AIエージェントおよびエージェント型ワークフローについて理解する

生成AIによる業界の変革が加速する中、AIエージェントは限定的な実験段階から、最新のワークフローを形成する実用的かつスケーラブルなツールへと進化しています。単純な反復作業やコード開発から高度なビジネスプロセスの革新まで、あらゆる領域でAIエージェントが活用されるようになるにつれ、これらのシステムは企業経営やイノベーションにおいて、ますます不可欠な存在になりつつあります。しかしその背後では、コンポーネントとワークフローの間で、理解することが困難なほど高度に洗練された相互のやり取りが行われているのです。

本投稿記事では、できる限り複雑さを排除しながら、以下の内容について掘り下げて解説します：

• AIエージェントの基礎と一般的なユースケース
• エージェント型ワークフローとシステムのビルディングブロック
• エージェント開発ツールの現状 ― Dataikuのようなプラットフォームは、AIが掲げる理想と実世界での応用の溝をどのように埋めているのか

AIエージェントとは?

本質的にAIエージェントとは、大規模言語モデル（LLM）（英語）を基盤としたシステムを指し、必要に応じて自律的に各種ツールを活用しながら、複数のステップを通じて目標を達成するよう設計されており、すべての行動に対してユーザーからのプロンプトを必要としない点がその特徴となります。多様で複雑な一連のタスクを、独立して動的に遂行できるこの機能こそが、AIエージェントを決定論的なシングルタスクシステムと差別化する特徴なのです。

この点をさらに詳しく説明すると、AIエージェントはあらかじめ決められた範囲内で判断し、行動をとることが可能です。AIエージェントは、API、データベース、その他のツールを介してシステム環境と相互にやり取りを行い、変化する入力や目標に適応しながら、日常的な自動化から複雑な問題の解決まで幅広いタスクを実行します。

これらのシステムは、動的な環境における自由度の高いタスク（特に仮想アシスタントやアプリ内ヘルパーなどの会話型アプリケーションのように、自然言語で指示が与えられるタスク）の処理で優れた能力を発揮します。人による監督がほとんどない、あるいはまったくない状況でも、AIエージェントは行動を調整（オーケストレーション）してワークフローを管理し、外部リソースへアクセスすることで、自らの目標を達成することができます。

エージェント型AIとは?

エージェント型AI（Agentic AI）は、コンピュータビジョンが画像分析に特化したAI技術であるのと同様に、AIに関する専門分野の一つとなります。エージェントAIアシスタントのようなアプリケーションは、エージェント型AI（Agentic AI）の副産物的な存在であり、その背景には、このようなシステムを機能させるためのより広範なフレームワークと技術体系が存在します。この分野の技術は、人間の主体的な行動に似た高度な動きを示すシステムを構築する上で、中核的な役割を担っています。

AIエージェントが持つ2つの顔

AIにおけるエージェントは、大きく分けて次の2つの主要な形態に分類され、それぞれ異なる運用ニーズやユーザーエクスペリエンスに特化したものとなっています：

1. バックエンドAIエージェント：隠れた主力機能

バックエンドAIエージェントは、ユーザーとの直接的な対話は行わず、プロセスの自動化、意思決定、最適化タスクに焦点を当て、バックグラウンドで動作します。これらの”ヘッドレス”システムは、多くの場合、企業のワークフローに組み込まれており、最小限の人手で複雑なプロセスを処理します。

この形態のAIエージェントの適用例としては、カスタマーサービスやサポートのリクエストを分類してルーティングするシステム、サプライチェーンのパラメータを自動的に調整して最適化するシステム、従来は手作業で行っていた提案書の選別プロセスを自動化するシステム（AIエージェントによる自動プロセスとの比較）などがあげられます。

2. フロントエンドAIエージェント：インタラクティブなパートナー

エンドユーザーに直接触れるこれらのエージェントは、会話型またはインタラクティブなインターフェースを提供して実践的な支援を行うことで、日常業務を効率化します。（バックエンドAIエージェントとは）対照的に、フロントエンドのAIエージェントはインターフェースを介してユーザーと直接対話し、多くの場合、会話型またはインタラクティブな設計を活用して付加価値を提供します。これらのエージェント型AIシステムは応答性に優れ、人間のユーザビリティーとエクスペリエンスに合わせて最適化されています。具体例は、日常業務を効率化する”実践的な”支援を行うAIアシスタントエージェントから、CRMプラットフォームに組み込まれて営業チームをリアルタイムで導くエージェントまで多岐にわたります。

これらの異なる形態は、AIエージェントの多様性を示しており、バックエンドシステムへのシームレスな統合と、魅力的なユーザーインターフェースを通じた直接的な価値提供を両立させています。それぞれが、あらゆる業界における効率性の向上とイノベーションの推進において重要な役割を果たしています。

シングルエージェント vs マルチエージェントシステム

「AIエージェントとは何か？」という問いに対する答えは、システムの複雑さや処理するタスクの範囲によって異なってくるため、一概に定義することはできません。組織は、シングルエージェントとマルチエージェントの両方のシステムを構築することができます。どちらのアプローチにもそれぞれの強みがありますが、その違いを理解することで、AIエージェントが実際の課題解決にどのように活用できるのか、そして自らのユースケースにはどのエージェントフレームワークが適しているのかが明確になります。

シングルエージェントシステム：集中型＆専門特化型

シングルエージェントシステムは、限定された範囲内で特定のタスクを自律的に処理するよう設計されています。これらのエージェントは独立して動作し、複雑な判断を必要としない限定的な意思決定タスクに適しています。シングルエージェントシステムの一例としては、複数のレコメンデーションモデルをツールとして搭載したAIエージェントがあり、状況を評価して最適なモデルを選択の上、ユーザーに対してパーソナライズされた提案を行います。

マルチエージェントシステム：協調型のインテリジェンス

ユースケースに必要なすべての機能をシングルエージェントに持たせることが不可能、または非現実的な場合には、代わりにマルチエージェントシステムを構築する方が合理的です。例えば、特定のプロンプトを使って複数の種類のコンテンツ（文書、画像など）を横断的に処理する必要がある場合や、必要なプロンプトが非常に複雑であったり、単純にLLMのコンテキストウィンドウに収まりきらないほど長い場合などが考えられます。これらのシナリオは、モジュール性を高めてトラブルシューティングを容易にするマルチエージェントのアプローチを検討すべき対象と言えるでしょう。

マルチエージェントシステムでは、複数の専門特化したエージェントが連携して複雑な問題を解決します。各エージェントはそれぞれ異なる役割を担いながら、共通の目標の達成に貢献します。例えば、自動運転車はマルチエージェントシステムであり、ナビゲーション、物体検出、意思決定などのタスクを別々のエージェントが処理し、安全な運行を確保するために協力といった形になります。これらのエージェントは、状況に応じて順次（シーケンシャル）、あるいは並行して（パラレルに）動作する場合があります。

あいまい化するシングルエージェントとマルチエージェントの境界線

たとえシングルエージェントのフレームワークであっても、他の複数のエージェントをツールとして統合し活用できるのであれば、AIエージェントとは一体何なのでしょうか？これはシングルエージェントシステムとマルチエージェントシステムの違いが、しばしばその「本質的な機能」ではなく、「どのように開発されたか」によって決まることを意味します。シングルエージェントであっても、外部ツールを活用したり他のエージェントと連携したりすることで、1つのパイプライン内でマルチエージェントに近い機能を実現することが可能なのです。

AIエージェントは、これまで説明したシステムの具体的な成果物ですが、その背後には、より広範なエージェント型AIの分野に属するコンポーネントやワークフローが存在し、それらによって支えられています。エージェント型AIは、状況に応じた意思決定、タスクの実行、そして長期的な目標管理に優れた自律型システムを実現するための技術と機能の集合体です。それでは次に、一般的なエージェント型ワークフローの内部で使用される主要なコンポーネントおよび技術的な手法について解説します。

各種ツールを活用した機能の拡張

AIにおけるインテリジェントエージェントの特徴のひとつは、タスクを遂行するためにツールを選択し、それを効果的に活用する能力です。生成AIにおけるツールとは、エージェントがタスクを実行したり、問題を解決したり、プロセスを自動化したりするために用いる機能やシステムを指します。これらのツールは、データベースやデータレイクなどの内部データシステム、CRMやERPシステムなどのエンタープライズソフトウェア、外部データのAPI、さらに他のエージェントとも連携します。ツールの汎用性を支えているのはスキーマです。スキーマは、ツールが「何をするのか」「いつ使用すべきか」「どのようにやり取りすべきか」といった情報を標準化して記述したものです。このスキーマにより、自律型AIエージェントは指示を受けることなく動作することが可能になり、幅広い技術とシームレスに連携できるようになります。

AIエージェントが抱える真の根本課題は、「どのように意思決定を行うか」という点にあります。エージェントの能力が利用可能なツールの範囲や品質に大きく左右されることは確かですが、その真の有効性は、目的に応じて適切なツールをどれだけ的確に選び、使いこなせるかにかかっています。

現状、高性能なエージェントを構築する際には、意思決定プロセスをガイドし、一貫性のある適切なタイミングで正しいツールを選択するために、依然として多くのビジネスルールやフロー管理が必要となります。これは、自律的な推論における現状の限界を補うために、堅牢な設計や慎重な構成がいかに重要であるかを浮き彫りにしています。

インタラクションループ：段階的なプロセス

AIエージェントは、まずユーザーからの入力や環境からのシグナルを解釈し、その後論理的な推論や意思決定を行い、自らが保有するツールを使ってアクションを実行します。このプロセスによってフィードバックが生成され、それを活用することでエージェントは、次のアクションをより洗練させることができます。

この動的なフローにより、エージェントは複数ステップにわたる複雑なタスクを処理し、インタラクティブまたは適応型のワークフローに対応することが可能となります。

AIエージェントフレームワークによるロジックの連鎖

開発者は、エージェントシステムの実装や拡張にあたり、専門のフレームワーク（英語）に依存する形となっています。LangGraph、LlamaIndex、AutoGen、CrewAIなど人気が高いオープンソースのPythonフレームワークは、シングルエージェントまたはマルチエージェントシステムの構築を支援するツールを提供しており、多様な実行ロジック、ヒューマンインザループ（人が介在する）機能、さらに複数のAPIやLLMとの互換性をサポートしています。これらのフレームワークにより、開発者はエージェントの行動を順次（シーケンシャル）プロセスまたは協働（コラボレーティブ）プロセスとしてモデル化できるため、実際のアプリケーションにおける柔軟性とスケーラビリティーを確保することができます。

エージェント型アーキテクチャーにおける考慮事項

前述したツール統合以外にも、エージェント型AIでは、AIエージェントの動的かつ協調的なワークフローを管理するために、他の専門的な要素が必要になる場合があります。エージェント型アーキテクチャーでは、エージェント適応型の実行フローを使用するため、従来のLLMベースのアプリケーションよりも柔軟なパイプラインが必要になるケースが多くなります。エージェント型システムにおける実行フローは動的でなければならず、ループ、分岐ロジック、マルチエージェントとのインタラクションといった非線形の経路をサポートする必要があります。このため、より高度なオーケストレーションツールや専用のミドルウェアが必要になる可能性があります。

さらにエージェント型システムでは、多くの場合、時間とともに変化する目標や環境を管理できるような、より高度な自律性（高次の自律性）が求められます。このような高度な自律性を実現するためには、永続的なメモリアーキテクチャーやステートフルな環境へのアクセスが必要になる場合がありますが、これはより単純なLLMベースのアプリケーションでは必ずしも必要とされない要素です。

最後に、マルチエージェントシステムでは、メッセージのやり取り、タスクの委任、協調的な意思決定など、エージェント間の相互作用を可能にするアーキテクチャーが必要となります。大規模なシステム運用を円滑に行うためには、競合を防ぎながらタスクを効果的に同期させる通信プロトコルや共有メモリシステムのための追加レイヤーが必要になる場合があります。

AIエージェントの台頭により、企業はさまざまなニーズや専門知識レベルに対応する多様なツールを選択できる利用環境が整いつつあります。エージェント型AIにおけるリーダー格の企業は、さまざまな種類のソフトウェア製品カテゴリから登場しています。例えば、大手クラウドプロバイダーは、企業のワークフローに特化したAIエージェントの作成と展開を支援する専用のサービスを提供しており、具体的には、Google Cloudの「Vertex AI Agent Builder」や、Microsoftの「Azure AI Foundry Agent Service」などがあります。

一方で、Salesforce Agentforce のようなドメイン特化型ツールは、特定の業界に焦点を当てたソリューションを提供しています。柔軟性や将来性を重視する企業にとっては、Dataikuのようなインフラに依存しないプラットフォームが際立って有効となります。このようなプラットフォームより、AIエージェントだけでなく、さまざまなAI、機械学習、データ分析アプリケーションやパイプラインの構築も可能となります。

誰が最高のAIエージェントを実現するのか?

この問いに対する答えは、利用する側の企業が重視する評価基準によって異なってきます。「最適なもの」を評価する際の本質は、そのエージェントが意図された目的をどれだけ効果的に達成できるかにかかっており、例えば、ワークフローの自動化、質問への回答、業務の効率化などがこれに該当します。しかし、多くの企業にとって最適なAIエージェントは、既製品としては存在していない可能性があります。多くの場合、組織は特定のプロセス、目標、およびツールに合わせて独自のエージェントを構築し、該当ソリューションが自社固有のニーズに完全に適合するよう対応する必要があります。

ユニバーサルAIプラットフォーム「Dataiku」でエージェントを開発および提供

各セクションを通じて、AIエージェントに対する理解と、それを構築するために必要な要素について段階的に理解を深めてきました。現状ここには十分な情報がありますが、追加の支援なしにこれらすべてを実践することが難しい場合もあります。

ここで、私たちDataikuの出番がやってきました。

大規模なAIエージェントの構築に際し、Dataikuは強力かつ柔軟なプラットフォームを提供することで、企業がカスタマイズされたソリューションを構築できるよう支援します。Dataikuはエージェントだけでなく、LLM搭載アプリケーションから従来の機械学習モデル、分析パイプラインまで、多様なAIプロジェクトの構築と運用を可能にします。これらのアセットはDataiku内部で直接作成され、エージェント側がデータ駆動型の意思決定、ワークフローの実行、または機能の強化を遂行（英語）するためのツールとして活用することができます。コードとビジュアル両方のフレームワークを備えたユーザーフレンドリーな設計と包括的な提供機能群により、データチームは効果的に連携し、数ヶ月ではなく数週間でエンタープライズグレードのソリューションを構築することが可能となります。

Dataiku LLMメッシュおよびLLMガードサービス

Dataiku LLMメッシュは、組織で承認されたAIテクノロジーのセキュアなゲートウェイおよび抽象化レイヤーとして機能し、ハードコードされた依存関係を排除しながら、アプリケーション、LLM、インフラストラクチャー、AIサービス間のオーケストレーションを効率化します。この仕組みにより、主要プロバイダーとのパートナーシップやオープンソースモデルのためのHugging Faceを通じて、数千ものホスト型LLMへのアクセスが可能となります。

さらに、ベクターデータベースやコンテナ化されたコンピューティングリソースへのシームレスなアクセスが可能になるため、自社環境でLLMをホストしたい企業は、柔軟な選択肢を得ることができます。生成AI機能の中核となるLLM Meshは、AIエージェントの開発における拡張性、セキュリティ、そして運用効率を担保します。

Dataiku LLMガードサービスでは、AIエージェントを大規模に展開する際に不可欠となる、追加の安全性および監視のための重要なレイヤーを提供します。これらのサービスはLLMメッシュと統合されており、コストの管理と抑制、品質の維持、そしてデータ漏洩、不適切/有害なコンテンツ、AIエージェントの性能不良による業務リスクの軽減を支援します。

サービスとしてのカスタムエージェント提供

Dataikuは、カスタムAIエージェントの構築に対応しており、開発者はLLMメッシュ上で直接、専門特化型のエージェントを構築することができます。LLMメッシュとの統合により、これらのカスタムエージェントは、コンテンツのモデレーション、セーフティガードレール（安全対策）、アクセス制御といった主要なメリットを継承しながら、ワークフロー全体での安全かつ効率的に実装を行うことができます。

開発者は、自ら選択したPythonのAIエージェントフレームワークを使用し、ガイド付きのコーディング体験を通じてカスタムエージェントのロジックを作成することができます。カスタムエージェントは自動的に仮想LLMとして公開され、Dataiku Prompt StudioやPrompt Recipe、Dataiku Answers（英語）、API補完エンドポイントなどのツール内で利用可能になります。

ビルトインされたprocessメソッドによって標準化が保証され、各ステップ（イベントやスパンを含む）のトレースにより、追跡やデバッグがより容易になります。

継続的な品質向上：LLMの評価およびユーザーフィードバック

Dataikuに組み込まれたLLM評価（英語）やユーザーフィードバックのためのネイティブツールによって、AIエージェントの品質を継続的に保証する包括的なアプローチが可能となります。自動化された評価指標を活用することで、担当チームはLLMの応答内容を事前に定義した基準と比較でき、精度、関連性、信頼性といった要素を計測することが可能となります。これらの指標によって、エージェントは一貫して価値を提供し、ビジネスで設定された期待に答えることができます。

さらに、ビルトインされたフィードバックメカニズムにより、担当チームは実際のパフォーマンスに基づいてエージェントを改良することができます。例えば、Dataiku Answersは、高品質な会話型AIユースケース（英語）を迅速に提供できるようにするパッケージ化されたWebアプリケーションであり、エンドユーザーがアプリの使用中にフィードバックを送信するための複数の方法が用意されています。

管理されたラベリング機能（英語）により、ユーザーや各分野の専門家がエージェントの動作や応答に関して自由形式で注釈を追加することも可能です。人間をループ（意思決定プロセス）の中に組み込み、反復的な改善を行うことで、組織は時間の経過とともにエージェントの意思決定能力を強化することができます。そして、これらのツールを組み合わせることで、AIエージェントの継続的な改善が促進され、最高の品質が維持されるとともに、変化するビジネスニーズに対応する形で進化し続けることが可能になります。

AIガバナンス：監督およびコンプライアンスの確保

Dataikuのプラットフォームは、企業があらゆるデータプロジェクトおよびモデルを完全に可視化できるように設計された堅牢なAIガバナンス機能を提供します。LLMを使用しているプロジェクトに対して自動的にフラグを設定し、プロセスを標準化し、必須となるレビューおよびサインオフのステージを組み込むことで、担当チームはAIプロジェクトのライフサイクル全体にわたって適切な監督と精査を実施することができます。これらの機能により、組織はドキュメント化を徹底し、EU AI法への対応に向けた重要な基盤（英語）を構築するとともに、品質およびコンプライアンスに関する社内プロセスの基準を満たすことが可能となります。

エンドツーエンドのAIプラットフォーム

Dataikuの包括的なプラットフォームは、生成AIエージェントの開発に必要なすべてを網羅しており、この中にはデータへのアクセスと準備、ワークフローのオーケストレーションと運用化、パフォーマンスのモニタリング、そしてAIガバナンスが含まれます。ビジュアルインターフェースとコードベースのインターフェースを組み合わせることで、技術者だけでなく技術者以外の担当者もプロジェクトに貢献できるようになり、導入プロセスが加速するとともに、企業の成功に不可欠な責任あるAIの実践を促進することができます。

Dataikuの包括的なプラットフォームは、生成AIエージェントの開発に必要なすべてを網羅しており、この中にはデータへのアクセスと準備、ワークフローのオーケストレーションと運用化、パフォーマンスのモニタリング、そしてAIガバナンスが含まれます。ビジュアルインターフェースとコードベースのインターフェースを組み合わせることで、技術者だけでなく技術者以外の担当者もプロジェクトに貢献できるようになり、導入プロセスが加速するとともに、企業の成功に不可欠な責任あるAIの実践を促進することができます。