Prometheuxとは?|答えに根拠の筋道を残す

Prometheuxとは?|答えに根拠の筋道を残す

「生成AIに『根拠も一緒に書いて』と頼めば、答えの筋道は説明できるはず」「社内データをAIエージェントにつなぐなら、検索で関連資料を渡すだけで十分では」——社内データとAIエージェントをつなぐ検討の場で、よく出てくる受け止め方です。けれども、生成AIが後から書く「根拠らしい説明」と、規則に沿って答えを導いた筋道そのものは別物です。この記事では、社内データを概念と規則のまとまり(オントロジー)として持ち、規則で推論した答えを根拠つきでエージェントに返す基盤 Prometheux を、公式サイトと公式ドキュメントで確かめながら、生成AIだけで組む方法や自前で規則を書く方法と比べ、社内に入れてよいかを決めるための論点を整理します。


カメ先生カメ先生

AIに根拠を書かせれば説明できる、と思われがちなんだ。でも生成AIの説明は、答えを出した後で筋の通りそうな文を作っているだけのことがある。本当に答えを導いた手順が残っているとは限らないんだよ。


カメ子カメ子

説明の文章があることと、答えの出し方を後から確かめられることは違う、ということですか。


カメ先生カメ先生

そう。Prometheux は、会社の決まりごとを規則として書いておき、その規則でデータから答えを導いて、どの事実とどの規則を通ったかをそのまま返す作りなんだ。そのぶん、規則を誰が書いて誰が認めるかが一番の論点になる。


カメ子カメ子

答えの正しさを決めるのが、AIから規則を書く人に移るわけですね。


この記事のポイント
  • Prometheux は社内データを概念と規則のまとまりとして持ち、規則で推論した答えを、導いた筋道つきでAIエージェントや業務アプリに返す基盤。公式は「同じ入力には同じ答え」と説明している
  • ただし言語モデルを呼ぶ概念や、文書を意味で探す概念は決定的ではないと公式自身が明記している。どこまでが規則で、どこからが生成AIかを線引きしてから使う
  • 規則の下書きはAIアシスタントが作れるが、承認は人が持つ。MCPで渡す道具の範囲、言語モデルの提供元、配置先、小さな提供元に頼るときのやめ方を先に決める

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

目次

Prometheuxとは:社内データを「規則で推論する層」にする基盤

Prometheux は、社内のデータベースやデータの倉庫、ファイルにあるデータをその場に置いたまま、上に「概念と規則の層」をかぶせる基盤です。公式ドキュメントでは、オントロジーを単なる説明書きではなく実行できる模型として扱うと説明しています。対象と関係、意味と制約、問い合わせと処理の論理をひとまとめに定義し、同じ定義を分析にも業務アプリにもAIにも使い回す、という考え方です。

規則を書く中心の言語は、論理プログラミングの系統に属する Vadalog です。たとえば「ある会社が別の会社の株を過半持っていれば支配している」「支配している会社が支配している先も間接的に支配している」と書いておくと、何段階もたどった間接支配の関係を導けます。こうした関係を、グラフ専用のデータベースを別に立てずに、既存の表のまま図のようにたどれることを公式は強みとしています。SQL や Python で書いた処理も同じ層に並べられます。

会社紹介のページでは、神経記号AI(規則による推論と機械学習を組み合わせる研究分野)の学術研究を土台にしていると説明し、研究論文の一覧にはオックスフォード大学の論文なども掲げています。公式サイトでは金融、製薬、製造、通信などの事例を紹介しており、イタリアの銀行の与信リスクの説明で処理を17分から5秒にしたという事例も掲載しています(いずれも提供元の公表です)。

2026年の動き:エージェントにつなぐ窓口の整備

ここ1年の動きで目立つのは、AIエージェントから使うための窓口の整備です。公式のMCPサーバーは公式GitHubで2025年11月25日に公開され、公式のパッケージ配布サイトでは2026年1月14日に最初の版、2026年10月1日に版 0.1.13 が出ています。Python の開発キットも2026年10月中旬から下旬にかけて版を重ね、10月21日に 0.4.12 が出ました。手元の端末で動かすローカル型、提供元が運用するリモート型、Snowflake のネイティブアプリに組み込まれた型の三つが用意されています。

つなげる相手として公式ドキュメントが挙げているのは、Claude(デスクトップ版とウェブ版)、Claude Code、Cursor、ChatGPT、Databricks の Genie、Snowflake のエージェント機能などです。公式トップの画面例では、Claude Code から「制裁対象の会社に支配されている取引先はどれか」と尋ね、Prometheux の規則で答えを返す流れを見せています。汎用のAIエージェントが、会社の決まりごとを自分で推測せず、規則の層に問い合わせて答えを受け取るという使い方が、いま提供元が前面に出している姿です。

小さな提供元の製品は、更新が止まっていないかを最初に確かめる必要があります。公式トップや会社紹介に事業停止や他社との合流の告知はなく、ドキュメントの更新とパッケージの改版も続いています。ただし、従業員数や調達額、国内の販売代理店については、公式サイトで確認できる情報はありませんでした。

「生成AIに根拠を言わせれば足りる」という誤解

生成AIに社内文書を渡して答えさせ、「根拠も示して」と頼む使い方は広く行われています。資料の該当箇所を引用させることはできますが、複数の決まりを組み合わせて結論を出すような問いでは、生成AIは答えの筋道を毎回同じようにたどる保証がありません。言い回しを少し変えると結論が変わることもあり、示された根拠が本当に結論を支えているかは、人が読み直さないと分かりません。

Prometheux が前に出しているのは、この部分を規則の推論に任せるという考え方です。規則で導いた事実には、どの元の事実とどの規則を通ったかの記録が残り、構造化データとしても文章としても取り出せると公式ドキュメントは説明しています。説明文を言語モデルで読みやすく整えることもできますが、説明の中身は推論の記録から来ており、言語モデルが筋道を創作するわけではない、という分担です。

この違いが効いてくるのは、答えの理由を後から問われる業務です。与信の判断、取引先の支配関係の確認、規程に照らした適否の判定など、監査や顧客への説明が要る場面では「なぜその答えになったか」を同じ形で再現できることが重要になります。逆に、文章の要約や下書きのように、毎回少し違っても困らない仕事なら、規則の層を作る手間は見合いません。

「同じ入力には同じ答え」が成り立つ範囲と、成り立たない範囲

公式は「同じ入力には毎回同じ答え」をうたっていますが、ドキュメントを読むと、その範囲ははっきり区切られています。Vadalog、SQL、Python などで書いた実行型の概念は決定的で、同じ入力なら同じ出力になるため、結果を再利用できると説明しています。一方で、言語モデルを呼び出す概念は決定的ではないと公式自身が明記しており、再実行で答えが変わりうるとしています。

同じく、社内の文書やメモを意味で探して取り込む概念も、動的な設定にすると探す先の中身が日々変わるため、同じ結果になるとは限りません。つまり、規則の層の中にも生成AIの部分を混ぜられる作りになっており、どこまでが決定的かは、組んだ人が線を引かないと分からなくなります。

公式ドキュメントは言語モデルの概念について、出力を言語モデルが生成したものとして扱い、重大な判断は自分たちが管理する規則の側に置くようにと注意しています。社内で使うときは、この注意をそのまま運用の決まりにするのがよいでしょう。たとえば「取引の可否を決める概念には言語モデルの概念を混ぜない」「説明文の清書にだけ言語モデルを使う」と、概念の種類ごとに使ってよい場面を書いておきます。

三つの選び方を比べる

社内データにAIエージェントをつないで、筋道の説明できる答えを返したいとき、選び方は大きく三つあります。生成AIに資料を探して渡す方法、自前で規則を SQL などに書いて道具としてエージェントに渡す方法、そして Prometheux のような規則の層を入れる方法です。どれが正しいかではなく、答えの理由をどこまで再現できる必要があるかで選びます。

観点生成AIに資料を渡す自前で規則を書くPrometheux
答えの決まり方言語モデルが毎回判断する書いた処理のとおり規則の推論(言語モデルの概念を除く)
筋道の記録引用はできるが推論の記録はない自分で記録を作る必要がある導出の記録を取り出せる
何段もたどる関係取りこぼしやすい書けるが処理が長くなりやすい再帰的な規則で表せる
規則の書き手不要(その代わり再現性が低い)データ技術者業務担当と技術者(AIが下書き)
始めやすさすぐ試せる既存の技術でできる新しい言語と概念の設計が要る
提供元への依存言語モデルの提供元小さい小さな提供元の基盤に乗る

表のとおり、Prometheux の利点は筋道の記録と、何段もたどる関係を短い規則で書けることにあります。その代わり、新しい言語と、概念をどう切るかという設計の手間を引き受けることになります。規則がまだ社内で言葉になっていない会社では、基盤を入れても書くべき規則がないという状態になりやすい点は、比べる前に知っておきたいところです。

Prometheuxを選ぶ理由が立つ会社、立たない会社

選ぶ理由が立つのは、答えの理由を外部に説明する義務がある業務を持ち、しかもその判断の決まりが文書や担当者の頭の中にすでにある会社です。金融機関の与信や取引先審査、製薬の規制対応、製造の多段の調達網の把握など、関係を何段もたどる問いが多い業務は、公式が事例として挙げている領域とも重なります。配置先を自社設備に限りたい規制業種にとっても、自社内に置ける選択肢があることは判断材料になります。

反対に、選ぶ理由が立ちにくいのは次のような会社です。

  • 答えに説明責任がなく、社内の問い合わせ対応や資料の要約が主な用途になっている
  • 判断の決まりが担当者ごとにばらばらで、規則として書き出せる人がいない
  • データ基盤の担当がおらず、新しい言語での規則の保守を引き受けられない
  • 国内の販売代理店や日本語での支援を前提にしている(公式サイトでは確認できなかった)

後ろの二つは、製品の良し悪しではなく体制の問題です。規則の層は、作った後に業務の変化に合わせて直し続ける仕事が残ります。入れる前に、その保守を誰の仕事にするかが決まらなければ、検討を先送りにするほうが無難です。

規則を誰が書き、誰が承認するか

Prometheux には自然言語で頼むと概念や規則を作るAIアシスタントが付いています。公式ドキュメントによると、アシスタントは Vadalog の規則を書いて保存し、実行し、失敗すれば自分で直して再実行し、壊す操作の前には確認を求めます。公式トップでは、このアシスタントについて「モデルと規則を作り、関係の候補も示す。確認するのはあなた」と書いています。

ここで大事なのは、規則の文法が正しく動くことと、規則が会社の決まりを正しく表していることは別だという点です。アシスタントが書いた規則がエラーなく動いても、「過半の株」を「半分以上」と書いていれば、境目の会社の扱いが変わります。だから規則には、技術の確認と業務の承認の二段を置きます。技術者が動作と性能を確かめ、その規則の持ち主である業務部門の責任者が、元になった規程と照らして承認する形です。

承認を形だけにしないためには、規則ごとに「元になった規程の箇所」「持ち主の部署」「承認した日と人」を記録しておくことです。公式の開発用の道具には、作業の内容をファイルで管理し、反映前に差分を確かめてから適用する仕組みもあるため、規則の変更を社内のレビューの流れに乗せやすくなっています。規則と並んで管理したいのが、AIアシスタントが読む「前提知識のメモ」です。公式ドキュメントでは、チームの合意した用語の定義や方針の文書をメモとして基盤に置き、規則や言語モデルの概念から参照できるとしています。開発用の道具では、このメモを社内のファイル置き場で管理し、同じ内容なら何度反映しても結果が変わらない形で同期できると説明しています。メモの書き換えもエージェントの答えを変えるため、規則と同じく持ち主と承認を決めておきます。少なくとも、エージェントが会話の中で作った規則をそのまま本番の判断に使う運用は避けます。

根拠説明を誰が確かめるか

規則の推論が返す根拠説明は、「この事実とこの規則から、この結論が出た」という連鎖です。公式ドキュメントの例では、導いた事実ごとに元の事実をさかのぼる入れ子の記録と、それを文章にした説明が出力されます。概念ごとに説明の言い回しを定義しておけば、業務の言葉で読める説明になります。

ただし、筋道が正しく記録されていても、元の事実が間違っていれば結論も間違います。株主の表が古ければ支配関係の判定は古いままですし、取引先の名寄せがずれていれば別の会社の事実をたどってしまいます。根拠説明を確かめる人の仕事は、推論の筋を追うことより、筋の入口にある元データの鮮度と出どころを確かめることにあります。

運用では、根拠説明を読む人を役割で分けておくと回ります。日々の答えは業務担当が根拠説明の入口のデータだけ確かめ、例外的な結論や、顧客・監督官庁に出す答えは規則の持ち主が筋道全体を読む、という二段です。AIエージェントが返した答えを人に渡すときは、根拠説明を省かずに添える決まりにしておくと、後から追えなくなる事故を防げます。

エージェントに渡す範囲:MCPの道具を四つに分けて考える

公式のMCPサーバーの説明では、エージェントに渡す道具を四つに分けています。既存の状態を読むだけの道具、外部や言語モデルの力を借りて答えを導くが何も保存しない道具、状態を作ったり更新したりする書き込みの道具、そして上書きや削除をする壊す道具です。道具ごとに読むだけか、壊す操作かといった目印が付いており、対応するエージェント側で書き込み前に警告を出せるとしています。

注意したいのは、道具の一覧はMCPサーバーではなく提供元の基盤側が持っていて、新しい道具は版の更新なしに増えると明記されている点です。最初に確かめた道具の一覧が、半年後も同じとは限りません。概念を実行する道具も、結果を保存する設定が既定で有効になっており、読むだけのつもりでも書き込みが起きます。

社内で使うなら、最初は読むだけの道具に絞り、エージェント側の設定で書き込みと壊す道具を使わせない形から始めます。規則を作る、消すといった操作は、エージェントではなく前の節の承認の流れを通した人の作業として残します。道具の一覧は定期的に取り出して、前回との差を見る担当を決めておきます。

誰の権限で動くか:利用者本人の資格とトークンの管理

公式トップは、エージェントが利用者本人のアクセス権限で動くこと、利用者ごとに保存領域が分かれていることを明記しています。リモート型のMCPサーバーでは、利用者がブラウザで提供元のログイン画面を開き、利用者名・組織・トークンを入れて認可する方式で、資格情報がAIの側に渡らないと説明しています。

一方、ローカル型は端末ごとに入れる形で、設定ファイルに提供元の基盤の住所、トークン、利用者名、組織を書いて動かします。手軽ですが、トークンが端末の設定ファイルに平文で置かれることになります。社員が自分の端末で好きにつなぐ形を許すと、誰がどの端末からつないでいるかを情シスが把握できなくなります。

三つ目の Snowflake のネイティブアプリに組み込まれた型は、アプリの起動時に自動で登録され、公式の説明では外部への通信や別の鍵を使わず、Snowflake 側の役割による権限管理で守られるとしています。すでに Snowflake の役割と権限を整えている会社なら、接続の管理を既存の仕組みに寄せられる点で、端末ごとのローカル型より統制しやすい選択肢です。ただし、接続の一覧画面には出てこず、問い合わせの文で参照する形だと公式は書いているため、どのエージェントが使っているかを別に記録しておく必要があります。

  • ローカル型を使う端末と利用者を台帳で管理し、退職・異動の手続きにトークンの無効化を入れる
  • 共有の仕組みで概念を他の利用者に渡す場合、閲覧者か編集者かの役割を決めて付ける
  • 本人の権限で動くということは、権限の広い人のエージェントほど多くを読めるということ。管理者の資格で日常の問い合わせをさせない

何が社外に出るか:配置先と言語モデルの提供元

データの流れは、配置先と言語モデルの設定の二つで決まります。配置先は、提供元が運用するクラウド、自社のクラウドの契約の中、Snowflake や Databricks の中で動くネイティブアプリ、自社設備の四通りが示されています。自社設備では閉じたネットワークへの導入にも対応するとしつつ、事前に提供元へ相談するよう勧めています。公式トップでは、SOC 2 の第二類型の監査を受けており報告書は求めに応じて共有すると書いています。

見落としやすいのが言語モデルです。公式の設定ドキュメントによると、説明文の清書、規則の翻訳、文書からの抽出などに言語モデルを使い、既定では言語モデルは設定されておらず、利用者が提供元とキーを設定して有効にする形です。設定例では OpenAI が挙げられています。言語モデルを有効にすれば、概念に差し込んだ表の行や文書の中身がその提供元に送られます。

公式は、言語モデルの概念に送る行数に上限を設け、どこまで送ったかを実行後に報告し、データの中に紛れ込んだ指示を命令として扱わない工夫をしていると説明しています。ただしこれも「完全な防御ではなく軽減策」と書いています。配置先を自社内にしても、言語モデルの提供元が社外なら、その部分だけはデータが外に出るという整理を、情シスと業務部門で共有しておくことが大切です。

費用の増え方:言語モデルの呼び出しと計算資源

料金は公式サイトで一覧が公開されておらず、問い合わせや個別の契約で決まる形です。そのため金額ではなく、何に連動して費用が増えるかを先に押さえます。公式は「論理には払わず、言葉にだけ払う」という言い方で、言語モデルに任せていた論理の部分を規則の推論に置き換えることで、言語モデルの費用を抑えられると訴えています。

実際に増えるのは、第一に言語モデルの呼び出しです。言語モデルの概念を多用すれば、自社で契約する言語モデルの費用がその分かかります。基盤の側には利用者ごとの言語モデルと意味検索の利用上限があり、残量を確かめる手段も用意されています。第二に計算資源で、Databricks のクラスターや Snowflake の計算資源の上で推論を動かす配置なら、その分の費用はそれぞれの基盤の請求に乗ります。

エージェントから規則を何度も実行させる使い方では、結果を保存する設定や再実行の設定によって計算量が変わります。試行の段階で、問い合わせ1回あたりにどれだけ計算が走るかを測っておかないと、本番でエージェントの利用者が増えたときに費用の見通しが立ちません。

小さな提供元に頼るときの止め方・やめ方

Prometheux は大手のデータ基盤の会社ではなく、共同創業者2名を掲げる比較的小さな提供元です。小さな提供元の製品を入れるときは、相手の事業が変わっても困らない形で使うことが前提になります。その点で、データを元の場所に置いたまま使う作りは有利で、基盤をやめてもデータそのものは手元に残ります。

残るかどうかを確かめたいのは、作った規則と概念のほうです。公式ドキュメントでは、オントロジーやワークスペース全体を持ち運べるファイルとして書き出して取り込み直せること、変更前の状態を保存して戻せることが説明されています。規則は Vadalog という独自の言語で書かれるため、他の製品にそのまま移せるわけではありませんが、規則の意味を業務の言葉で書いた控えを社内に持っておけば、別の方法で作り直すときの設計書になります。

止め方も決めておきます。エージェントからの接続はMCPの設定を外せば止まり、リモート型ならトークンの無効化で止まります。MCPサーバー自体は BSD 3条項のライセンスで公開されていますが、提供元の基盤がなければ動かない作りなので、公開されているのは窓口だけだと理解しておきます。

社内で試す手順

いきなり全社のデータをつなぐのではなく、説明責任のある問いを一つ選んで試すのが現実的です。次の流れで進めると、規則の層が自社で回るかどうかを早めに判断できます。

STEP1
答えの理由を問われる問いを一つ選ぶ

取引先の支配関係、与信の基準、規程の適否など、理由を説明する必要があり、決まりが文書になっている問いを選びます。

STEP2
規則を業務の言葉で書き出す

AIアシスタントに頼む前に、規則の持ち主が決まりを箇条書きにします。これが承認の基準になります。

STEP3
読むだけの道具でエージェントにつなぐ

書き込みと壊す道具は使わせず、言語モデルの概念も混ぜない状態で、規則の推論だけを試します。

STEP4
根拠説明を人が読み、元データの誤りを探す

答えと根拠説明を業務担当が読み、入口のデータの鮮度と名寄せのずれを洗い出します。

STEP5
費用・保守・やめ方を見積もって判断する

計算量、言語モデルの費用、規則の保守の担当、書き出しの手順を確かめてから、範囲を広げるかを決めます。

試行で一番見えてくるのは、製品の性能よりも、自社の決まりがどれだけ曖昧だったかです。規則に書けない部分が多ければ、先に業務の決まりを整えるほうが近道になります。

よくある質問

グラフ専用のデータベースは必要ですか

公式は、既存の表をそのままグラフとしてたどれるため、グラフ専用のデータベースを別に用意する必要はないと説明しています。すでに専用のデータベースを持っている場合も、データの供給元の一つとしてつなぐ形になります。

生成AIを使わずに使えますか

使えます。公式の設定では、言語モデルは既定で設定されていません。規則の推論と根拠説明は言語モデルなしで動き、説明文の清書やAIアシスタント、言語モデルの概念などを使う場合にだけ、提供元とキーを設定します。社外にデータを出したくない業務では、この状態から始めるのが安全です。

ナレッジグラフを作る製品とどう違いますか

文書から関係を抜き出して図にする製品は、主に「何がどうつながっているか」を持つことに力点があります。Prometheux は、そのつながりに規則を重ねて新しい事実を導き、その筋道を返すことに力点があります。関係で持つこと自体の意義は、関係データの設計を扱う別の記事で触れているとおりで、この製品を選ぶかどうかは、推論と根拠の記録が要るかどうかで決まります。

日本語のデータを扱えますか

公式ドキュメントに日本語対応の明示は見当たりませんでした。表のデータとして扱う範囲では文字の種類に依存しにくいと考えられますが、AIアシスタントの日本語での指示や、説明文を日本語で出す設定は、試行の段階で必ず確かめてください。

まとめ

Prometheux は、社内データに概念と規則の層をかぶせ、規則で推論した答えを、導いた筋道つきでAIエージェントに返す基盤です。生成AIに根拠を書かせる方法と違い、答えの出し方そのものを後から再現できる点に価値があります。ただし、言語モデルを使う概念は決定的でないと公式自身が明記しており、どこまでを規則に任せるかの線引きは使う側の仕事です。社内に入れるかどうかは、説明責任のある問いがあるか、規則を書いて承認する人がいるか、MCPで渡す道具を読むだけに絞れるか、言語モデルの提供元を含めてデータの流れを説明できるか、小さな提供元をやめるときに規則を持ち出せるか、の五点で判断します。AIには規則の下書きと説明の清書までを任せ、規則の承認と、根拠の入口にあるデータの確認は人が持つ。この分担を先に決めてから、問い一つの試行で始めるのが堅実です。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

運営会社:株式会社デボノ

目次