OpenAI互換のRESTエンドポイントの背後にまとめて提供します。Oracle AI Databaseは、DBMS_VECTOR_CHAINやUTL_TO_GENERATE_TEXTといった関数を通じて、これらのモデルをSQLから直接呼び出せます。マネージドインフラを好むチームは、専用クラスター上のGrokやOpenAIのモデルを含め、ファインチューニングとホスティングにOCI Generative AIを使えます。
Memoriazによる継続学習
オープンソースの継続学習システムMemoriazは、小型のオープンソースモデルにメモリプレーンの管理を教えます。そのダッシュボードは、メモリルーティング、メモリ埋め込み、メモリリランキングという3つのファインチューニング済みコンポーネントを追跡します。会話トレースログでファインチューニングしたQwenモデルは、民生用のApple silicon上で、入ってくるコンテキストを会話メモリかワークフローメモリにミリ秒単位で振り分けます。ダッシュボードには、比較値83.3%に対して85.6%のルーティング精度と、98.2%のリランキング精度が、デプロイの可否判断に使う損失曲線やエポックごとの精度とともに表示されていました。得られるのは、構造化されていないコンテキストを毎回フロンティアモデルに送るよりも低いレイテンシとコストです。
継続学習は3つの階層にまたがります。真理空間(データベース内のメモリエンジニアリング)、潜在空間(KV状態のプロンプトキャッシュ)、重み空間(LoRAまたはQLoRAによるファインチューニング)です。トレースは分類によってフィルタリングされ、ファインチューニングされ、ゲートとなるベンチマークで評価され、ONNXランタイムを通じてデータベースにデプロイし戻されます。
Private Agent Factoryとスキーマエンリッチメント
Private Agent Factoryは、入力、プロンプト、モデル、出力のブロックをつないでガバナンスされたエージェントを作るノーコードのキャンバスを提供します。AIスキーマエンリッチメントはテーブルを検査し、列の説明とセマンティックな注釈をメタデータに書き込むため、モデルがPARK_CODEのような列の意味を推測する必要がなくなります。Oracle AI Databaseは、リレーショナルテーブル上のSQLプロパティグラフとRDFナレッジグラフを組み合わせて親子会社のLEI所有構造をモデル化し、ガバナンスされたセマンティック層がネットエクスポージャーなどの定義を固定して、すべてのエージェントが同じ方法で計算するようにします。挙げられているリスクは具体的です。金融では、根拠のない計算ミス1つで企業が$1億規模の規制上の罰金にさらされかねません。
実務者にとっての意味
中心的な主張は、モデルとデータがコモディティ化した今、差別化要因はエージェントが何を知り、記憶し、見て、学ぶかを決める層であり、オーケストレーションとツールのガードレールだけに注力しているチームはそこを見落としている、というものです。ベンチマークの数値は1つのプラットフォーム上の1回の実行から得られたものなので、保証ではなく例示として受け止めてください。一方、設計上の指針はベンダーを問わず当てはまります。メモリはガバナンスされたデータベースの中に置き、オントロジーと指標の定義を文書化し、エンタイトルメントはアプリケーションコードではなくSQLで強制し、後で特化型の小型モデルがルーティング、リランキング、計画を引き継げるように、実行トレースの記録を今から始めることです。この見方では、メモリとオントロジーの層を自ら持つことが堀であり、ブラックボックスから借りることがリスクです。


