AIに社内の知識をどう渡すかをテーマにしたブログシリーズ（全4回）を公開しました。

資料を増やしても答えが安定しないのは、資料が対象どうしの関係を書いていないからです。本シリーズは、その関係を明示する道具であるオントロジーを、概念から実測、そして業務への落とし込みまで順に扱います。

第1回：オントロジーという考え方 — 5つの構成要素、関係の型、RAGとの使い分け、参考情報と実行基盤の区別
第2回：RDFとOWLで何が決まるのか — トリプル、推論、開放世界仮定と、厳密さをどこで止めるか
第3回：Claude Codeに構造を渡して測ってみた — 24回の実測。効いた問いと効かなかった問い
第4回：業務の知識をオントロジーにする5つの手順 — 多店舗運営を題材にした書き起こしの手順

第3回では、自社サイトのリポジトリ（422ファイル）にナレッジグラフを渡して24回測った結果を、都合の良い数字だけを選ばずに公開しています。探索の回数は23%減りましたが、総コストは7.6%増、所要時間は25%増でした。同時に、複数の仕組みをまたいで順序と依存を答える問いでは3割下がり、grepで終わる問いでは5割上がるという形で、問いの型によって符号が割れることも分かりました。

流通している「グラフを入れればコストが何割減る」という数字は、一次資料まで辿れないものが多くあります。効くかどうかは自社の環境で測れば判断できます。

自社のどの業務から関係を書き出すべきか、その問いが「探す型」か「たどる型」かの切り分けは、無料相談でも承っています。