Encore AIの30億円調達が示す「暗黙知」の自動化とCRMの限界

現場のエンジニアなら誰しも、ドキュメント化されていない「熟練者の勘」や「絶妙な言い回し」が、プロジェクトの成否を分ける瞬間を経験したことがあるはずだ。コードのコメントには書かれない、しかしバグを未然に防ぐための「文脈」や「空気感」。Encore AIが取り組んでいるのは、まさにこの「暗黙知」のデジタル化である。2022年にInsait IOとして創業し、金融アドバイザー向けのレコメンデーションエンジンからスタートした同社が、今回3,000万ドルのシリーズA調達を完了したことは、AIエージェントの進化が「汎用的な対話」から「組織固有の成功パターン（プレイブック）の抽出」へとシフトしたことを如実に物語っている。

Encore AIが提唱する「インタラクション・マイニング」という概念は、単なる通話ログの書き起こしではない。CRMシステムと連携し、通話、メール、テキストメッセージを統合的に分析することで、どの会話の断片が成約や顧客満足度の向上に寄与したかをステージごとに分解する。CEOのDvir Ginzburg氏が語る「エージェントがトップ営業マンのジョークや逸話まで模倣する」という事実は、AIが単なる情報検索ツールから、組織の文化や個性を継承する「デジタル・クローン」へと変貌を遂げつつあることを示唆している。我々エンジニアがこれまで苦労して構築してきた「静的なナレッジベース」は、もはや過去の遺物となりつつあるのかもしれない。

この技術的アプローチの核心は、成功したプレイブックをパッケージ化し、それをAIエージェントに学習させる点にある。これは、スパゲッティコードをリファクタリングするように、混沌とした顧客との対話から「成功のロジック」を抽出し、再利用可能なモジュールとして実装する作業に他ならない。金融機関を中心に40社以上のエンタープライズ顧客を獲得し、シードラウンドから18ヶ月でARR（年間経常収益）を5倍以上に成長させたという実績は、この「現場の泥臭いデータ」をAIの学習データへと昇華させる手法が、ビジネスの現場で極めて高いROIを生んでいることの証明である。

SalesforceやSAP、HubSpotといったCRMの巨人が、なぜこれまでこの領域を独占できなかったのか。それは、彼らが「会話の履歴」を単なる付帯情報として扱ってきたからに他ならない。彼らにとってのデータスタックは、顧客の属性や取引履歴といった「構造化データ」を中心に設計されており、非構造化データである「会話の文脈」をAIの学習基盤に組み込むには、アーキテクチャの根本的な刷新が必要となる。これは、レガシーなモノリスシステムをマイクロサービスへ移行する際に直面する、あの巨大な技術的負債の返済作業に匹敵する困難を伴う。

Encore AIの強みは、最初から「会話データ」をファーストクラスの市民として扱う前提で設計されている点にある。既存のCRMベンダーが、既存の巨大な実装スタックを維持したまま、会話データをAIの学習基盤に統合しようとすれば、膨大なリソースと時間を要する。この「技術的負債の不在」こそが、スタートアップが巨人に立ち向かうための唯一にして最大の武器である。以下の表は、Encore AIが狙う市場の構造と、既存ベンダーとのアプローチの差異を整理したものである。

我々エンジニアが注目すべきは、この「データスタックの断絶」がもたらす機会である。既存の巨大なプラットフォームが動けない隙に、特定のドメインに特化したAIエージェントが、顧客の「生の声」を学習し、組織の知能をアップデートしていく。これは、単なるSaaSの機能追加ではなく、企業という組織の「脳」をAIに置き換えるプロセスである。今後、SalesforceのようなプラットフォームがAPIを解放し、Encoreのような専門特化型AIがその上にエコシステムを構築するのか、それとも真っ向から競合して買収・淘汰の歴史を繰り返すのか。その行方は、各社の「会話データ」に対する哲学にかかっている。

Encore AIの躍進は、我々エンジニアにとって一つの警鐘でもある。AIが「トップ営業マンのジョーク」まで学習し、それを自律的に再現するようになったとき、人間が介在する価値はどこに残るのか。かつて、デバッグ作業や定型的なコーディングがAIに代替されたように、今度は「顧客との対話」という、最も人間的であるはずの領域がアルゴリズムによって最適化されようとしている。我々は、AIが生成した「最適化された会話」を信じ、それを自らの言葉として発するようになるのだろうか。それとも、AIには決して到達できない「人間特有の非合理性」にこそ、真の価値を見出すべきなのだろうか。

明日から我々が取るべき対策は明確だ。自社のシステムが生成している「非構造化データ」を、単なるログとして捨てていないか再確認することだ。もし、そのログの中に「成功のパターン」が埋もれているなら、それを抽出するためのパイプラインを構築し、AIエージェントの学習データとして活用する準備を始めるべきである。技術的な処方箋としては、CRMのAPIを叩くだけの連携ではなく、会話の文脈をベクトル化し、RAG（検索拡張生成）の精度を向上させるための「ドメイン特化型データセット」の構築が急務となるだろう。

最後に、我々エンジニアに問いかけたい。AIが組織の「プレイブック」を完全に学習し、自律的に顧客対応を行うようになった未来において、人間が担うべき「最後の砦」とは何だろうか。AIが最適化を繰り返す中で、組織から「非効率だが人間味のある試行錯誤」が失われたとき、その組織は本当に強くなれるのか。技術の進化を享受しつつも、AIが模倣できない「人間独自の意思決定」をどう定義し、どう守り抜くか。この問いに対する答えを持たないエンジニアは、いずれ自らが構築したAIによって、自らの役割を最適化（＝排除）されることになるだろう。我々は、AIを「道具」として使いこなすのか、それともAIに「最適化される対象」として飼い慣らされるのか。その境界線は、今この瞬間の設計思想の中に引かれている。