メインコンテンツまでスキップ

コンセプト

AI agentsは、ジェネレーティブAIを使用して、ある程度の自律性と主体性をもってタスクを実行するソフトウェアシステムです。​
Squid AIは、既存のシステムやデータを、内蔵の retrieval-augmented generation (RAG) エンジンと選択した LLM を用いて接続することで、ビジネス向けに目的別に設計されたAIエージェントとワークフローを作成できるようにします。​

AIエージェントの理解​

AIエージェントとは？​

「AIエージェント」における「agent」という用語は、ユーザーや組織に代わって行動・意思決定を行う能力（agency）の概念を指し、従来のソフトウェア、ツール、分析システムと区別されます。これらとは異なり、AIエージェントは様々なエンタープライズコンテキストにおいて意思決定を行い、行動し、インテリジェントなソリューションを提供できます。

AIエージェントは以下の要素で動作します:

  • 目的駆動型インテリジェンス - 特定のビジネス目標に向けて動作
  • 文脈認識能力 - ビジネス環境内でのデータの理解
  • 行動実行能力 - 単なる情報提供を超えた操作の実行
  • 学習と適応 - 時間とともにパフォーマンスを向上

ジェネレーティブAIがどのようにしてAIエージェントを可能にするか​

なぜ最近までAIエージェントが発展しなかったのか疑問に思うかもしれません。複数の要因がある中で、ジェネレーティブAIは以前は大規模に実現するのが非常に困難（あるいは不可能）だった2つの主要な能力を解放しました:

  • まるで他の人と会話するかのように、会話型言語を用いてAIテクノロジーとやり取りできるため、AIがはるかに利用しやすくなりました。

  • 以前は非構造化データ（ドキュメント、テキスト、マルチメディア）を、データベースやテーブルなどの構造化フォーマットに無理やり変換する必要があった大量の非構造化データから、直接洞察を得ることが可能になります。

要するに、AIエージェントはデータ、システム、人々を、私たちが自然に行っている方法に近い形で理解し、相互作用できるようになりました。

LLMとAIエージェントの比較​

Large Language Models (LLMs) とAIエージェントの違いを理解することで、エンタープライズコンテキストにおいてエージェントがどこでどのように価値を提供するかを明確にできます。

Large Language Models: 機能と限界​

Large Language Modelsは強力な自然言語処理能力を提供しますが、エンタープライズアプリケーションではいくつかの制約に直面します:

  • 文脈の制限: LLMsは一般的なデータで訓練されており、追加のカスタマイズなしでは特定のビジネスコンテキストや業界固有の知識が不足します
  • データアクセスの制約: 標準的なLLMsはエンタープライズデータソースに直接アクセスしたり、リアルタイム情報を取得することができません
  • 構造化データの処理: LLMsは主に自然言語処理向けに設計されており、複雑な構造化データを正確に処理する能力は限られています
  • システム統合: 追加のインフラとオーケストレーションがなければ、LLMsは既存のエンタープライズワークフローやシステムにネイティブ接続できません
  • セキュリティとガバナンス: 基本的なLLM実装は、エンタープライズグレードのセキュリティ管理や監査機能が不足しているのが一般的です

AIエージェントがLLMの機能を拡張する方法​

AIエージェントは、LLMの基盤に重要なエンタープライズ機能を追加することで拡張されます:

  • ビジネスコンテキスト統合: エージェントは、ドメイン固有の知識や企業情報で設定可能です
  • データ接続性: エージェントは、構造化および非構造化データソース（データベース、APIs、ドキュメント、ファイル、SaaSなど）への接続を組み込みます
  • システム横断機能: よく設計されたエージェントは、システム全体で包括的なビューと操作を実現します
  • セキュリティとガバナンス: エンタープライズ向けAIエージェントは、適切なセキュリティ管理、パーミッション、アクセス制御、監査トレイルを備えています
  • アクション機能: 主にテキスト生成や個々のユーザーに代わって限定的なアクションしか取れないLLMsとは異なり、エージェントは部署、システム、組織全体でアクションやワークフローを開始できます

AIエージェントのスペクトラム​

市場全体で「AIエージェント」の標準定義はまだ存在しませんが、以下の能力と自律性のスペクトラムが有用なフレームワークであると考えられます:

レベルカテゴリ説明主な特徴
L0No AI Automation現在の状態 - 既存または基本的あるいは現行のツールを使用した手動プロセス理解と行動は完全に人間の労力に依存しており、自動化は行われていない
L1Assisted Workブレインストーミング、ライティング、検索を支援するジェネレーティブAI文脈が限定された、またはパブリックデータのみで訓練されたチャットボットが多い
L2Augmented Enterpriseエンタープライズビジネスコンテキストをもって行動、問題解決、ソリューション提案が可能UIの有無にかかわらず、システム全体で360°のビューを提供
L3Autonomous Enterprise最小限または全く人間の監督なしで独立運用可能まだ発展途上ながら、エンタープライズ全体のAIの未来を示唆

今日、多くの組織は、APIや機能の呼び出し、独自データへのアクセス、そして人間を連携させながらアクションを実行する能力により、重要な運用価値を提供する L2 Augmented Enterprise エージェントに注力しています.

エンタープライズAIエージェントの種類​

AIエージェントを3つの異なるカテゴリに分けることは、効果的な考え方であると分かりました。Knowledge Agentsはチームを補強し、System Agentsはシステムを補完し、Data Agentsは知識や製品を拡充します。
ほとんどのエンタープライズでは、実際の状況やユースケースに対処するために、2つ以上を組み合わせたソリューションが必要となります。

Knowledge Agents (ナレッジエージェント)​

  • 目的: チームの生産性を向上させるために補強を行う
  • 機能: 組織全体の関連データやシステムにアクセスし、洞察の提供、質問への回答、コンテンツの生成、情報アクセスの簡素化を実現
  • ユースケースの例: ライブの顧客対応中に、営業担当者が製品ドキュメント、価格情報、競合インテリジェンスに瞬時にアクセスできるSales enablement AI agents

System Agents (システムエージェント)​

  • 目的: システム間を接続してプロセスやワークフローを自動化することにより、システムを拡張する
  • 機能: ポリシーに基づいて訓練され、異なるシステムを連携させ、手動のワークフローを自動化する
  • ユースケースの例: 請求書の特定項目が正確で、企業の請求ポリシーに準拠しているかを検証することで、請求書エラーを減少させるCompliance agents。エラーやポリシー違反はフラグ付けされ、必要に応じて人間の承認のために是正提案が生成される

Data Agents (データエージェント)​

  • 目的: データへのアクセス性を向上させ、知識および製品を拡充する
  • 機能: 生データから直接洞察を抽出し、リッチなデータビジュアライゼーションを作成し、自然言語でのデータとのやり取りを可能にする
  • ユースケースの例: 製品内に組み込まれた分析機能や自然言語クエリ機能が、顧客満足度を向上させ、収益を生み出す特徴となる

AIエージェントのユースケースを考える方法​

新しいテクノロジーの採用は困難に感じるかもしれませんが、正しい心構えが大いに役立ちます。以下は、AIエージェント導入の旅を始めるためのステップです。

高付加価値のユースケースの特定​

明確なROI（投資収益率）の可能性がある領域に焦点を当てましょう。繰り返し発生する手動の内部プロセス、2つの異なるシステムが接する箇所で双方のシステムから情報が必要な状況、あるいは複数のシステムやデータソースから情報を得る必要があるシナリオを探してください。

スコープを限定する​

高付加価値のユースケースを特定したら、通常は内部チームで、小規模かつ自己完結型の部分から始めてください。これにより、顧客向けや外部向けのユースケースに比べ、リスクを低く抑えた状態でAIエージェントを試すことができ、迅速に価値を証明できます。

置き換えではなく補完から始める​

役割を完全に自動化するのではなく、人間の能力を強化することを目指しましょう。完全自律型エージェントのアイデアが話題を呼ぶ一方で、今日のAIエージェントはワークフォースを補完するのに最適であり、完全自律運用に比べるとリスクが大幅に低く、生産性向上に寄与します。

低い混乱を前提に構築する​

エージェントが既存のテクノロジーエコシステムやワークフロー内でどのように機能し、混乱や新たなツールを学ぶ必要性を最小限に抑えられるかを検討してください。

初めからセキュリティとガバナンスを優先する​

AIエージェントを誰が使用するのか、初期段階からどのリソースにアクセスさせるのか、そしてエージェントがどのように対応すべきかを考慮してください。

成功したAIエージェントが完成すれば、まず最初にそれを他者と共有したくなります。そして、あらゆるエンタープライズソフトウェアに求められるセキュリティ、ガバナンス、コンプライアンスの要件は、AIエージェントにも同様に適用されます。

適切なガバナンスと統合のもとでAIエージェントを戦略的に実装することで、組織は大幅な業務改善、コスト削減、競争優位性を実現できます。

さらに探る​

どこから始めればよいか迷っていますか？ Squid AIは、様々なユースケースに対して多くの強力な機能を提供しています。

  • すぐにAIエージェントを構築する必要がありますか？ コードを書くことなく、AI Agent Studioを利用してエージェントを作成してください。

  • 高度にカスタマイズされたAIエージェントワークフローを構築したいですか？ SquidのSDKsを用いてカスタムエージェントを開発するか、ハンズオンの学習体験ができるAI tutorialをご覧ください。

  • ユースケースに適したユニークなアプリケーションを作成したいですか？ fullstack development docsを参照するか、fullstack tutorialsにアクセスしてカスタムのフルスタックアプリケーションを構築してください。

  • ご質問がありますか？ Please reach out to us！ 私たちは、あなたのスタートを支援することを喜んでおります。