このドキュメントでは、エージェントのワークフォースの価値を完全に把握するために今後3~5年間で企業に必要なITアーキテクチャについて説明する視点と、AIエージェントの大規模な導入をサポートするために必要なITトランスフォーメーションの概要を説明します。目標は、CIO、CDO、および IT リーダーがエージェント型エンタープライズへの移行を計画するのに役立つ戦略的なガイドとリファレンスアーキテクチャを提供することです。

強力な AI モデルにより、環境のセンシング、データの推論、自律的な意思決定、タスクの実行、人間の作業員との効果的なコラボレーションができるエージェント型ワークフォースを作成できます。この新しい従業員は、イノベーション、生産性、俊敏性の段階的な変化を約束し、株主と顧客にとっての価値を生み出します。このビジョンを実現するには、組織がビジネスと IT の変革を経てエージェント型企業になる必要があります。

今日、従来の企業は、情報のサイロ化、手作業に埋もれた従業員、組織構造のインセンティブの不一致、戦略と結果間のフィードバックループの分断などが原因で発生する業務の非効率性に直面しています。これらの問題は、カスタマーエクスペリエンスの最適化、非効率的なプロセス、成長の機会の喪失につながります。

Agentic Enterprise は、インテリジェントな AI エージェントのデジタルワークフォースを人間の作業員と統合することで、これらの制限を克服します。この新しい AI で強化されたワークフォースにより、組織は成長のためのイノベーションを促進し、運用の卓越性を促進し、いくつかの種別の新しいビジネス機能でエンタープライズのレジリエンスを構築できます。

イノベーションを促進する新しいビジネス機能:

• 人間の生産性向上 エージェントの速度、拡張性、常時稼働の性質により、企業は反復作業を自動化し、人間の作業員をより価値の高い創造的な作業に集中させることができます。
• 適応能力の向上 エージェントの推論を監視できるため、新しいスキルを動的に学習してリリースでき、企業はパフォーマンスを継続的に改善してビジネス目標を達成し、新しい市場機会にすばやく適応できます。

_実例 — 金融サービスのカスタマー エクスペリエンスの革新:_資産管理会社は、AI エージェントを使用してクライアントエンゲージメントモデルを再発明できます。エージェントは、ポートフォリオを自律的に監視し、クライアントレビューの重要な瞬間を特定し、アドバイザーの事前面談計画を準備して、ニュースが発生したときに計画を調整します。これにより、ヒューマンアドバイザーはプロアクティブでパーソナライズされたカスタマーエクスペリエンスを大規模に提供でき、リレーションを強化し、新しい商談を発見できます。

組織の耐障害性を保護して確保する新しいビジネス機能:

• 柔軟なワークフォース キャパシティ:ビジネス状況の変化に伴う作業負荷の急増に、コストや遅延をかけずに、迅速に対応できます。
• 予測運用レジリエンスエージェントは24時間365日体制であるため、運用リスク、コンプライアンス リスク、セキュリティ リスクをリアルタイムで自律的に予測、モデル化、軽減し、企業が顧客と関係者のTrustを維持できるようにします。

_実例 — 顧客データの保護:_大企業は、AI データガバナンスエージェントをリリースして、データプライバシー保護法の変更に関する規制環境をスキャンし、エンタープライズデータセットの機密情報を検出して分類し、適切なガバナンスポリシーを適用できます。エージェントは、データアクセス要求を確認し、例外を人間のアナリストに転送してレビューできるため、コンプライアンスリスクを軽減しながら、データを信頼できる方法で使用できます。

優れた運用性を最適化する新しいビジネス機能:

• 自律プロセス実行:デジタルワークフォースは、複雑な複数ステップの ToDo をマシン速度で 24 時間 365 日実行でき、コストを削減してプロセスを効率的に拡張できます。
• 越境オーケストレーション エージェントは、通常は人間の作業員を制約する情報とインセンティブのサイロをまたがって作業できるため、部門横断的なプロセスの俊敏性が高まります。

_実例 — 小売のマーケティング・ファネルの最適化:_小売マーケティングチームは、AI エージェントをリリースして、新しい消費者トレンドに応じてキャンペーンプロセスを加速できます。エージェントは、マーケティング計画を生成し、マーケティングチーム、商品チーム、営業チームと協力してレビューした後、デジタル販促資料を自動的に作成して複数のチャネルで実行し、リアルタイムのフィードバックに基づいてキャンペーンを動的に調整できます。

企業の IT アーキテクチャは、レイヤー構造を使用して記述できます。レイヤーは関連する技術的機能を論理的にグループ化し、構造化された推論を促進しますが、必ずしも特定の実装や、レイヤーを一体的に設計するか、より異種混合的な方法で設計するかを示すものではありません。このレイヤー ビュー(図1)では、従来のITアーキテクチャは次の5つの主要なレイヤーで構成されます。インフラストラクチャ、データ、インテグレーション、アプリケーション、エクスペリエンス。セキュリティとIT運用の2つのクロスレイヤーがこれらのレイヤーにまたがっており、ガバナンス、監視、保護が確保されています。

従来の IT アーキテクチャは、データのアクセス、ビジネスロジックの適用、コラボレーションの促進、ワークフローの実行をアプリケーションで実行する人間の作業員が企業のインテリジェンスを常駐させるパラダイムに合わせて設計されています。AI エージェントが以前に人間が実行した (またはまったく実行しなかった) 特定の使用事例について推論とアクションを実行でき、人間が AI エージェントを監督してより創造的であいまいなタスクに集中できるパラダイムには適していません。

従来のアーキテクチャでは、今日の AI エージェントのサブスケールのリリースをサポートできますが、上記のエージェント型エンタープライズのビジネス機能を完全に提供することはできません。これらの機能を実現するには、狭い使用事例を対象とする限定的な導入に制限されるのではなく、広範な使用事例に対応できる強力な AI エージェントを幅広く導入できるように設計された IT アーキテクチャが必要です。

AI エージェントは今後 5 年間で継続的に改善され、より強力でインテリジェントな AI エージェントの価値を実現して将来のニーズに対応するために、IT アーキテクチャを進化させる必要があります。まず、基盤となる AI モデル (マルチモーダル LLM など) とエージェントの認知アーキテクチャ (複数ステップの計画、ToDo の分解など) の進化に伴い、エージェントのインテリジェンスが向上します。第 2 に、AI エージェントは、記憶の改善、自己省察機能、フィードバックから学習する機能により、学習および適応能力が向上します。第 3 に、AI エージェントは、急速に進化するオープンテクノロジー標準 (モデルコンテキストプロトコル、Agent2Agent など) のエコシステムが示すように、他のエージェント、ツール、およびデータを操作する能力が向上します。これら 3 つのテクノロジートレンドにより、AI エージェントはより抽象的で複雑なタスクを実行できるため、より強力になりますが、今日の IT アーキテクチャには多くの課題も発生します。

まず、AI エージェントは基本的に、急速に進化し、高度で共有化された AI/ML モデル管理を必要とする、内部開発と外部ソースの両方の AI モデルに依存します。現在、AI モデルは、トレーニング、リリース、ガバナンス、リスク管理のための一般的なツールと再利用するための共有機能ではなく、アプリケーションの特定の使用事例に合わせてボルトオンされています。今後、企業はエージェントのさまざまな使用事例に異なる AI モデルを使用できるようにする必要があります。これには、エージェントがビジネスコンテキストに基づいて基盤となるモデル (基盤モデルとドメイン固有の小規模なモデルなど) を切り替えるためのツールが必要です。これには、一貫性、再利用性、拡張性、効率性を確保するために、統合ライフサイクルツールで社内で開発またはホストされる AI モデルを管理する必要があります。同様に、外部でホストされる AI モデルにアクセスするには、最適なパフォーマンス、セキュリティ、コンプライアンス、可用性、信頼性を確保するために、企業全体の制御フレームワークが必要です。

次に、AI エージェントには、ホスティング、開発、推論、学習、メモリ管理、操作などの個別の拡張パターンと運用要件があり、エージェント用に個別の専用のアーキテクチャ境界が必要です。この機能を現在の静的で確定的なアプリケーションアーキテクチャに直接組み込むと、アーキテクチャの不要な複雑さとリスクが生じます。さらに、AI エージェントは、標準化されたインターフェースまたはメッセージングシステムを介して既存のアプリケーションと相互運用し、リアルタイムでやりとりする必要があります。

第三に、AI エージェントは、多くの場合サイロ化されたアプリケーションスタック間で、異種データセットを推論し、相互にコラボレーションできる必要がありますが、今日のアーキテクチャでは、これらのエージェントが異なるデータセットを推論するための共通のセマンティック機能がありません。そのため、単一目的のエージェントは正常にリリースできますが、複雑でサイロ間のタスクで多数動作するように拡張することは困難でリスクの高いままです。

最後に、現在のエンタープライズ IT アーキテクチャには、より強力なエージェントが実行する動的なワークフローを含むエンドツーエンドのビジネスプロセスを調整、最適化、管理するための効果的な方法がありません。このワークフローは、場合によっては、そのプロセスで人間の作業員が行う役割を増強し、置き換えます。現在、自動化ツールは、プロセス固有の言語で文書化され、通常は定義済みの順序に従い、ほとんど変更されない静的ロジックに依存する線形の確定的ワークフローを管理するために利用されています。AI テクノロジーは、これらの線形プロセスの一部を強化できますが (ハードコードされたビジネスルールの代わりに ML モデルを使用してローン承認しきい値を計算するなど)、最も重要なビジネスプロセスの戦略的側面と実行側面は本質的に動的で柔軟性に富んでいます。マーケティング戦略の作成、複雑な顧客の問題の解決、見込み客の探索などのタスクには明確な目的 (顧客満足度、ケースの解決速度など) がありますが、事前に定義された実行順序には従いません。

現在、従来の企業では、このような複雑なビジネスプロセスの調整と実行 (戦略の設定や複雑なプログラムの管理など) は主に人に依存しています。今後 3 ～ 5 年で AI エージェントが進化 (インテリジェンス、学習、インタラクション機能の向���) を続けるにつれて、このような動的なプロセスを自律的に実行する能力が大幅に拡大し、既存のインテグレーションおよび自動化ツールの機能を大幅に上回る複雑さと統合の課題が生じます。AI エージェントの適応的で動的な性質により、特に AI エージェント、人間、自動化ツール、その他の確定的システムを網羅する複雑で時間のかかる複数ステップのワークフローの管理において、エンタープライズレベルの制御、包括的な可視性、および全社的な戦略目標との一貫した整合性を確保するために、新しいオーケストレーション機能が強く求められています。

Agentic Enterprise の IT アーキテクチャでは、人間の作業員、AI エージェント、確定的システムをシームレスに統合することで、インテリジェントなアクションのプラットフォームが確立されます。このアーキテクチャにより、人とAIの両方のエージェントが、さまざまなデータ ソースの統合エンタープライズKnowledgeに動的にアクセスして活用できるようになります。また、セマンティック コンテキストが強化され、戦略的なビジネス目標に沿った複雑なワークフローとプロセスを効率的に実行できます。一連のサイロ化されたプラットフォームとポイントソリューションの既存のITアーキテクチャは、新しいインテリジェントなビジネスプロセスオーケストレーションツールによって監督および管理される一連の構成可能なアプリケーションサービス、セマンティックツール、データツール、AIエージェントのネットワークへと進化していきます。

このアーキテクチャにより、エージェントはそれぞれの範囲で感知、推論、行動し、ビジネスドメイン内およびビジネスドメイン間で作業し、継続的に学習、改善、適応できます。そのためには、データとKnowledgeにアクセスするための堅牢なメカニズム(意味的理解)、柔軟で標準化されたコミュニケーション プロトコルとインターフェース(エージェント間、エージェントと確定的システム間、エージェントと人間間など)に重点を置いた設計が必要です。また、エージェント、人間、自動化ツール、確定的システム間でワークフローとプロセスを批判的に調整します。

インテリジェントなアクションのプラットフォームのアーキテクチャビジョンを実現するために、ベストプラクティスとして次の設計原則をお勧めします。

• **コンポーザビリティとモジュール性：**標準化されたインターフェースを使用して、アーキテクチャ要素をモジュールコンポーネントとして設計し、エージェント機能、ワークフロー、および人間面をすばやく動的に組み立てることができます。明確なインターフェース契約と抽象化を優先し、AI エージェントがワークフローを柔軟に構成できるようにします。
• **データおよびセマンティック優先：**エージェントがサイロ化されたシステム間で効率的に推論できるようにセマンティックを共通理解することで、包括的で正確、高速、安全、かつコスト効率に優れたデータアクセスを実現します。これには、品質、系統、ガバナンス、アクセスを保証するツール、およびエージェントと人間間で共有されるセマンティック理解を提供する方法を使用して、データ (およびメタデータ) を商品として取り扱う必要があります。
• **ITとビジネスの監視機能の組み込み:**エージェントの推論、動作、システムインタラクション、ビジネス KPI への影響に関するインサイトを得るために、アーキテクチャ全体にエンドツーエンドの監視、追跡、評価、説明可能性の機能を組み込み、エージェントのパフォーマンスを継続的に最適化できるようにします。これには、Trust、コンプライアンス、責任あるリソース消費を維持しながら、FinOps(コスト最適化)、Sustainability評価指標、運用テレメトリが含まれます。AI エージェントは本質的に非確定的であるため、AI エージェントが人の監視の下で信頼され、コンプライアンスに準拠し、監査可能な方法で業務を行うことができるようにするには、観察可能性が最も重要です。
• **Trust-throughout：**エージェントの ToDo (データアクセス、アクションなど) のインテントに基づいて動的で詳細な権限を適用し、レッドチーミング、自動 CVE スキャン、脆弱性検出、リスクベースの検証制御などの包括的なセキュリティプラクティスを実装します。エージェントがマシン速度で操作できるためにリスクが連鎖するリスクを考えると、より詳細で動的な制御が必要です。AI が生成したすべての出力 (エージェントまたはモデルから) を使用または提供する前に、コンプライアンス、安全性、有害性、バイアスに関する定義済みのポリシーに対して厳密に検証します。これには、AI の意思決定、アクション、コンテンツ、予測の検証可能な監査履歴を含むロギングと説明可能性メカニズムが必要です。
• **人の監視によるエージェント優先:**AI エージェントをビジネスの使用事例を解決するためのデフォルトツールにすることで、他の考慮事項 (コスト、技術的適合性など) を排除し、エージェントのワークフローでアクセスできる IT システムを設計します。これには、エージェントのプロセスのすべてのステップを人間が監視、介入、上書きする機能が含まれます。エージェントは、意思決定に対する信頼性が事前にプログラムされたしきい値を下回った場合に、人間の指針を積極的に求めるための自己省察機能を必要とします。
• **反応型およびマルチモーダルのインタラクション：**エージェント間プロトコル、人間のマルチモーダル入力 (音声、テキスト、視覚)、ビジネスイベント、システムシグナル、ストリーミングデータなど、すべてのインタラクション種別で包括的なエージェント呼び出しおよび応答メカニズムをサポートするアーキテクチャを有効にします。イベント駆動型とリアルタイムの両方の処理機能を有効にして、エージェントが任意のソースまたは形式からのタイムリーなシグナルに確実に反応できるようにします。
• **AI対応インフラストラクチャ:**変動する AI ワークロードを処理するために組み込まれている冗長性によってインフラストラクチャを柔軟に拡張し、ML/LLM パイプラインをデータとアプリケーションアーキテクチャに統合しながら、データレジデンシー要件へのコンプライアンスを維持できるようにします。
• **オープンなエコシステム:**オープンスタンダード、プロトコル、明確に定義されたインターフェース (API、イベント) を採用してテクノロジーエコシステムのメリットを享受することで、相互運用性を優先し、テクノロジーロックインを回避します。

エージェント型トランスフォーメーションを有効にして拡張するには、企業は単に現在のレイヤーを強化するだけでなく、AIエージェントのニーズを満たすために特別に設計された4つの追加アーキテクチャ レイヤー(図2)を明示的に導入することを検討する必要があります。

エージェント レイヤーは、AIエージェントの開発と管理専用であり、計画、推論、メモリ、ツール使用率、状態管理、ライフサイクル制御などの認知機能が含まれます。このレイヤーは、AI エージェント固有の技術要件と運用要件に対応し、標準化されたプロトコルを使用してアプリケーションとデータストア間の相互運用性を確保し、エージェント間のコラボレーションを促進します。既存のアプリケーションレイヤーは、エージェントワークフロー用に動的に構成されるアプリケーションサービスに進化します。

セマンティック レイヤーは、未加工のエンタープライズ データとAIエージェントに必要なセマンティック理解との間の切断を解決するために導入されました。ビジネス・エンティティ、概念、定義、相互リレーションを明示的にエンコードして管理し、エンタープライズ・オントロジーとBusiness Knowledgeの表現を作成して、より高度なタスクを実行する複雑なマルチエージェント・ワークフローを強化する共有セマンティック理解を可能にします。セマンティックレイヤーは、データカタログだけでなく、自然言語クエリを特定のデータストアに対する正確なクエリに変換し、結果をハーモナイズして、エージェントに状況に応じたより充実した回答を返します。一方、既存のデータレイヤーは一元化されたレイクハウスの採用によって統合され、AI 対応データファブリックを介してデータアクセスを拡大してデータメッシュ運用モデルの原則をサポートします。

AI/MLレイヤーは、大規模言語モデル、大規模アクション モデル、ドメイン固有のMLモデルなど、エンタープライズAI機能の管理を一元化し、ライフサイクル全体にわたって内部で開発されたAIモデルと、外部AIサービスへのアクセス/使用の制御の両方を処理します。AI モデルがアプリケーション内に埋め込まれる従来のアーキテクチャとは異なり、このレイヤーでは AI モデルがエンタープライズのファーストクラスのコンポーネントおよび共有サービスとして確立されます。エンタープライズで制御される AI 機能に焦点を当てています (外部ベンダーが提供する AI 機能ではありません)。このレイヤーは、Trust、安全性、コンプライアンス、導入のための標準化されたメカニズムを使用して、エンタープライズのさまざまなエージェントやその他のAIワークロードにインテリジェンスを提供します。

エンタープライズ オーケストレーション レイヤーは、AIエージェント、人、自動化ツール、確定的システムにまたがる複雑な複数ステップのワークフローとビジネス プロセスを調整、管理、最適化するための機能の抽象化です。このレイヤーでは、ブレンドされたオーケストレーションモデルを活用して、個々のエージェントとシステムが MCP や A2A などのオープンプロトコルを使用してローカルで振付された ToDo を自律的に処理しながら、プロセス全体を一元的に監視および調整できます。ブレンドされたオーケストレーションモデルを実装するために、このレイヤーは、ビジネスプロセスの確定的ステップ (設計時にモデル化) と動的ステップ (実行時にエージェントが決定) の両方を定義する、マシンが読みやすいセマンティックリッチな形式で重要なビジネスプロセスを表し、ガバナンスと最適化のプロセスモデルの基盤を作成します。

従来、人間が主導するビジネスプロセスの大部分が、機械で判読可能な形式で文書化されていないか、アクセスできないままでした。ただし、AI エージェントの ToDo やアクションに関する豊富なデータとメタデータを含む活動の詳細な観察可能性により、動的で以前は構造化されていなかった作業を取得、文書化し、確定的線形ワークフローと統合して、包括的なプロセスモデルを作成できます。詳細なプロセスドキュメントには、以前は見えなかった ToDo の相互依存関係と実行パスが取り込まれており、企業は継続的に業務効率を最適化し、ボトルネックに効果的に対処し、エージェントが特定したベストプラクティスを体系的に体系化して、再利用可能な企業全体のプレイブックにまとめることができます。これにより、個々のプロセスと、拡張すれば企業全体の総合的なデジタルツインが実現します。

たとえば、包括的な営業戦略の実行や新規従業員のオンボーディングなどの複雑なプロセスには、オーケストレーションレイヤーで適切なレベルの人間の関与 (例外処理など)、AI エージェントの限定された自律性、コンプライアンスの実施を確保できる相互依存する多数のステップが含まれます。これらのプロセス全体にわたって、トップダウンオーケストレーションレイヤーは予測可能性とガバナンスを追加し、重要業績評価指標 (KPI) を継続的に���跡して評価し、ワークフローとロールバックロジックのトランザクションの整合性を確保し、ワークフローのすべてのフェーズに対する可視性を維持して、全体的なビジネス目標との整合性を確保します。この機能を実装するために、このレイヤーではセキュリティおよびガバナンスレイヤーのポリシー、ルール、ガードレール (コードとしてのポリシーを使用) と、セマンティックレイヤーに保存されているビジネス目標と KPI を使用します。AI 主導のインタラクションの自律的で迅速な特性を踏まえると、特に実行時間が長い複数ステップのワークフローでは、分散型の振付のみに頼ると戦略的に不一致やコンプライアンス違反が生じるリスクがあります。ブレンドオーケストレーションアプローチでは、企業全体のビジネスルール、コンプライアンスチェック、ポリシー適用を複雑なワークフローに直接組み込��で、重要な連結点における人の監視を統合することで、これらのリスクを軽減します。

これら 11 個の各レイヤーは、安全で信頼できる効果的な方法で AI エージェントを大規模にリリースするための特定の機能を提供し、エージェント型 AI の可能性を最大限に引き出して、企業における作業の方法を変革します。以下のセクションでは、レイヤーの機能、AI エージェントの台頭による新しい変化、主要なテクノロジー機能の概要を説明します。

**機能:**エクスペリエンスレイヤーは、人間のユーザーにとって主要なインターフェースとして機能し、入力 (テキスト、音声、ビジュアル) を取得してコンテキストに関連する応答を複数のデバイスに配信することで、マルチモーダルインタラクションを可能にします。ユーザーの意図をアクションのためにエージェントレイヤーにシームレスに渡すと同時に、エージェントのワークフロー内で人のエスカレーションと承認を容易にする動的な UI と視覚化も提供します。

**現在の製品との違い:**AI は、自然言語処理、コンテキスト認識、プロアクティブな意思決定支援で従来の GUI ベースのインターフェースを強化します。AI エージェントはインタラクションを積極的に開始し、すべてのチャネルとモダリティでパーソナライズされたリアルタイムのおすすめを提供できます。

主要なテクノロジー機能:

• **対話型AIおよびデジタル アシスタント:**人間のユーザーをサポートする AI アシスタンスを機能させるには、デフォルトで UX を有効にします。
• **属性と透明性のUI:**ユーザーインターフェースで回答を説明可能にします (引用、ファイル/システムのソース、決定に対するアプローチ/合理性の表示など)。
• **プロアクティブおよび環境通知サービス:**ユーザーの現在のコンテキストに基づいて、エージェントが最適なチャネルとフォーム要素でユーザーにインサイトやアラートを積極的に転送できるようにします。
• **オムニチャネル環境:**会話や ToDo がアプリケーションではなくユーザーをフォローするジャーニー継続性により、すべてのチャネルでシームレスで一貫性のある統合環境が提供されます。
• **マルチモーダル機能:**テキスト、音声、画像、タッチ、動画、AR/VR を使用してエージェントやアプリケーションを操作できるため、エージェントは最も効率的な方法で情報を理解して表示できます。
• **コンテキスト対応パーソナライズと動的UI:**状況に応じたリアルタイム (時間、場所、ユーザーアクション) のユーザーエクスペリエンスを有効にして、その場での UI 生成などのパーソナライズを可能にします。

**機能:**エージェントレイヤーは、エンタープライズで作業を行うためのデフォルトのランタイム環境として機能します。AI エージェントは、アプリケーションおよびアプリケーションサービスレイヤーとデータレイヤーのツールを使用してワークフローを動的に組み立てることで、エクスペリエンスレイヤーから ToDo を分解し、タスクを実行します。AI エージェントの設定状態はこのレイヤーに保存および管理されます。エージェントは特定の ToDo に対してインスタンス化され、特定のエージェントインスタンスはその後に廃止されます。この実装により、エージェントは (AI/ML、オブザーバビリティ、オーケストレーションレイヤーの機能を使用して) オフライン最適化に基づいて常に最新の設定状態から呼び出すことができます。このレイヤーは、AI エージェントの包括的なライフサイクル管理、調整、ガバナンスを担当します。

**現在の製品との違い:**このレイヤーは、現在のさまざまなパイロットと限られたエージェントによる導入で出現します。ルールベースのボットは存在しますが、大規模にリリースされた適応型、非確定的、目標指向のソフトウェアプログラムはほとんどありません。

主要なテクノロジー機能:

• **エージェントランタイム環境:**AI エージェントのライフサイクル、実行、リソース割り当てを管理します。
• **Agent Lifecycle Management Suite:**開発フレームワーク、開発およびテストツール、エージェント活動とバージョン管理のための管理システムが含まれます。
• **エージェント推論エンジン:**エージェントが目標を分解し、計画して、複雑な問題を解決するためにどのツールを使用するかを決定するための認知フレームワーク。
• **エージェントメモリおよびコンテキストストア:**エージェントインスタンスが以前のやりとりに関するコンテキストを呼び出して管理できるため、一貫性とパーソナライズが確保されます。
• **エージェント相互運用性プロトコル:**エージェント間通信 (A2A) およびエージェントが外部システム (モデルコンテキストプロトコルなど) とやりとりするための標準化されたインターフェース。
• **ツールレジストリ:**エージェントが特定の ToDo を達成するために呼び出すことができる、内部および外部でサポートされる選定されたツールセット。
• **エージェントレジストリ:**検出と機能の照合をサポートする、事前作成済み AI ソリューションとエージェントの選定されたエコシステム。
• **分散エージェントポリシーの適用:**エージェントがアクションを実行する前にコンプライアンスをセルフチェックできるようにすることで、企業全体のガバナンスを実現します。
• **エージェントの自己反映および適応フレームワーク:**エージェントが自身のパフォーマンスを分析し、人間の承認を得て改善をトリガーしたり、エージェント自身に変更を提案したりするためのメカニズムを提供します。

**機能:**このレイヤーは一元化されたインテリジェンスハブとして機能し、AI モデルをエージェント層 (およびアプリケーション) が使用する共有サービスのセットとして提供し、安全フレームワークと監視が組み込まれていて、推論と意思決定の機能を強化します。

**現在の製品との違い:**従来、AI モデルは特定のアプリケーション内に埋め込まれていました。Agentic Enterprise の IT アーキテクチャでは、AI/ML レイヤーは、多くのアプリケーションとエージェントを強化する、一元的なファーストクラスのサービスセットとなり、開発から大規模なリアルタイムサービスまでのモデルライフサイクル全体をサポートします。

主要なテクノロジー機能:

• **事前作成済み基盤モデル:**広範なデータに基づいてトレーニングされ、さまざまな一般的なタスクを実行できる大規模な ML モデル。
• **取得拡張生成 (RAG):**基盤モデルを企業固有のデータにグラウンディングして精度を高め、幻覚を軽減する AI 中心のパイプライン。
• **AI Trust、安全性、ガバナンス ハブ:**バイアス検出、説明可能性、安全監視などの責任ある AI 原則を適用するためにモデルライフサイクルに統合された一連のツール。
• **モデルゲートウェイ:**すべてのモデル推測要求の 1 つのエントリポイントとして機能するルーティングエンジン。さまざまな内部モデルと外部モデルへのコールを管理して、コスト、パフォーマンス、コンプライアンスを最適化します。
• **モデル開発ワークベンチ:**データの前処理、モデルのトレーニング、実験のためのツールを備えたデータサイエンティスト向けの統合開発環境。
• **MLOps & Lifecycle Automation Pipeline:**トレーニングからリリース、廃止までのモデルのエンドツーエンドのライフサイクルを自動化する機械学習用の CI/CD エンジン。
• **モデル提供および推測ランタイム:**トレーニング済みモデルをリアルタイム消費用の安全な API エンドポイントとしてリリースするための、拡張性が高く低レイテンシの環境。
• **モデルおよび納入商品レジストリ:**モデル、データセット、ソースコードを含むすべての AI/ML アセットのバージョン管理された一元化されたリポジトリにより、再現性と監査可能性が確保されます。
• **合成データの生成と管理:**機密情報を公開することなく、実際のデータの統計的なプロパティを維持する合成データを生成および管理するツール。

**機能:**エンタープライズオーケストレーションレイヤーは、エージェント企業におけるエンドツーエンドの作業のコントロールプレーンです。これにより、エージェントのワークフローとインタラクションがエンタープライズの目的とガバナンスポリシーに準拠するようになります。他のレイヤーの可観測性テレメトリを使用して包括的なビジネスプロセスモデルを構築し、セマンティックレイヤーから取得した KPI に対する最適化を可能にします。このレイヤーは、重要なワークフローで AI エージェントの新しい各インスタンスに共有コンテキストと実行時間の長いメモリを提供します。

**現在の製品との違い:**このレイヤーでは、構造化された確定的ステップと、人間やエージェントが実行する非構造化で動的な作業の両方を取得する機械可読性の高いモデルを作成することで、ビジネスプロセスを統合的に可視化できます。制約としてビジネス目標とコンプライアンスルールをプログラムでエージェントワークフローにエンコードしてエージェントのワークフォースを管理することで、今日の人間中心のコラボレーションおよびガバナンスモデルを超えます。

主要なテクノロジー機能:

• ハイブリッド ワークフロー実行エンジン:「ブレンドされたオーケストレーショ���モデル」を実行するコアランタイム。ローカルエージェントの振付を許可しながら、一元的な監視を行います。
• **プロセスガバナンスおよび制約エンジン:**宣言型のビジネスルール、ポリシー、制約を消費してすべての未処理プロセスに適用するリアルタイムガバナンスサービス。
• **共有メモリおよびコンテキスト管理:**複数のステップで継続性と一貫性を維持するために、ワークフローのすべてのアクターがアクセスできる共有メモリレイヤー。
• **Process Modeling Studio：**確定的ステップと動的な目標指向ステップの両方を定義する、機械で読みやすく、セマンティックに豊富なプロセスモデルを作成および管理するための設計時環境。
• **プロセスの最適化とシミュレーション：**高度な分析、What-if シミュレーション、予測最適化のためのビジネスプロセスのデジタルシミュレーションを構築する機能。
• **プロセスの検出と稼働状態の監視：**プロセスモデルとリアルタイムデータを取り込み、プロセスの健全性に関するビジネス評価指標に関するレポートを作成します。
• **デジタルツインプロセスモデリング:**本番に影響を与えることなく、ライブワークフローをテスト、変更をシミュレーション、最適化するためのリアルタイムミラー。

**機能:**このレイヤーは、既存のビジネスアプリケーション機能をエージェントが使用できるコンポーザー可能なモジュール化されたツールおよびサービスとして公開します。また、エージェント機能をユーザーエクスペリエンスに組み込むためのプレゼンテーションランタイムとしても機能します。アプリケーションは引き続き記録システムですが、エージェント向けの「ヘッドレス」機能として再設計されています。

**現在の製品との違い:**アプリケーションはモノリシック UI から、エージェントが API やイベントを介して動的にコールできる「バックエンドサービス」に進化します。このレイヤーは AI エージェントやモデルとネイティブに統合され、コード生成 LLM の急増により、エージェントが作成するカスタムマイクロアプリケーションが増加するでしょう。

主要なテクノロジー機能:

• **モジュラー型アプリケーションサービス:**従来のアプリケーションから分解されたビジネスロジック。エージェントがコールできるように機械で読み取り可能なアクションとして公開されます。
• **エージェント埋め込みSDK:**開発者がエージェントをアプリケーション UI に直接安全に組み込むことができるツールキットとライブラリ。
• **動的UI生成サービス:**AI エージェントがユーザーコンテキストに基づいてリアルタイムで UI コンポーネントを生成または変更できるサービス。
• **AIネイティブUIフレームワーク:**確率データの管理やテキスト応答のストリーミングなど、AI 駆動の UI の処理のサポートが組み込まれて設計されたフロントエンドフレームワーク。
• **エージェントが導入したエンゲージメントのシステム:**ビジュアルコンポーネントを介して AI エージェント機能を組み込むエンタープライズ生産性およびコラボレーションアプリケーション。
• **AIで強化されたローコード/ノーコード アプリケーション開発:**ユーザーとエージェントが自然言語とプロンプトを使用してカスタムアプリケーションとサービスを作成できるツール。
• **エージェントの利用状況に関するアプリケーション ガードレール:**レート制限、範囲設定済み権限、テレメトリなど、エージェントの使用に関するアプリケーション側の制御。

**機能:**セマンティック レイヤーは、企業全体のデータとKnowledgeの統合的な理解を提供し、人とAIエージェントの両方が一貫した方法で情報を解釈して処理できるようにします。オントロジーやKnowledgeグラフなどのKnowledge表現ツールを使用して、自然言語クエリをコンテキスト対応の正確なデータ クエリに変換します。

**現在の製品との違い:**今日の企業にはさまざまなメタデータ ストアがありますが、Agentic Enterprise の IT アーキテクチャでは、明示的に定義されたセマンティック関係を持つドメイン間でデータをリンクする一元化された Enterprise Knowledge Graph（EKG）が必要です。これにより、AIエージェントが複雑な推論を実行するためにトラバースできる豊富なコンテキストが提供され、複数の機能ドメインにまたがるKnowledgeグラフを強化する一連の技術的機能の要件が作成されます。

主要なテクノロジー機能:

• **メタデータサービス:**データの系統、所有権、分類などの説明メタデータを提供します。
• **ビジネス用語集および分類管理:**ビジネスユーザーが標準ビジネス用語を定義して合意するためのツール。
• **セマンティック・モデル管理：**Knowledgeエンジニアがセマンティック モデルとオントロジーを作成、管理、統制するためのワークベンチ。
• **Enterprise Knowledgeグラフ(EKG):**ビジネスエンティティ間のリレーションを保存およびマッピングするエンタープライズオントロジーの実行時インスタンス。
• **メタデータ取り込みおよびハーモナイゼーションエンジン:**さまざまなソース システムから Enterprise Knowledge グラフに入力して管理する自動パイプライン。
• セマンティッククエリエンジン:自然言語クエリを解釈し、ECG に基づいて構造化されたクエリを作成して、さまざまなソースからデータを取得します。
• **セマンティック推論エンジン:**暗黙的なKnowledgeと非表示のリレーションを分析して、ECGから取得します。

**機能:**データレイヤーは、セマンティックレイヤーで解釈するすべてのエンタープライズデータ、トレーニングで使用する AI/ML レイヤー、トランザクションで使用するアプリケーション、推論に使用するエージェントへの安全な管理アクセスを管理して提供する、基本的な情報源です。

**現在の製品との違い:**データレイヤーは、多くの場合クラウドスケールのデータレイクハウスを中心に、より統合され、リアルタイムかつガバナンス重視に進化しています。大量のさまざまなデータを処理し、反応型エージェントをサポートするためにバッチ指向の処理からリアルタイムストリーミングに移行する必要があります。データガバナンスと品質は、貧弱なデータによって欠陥のある AI 出力が生成されないようにするためにさらに重要になります。

主要なテクノロジー機能:

• **VectorDB：**RAG に不可欠な高ディメンションのベクトル埋め込みを保存および照会するために最適化された特殊なデータベース。
• **インテリジェントな分析データ・パイプライン：**データの取り込み、変換、データレイヤーへの読み込み (ETL/ELT) のための自動化されたメタデータ駆動型サービスです。
• **Enterprise Data Lakehouse:**分析と AI の両方のワークロード向けに最適化された、構造化データ、半構造化データ、非構造化データの中央リポジトリ。
• **ゼロコピー データの統合と検索:**物理的なデータを移動することなく、複数のストアのデータへのアクセス、クエリ、検索を行う手法。
• **自然言語から SQL:**自然言語クエリを SQL に変換する手法。
• **エンタープライズデータカタログおよび検出サービス:**企業全体のすべてのデータアセットの一元化された検索可能なインベントリ。
• **マスターおよび参照データ管理 (MDM):**Customer や Product などの重要なビジネスエンティティの「ゴールデンレコード」を管理します。
• **Adaptive Data Quality Service:**AIを使用してデータ品質の問題をリアルタイムで自動的に検出して修正する継続的な監視サービス。
• **データ契約:**データ交換のスキーマ、セマンティクス、SLA を指定する、データプロデューサーとコンシューマー間の機械で読み取り可能な契約。
• **AIに特化したデータ ストア:**時系列データベースやグラフデータベースなど、特定の AI 使用事例向けに設計されたデータベース。
• **AI対応データ ファブリック:**さまざまな物理システム間でデータを統合および仮想化して表示する論理データ抽象化レイヤー。
• **リアルタイムのデータ処理:**マシン速度でマルチモーダルデータストリームを継続的に処理および分析する機能。

**機能:**インフラストラクチャ レイヤーは、他のすべてのレイヤーの基盤となるもので、AIとエージェントのワークロードを大規模に耐障害性とコスト パフォーマンスに優れた方法で実行するために必要なコンピューティング、ストレージ、ネットワーク、クラウドの機能を提供します。

**現在の製品との違い:**AI ワークロードには、エージェントシステムの確率的性質を処理するための拡張性と柔軟性の向上が必要です。インフラストラクチャでは、迅速なプロビジョニング、GPU などの特殊なハードウェア、およびエージェント間通信用の低レイテンシで高スループットのネットワークトラフィックをサポートする必要があります。

主要なテクノロジー機能:

• **コードとしてのインフラストラクチャ:**CI/CDリリースパイプラインを使用したインフラストラクチャの自動プロビジョニングと管理。
• **ハイブリッドおよびマルチクラウドAIインフラストラクチャ:**パブリック クラウドの融通性と生成 AI ワークロード専用のインフラストラクチャを活用します。
• **AIで最適化されたコンピューティング、ストレージ、ネットワーク:**AI ワークロードからの変動需要に基づいて、インフラストラクチャリソースを動的に割り当てて拡張します。
• **エッジAIインフラストラクチャ:**AI モデルとエージェントをネットワークのエッジにリリースして、固有のレイテンシやプライバシーの要件がある使用事例に対応できるようにします。
• **自己修復インフラストラクチャ:**AI を使用して、手入力なしでシステムリカバリを管理し、高可用性を確保します。
• **持続可能なAIコンピューティング:**AI ワークロードの環境への影響を軽減するエネルギー効率の高いアプローチ。
• **コストとカーボンアウェアの自動拡張:**FinOps と Sustainability シグナルを使用して、容量の拡張と配置を促進します。

**機能:**インテグレーションレイヤーは、API、イベント、プロトコル、ミドルウェアを通じてすべてのシステム (従来および新規) のユニバーサルコミュニケーションファブリックとして機能し、エージェントがサービス、データ、ツールをシームレスに検出して操作できるようにします。

**現在の製品との違い:**インテグレーションは、いくつかの既知のシステム間の事前定義された静的なやりとりを処理するだけでなく、AI エージェントの動的な多対多のコミュニケーションパターンをサポートするように進化する必要があります。リアルタイムのデータ処理が必要であり、エージェント間のアドホック検出とコラボレーションに対応する必要があります。

主要なテクノロジー機能:

• **Operational Data Connectivity Pipeline:**API 主導、イベント駆動、リバース ETL 機能を含む、スキーマの自動マッピング、データ変換、ワークフロー生成のための AI 支援ツール。
• **適応型API管理とサービス メッシュ:**エージェントの適応型ポリシー適用を使用してサービスを動的に登録、検出、管理できる API ゲートウェイおよびサービスメッシュテクノロジー。
• **Semantic Knowledge Adapters：**一貫したデータ解釈のためにエージェントとアプリケーションで共有される語彙とデータモデルを提供するインテグレーションコンポーネント。
• **イベント駆動型インテグレーションファブリック:**分離された非同期通信を可能にする高スループット、低レイテンシのメッセージングおよびストリーミングバックボーン。
• **エージェントプロトコルゲートウェイ:**MCP サービスと内部 API およびイベントとの橋渡しとしてエージェントがツールを安全に検出してアクションをトリガーできるようにする MCP サービスのゲートウェイ。
• **構成可能な機能カタログとマーケットプレイス:**すべてのエンタープライズ機能 (API、サービス、エージェントのスキル、モデル、データセット) の一元管理されたカタログ。オンデマンドで構成できるようにセマンティックメタデータでアノテーションが付けられています。

**機能:**このレイヤーは、エージェントとシステム全体の健全性と業務パフォーマンス (オブザーバビリティ組み込み原則) を監視して管理し、インサイトを生成して透明性と制御性を提供し、企業のエージェントの従業員の監査、デバッグ、説明可能性、コスト、リソースの最適化を可能にします。

現在の製品との違い エージェントがマシン速度でエラーを作成するリスクを考えると、このレイヤーはさらに重要になります。インフラストラクチャ監視の範囲を超えて自律エージェントの予測不能な動作まで拡張する必要があり、技術的なパフォーマンスだけでなく、新しい種類のテレメトリとセマンティックの正しさを理解する機能が必要になります。

主要なテクノロジー機能:

• **Real-Time Monitoring & Observability Platform:**ML 評価指標とエージェントの動作の拡張機能を使用して、IT 環境全体のログ、評価指標、トレースを継続的に収集します。
• **FinOps & Cloud Cost Management:**AI およびエージェントのワークロードに関連するインフラストラクチャコストの監視、分析、最適化を行います。
• **エージェントおよびML固有の監視:**エージェントの実行の各ステップを変更不可能な監査履歴に記録し、エージェントの行動を継続的にプロファイルして、確立された規範からの逸脱を検出します。
• **AIOps、インシデント、変更管理:**AI/ML を使用して、潜在的な IT 問題を予測し、根本原因を特定して、修復ワークフローを作成します。
• **Closed Learning Feedback Loop:**エージェントからの観測可能性テレメトリを MLOps パイプラインに統合し、モデルの再トレーニングや迅速な調整を自動化します。
• **Semantic Observability Engine：**コンテキスト化のために可観測性をセマンティックレイヤーと統合し、エージェントの行動のセマンティック異常を検出できるようにします。

**目的:**このレイヤーは、企業の資産を脅威から保護し、リスク管理を行い、規制要件へのコンプライアンスを確保することで、アーキテクチャ全体にTrustと安全性を組み込みます。ID 管理、脅威検知、GRC、AI 固有のセキュリティ対策が含まれます。

**現在の製品との違い:**セキュリティレイヤーは、プロンプトインジェクションやモデルポイズニングなど、AI モデルやエージェントによって提供される新しい攻撃対象領域に対応するために進化する必要があります。ID およびアクセス管理は、静的なロールベースの制御から、ジャストインタイムで付与され、使用直後に取り消される動的なインテントベースの権限に移行する必要があります。

主要なテクノロジー機能:

• **LLM 入出力セキュリティおよびガードレール:**プロンプト時と応答時に適用されるエンタープライズガードレールにより、安全でないコンテンツ、PII 漏洩、脱獄をブロックします。
• **AI検証を使用したZero Trustアーキテクチャ:**AI ベースの行動分析によって強化された継続的な認証。エージェントは特定のタスクに基づいてきめ細かくジャストインタイムにアクセスできます。
• **エージェントセキュリティフレームワーク:**エージェントの活動を安全に中断するためのきめ細かな権限モデル、有害な動作の監視、および封じ込めメカニズム。
• **AIモデル セキュリティ:**モデルライフサイクルの各フェーズで制御を行い、中毒、抽出、攻撃者の攻撃から保護する多層防御戦略。
• **プライバシー保護AI:**機密データを保護するための統合学習や差分プライバシーなどの技術。
• **AIで強化されたGRC:**AI エージェントを使用して、IT アーキテクチャの統制へのコンプライアンスを継続的に監視します。
• **コードとしてのポリシーエンジン:**宣言型の機械で判読可能な形式でビジネスルールとコンプライアンス制約を定義するための一元化された情報源で、エージェントの行動のガードレールを設定します。
• **継続的なレッド・チーミング：**AI モデルとエージェントの自動的かつ継続的な敵対的テストにより、攻撃者が脆弱性を悪用する前に特定します。

Agentic Enterprise に移行するには、具体的なビジネス価値を創出しながら、テクノロジー基盤を設定して複数フェーズのジャーニーに従う必要があります (次の図 3 を参照)。正確なロードマップは、企業の戦略、文化、AI ガバナンスモデル、IT アーキテクチャの開始点によって異なりますが、継続的な IT 投資は、範囲の拡大、複雑さの増大、価値の創出を伴うエージェントを強化するため、ほとんどの組織は段階的なアプローチを採用する必要があります。Salesforce のエージェント成熟度モデルは、企業がトランスフォーメーションを戦略化するための有用な成熟度のフレームワークを提供します。このフレームワークでは、基本的な情報取得 (レベル 1) から、より複雑なマルチドメイン (レベル 2) およびマルチエージェントワークフロー (レベル 4) のオーケストレーションまで、エージェント機能をどのように拡張できるかを概説します。これらのフェーズを順調に進めるには、AIエージェントのより複雑で価値の高い導入のニーズを満たすために、各フェーズのアーキテクチャのさまざまなレイヤーに対象を絞った投資を行い、ITアーキテクチャを協力して進化させる必要があります。成熟度レベルごとに、11のアーキテクチャ レイヤーで必要とされる特定のテクノロジー機能が投資の根拠と共に特定されます。

成熟度レベル 1:情報取得エージェント

**ビジネス目標と価値 Knowledgeを照会するための信頼性の高い対話型のインターフェースを提供することで、人間の作業員の生産性を向上させます。**最も重要なのは、人間の能力を増強することであり、置き換えることではありません。これらのエージェントは、情報を取得してアクションを推奨することで人間をサポートします。

**アーキテクチャの焦点:**焦点は、安全で信頼性の高いデータ基盤と、情報検索に必要な基本的な AI コンポーネントを確立することです。ガバナンスとオブザーバビリティは、ユーザーのTrustを構築し、コストを管理するために初日から不可欠です。

主要なテクノロジー投資(図4):

このフェーズでは、信頼できるデータからエージェントへのパイプラインやその他の基盤機能の作成に焦点を絞る必要があります。VectorDBなどのデータ レイヤーのテクノロジーは、情報取得エージェントを強化するRAG(取得拡張生成)技術を実現するために不可欠です。これに、基盤モデルへの安全でコスト コントロールされたアクセスのためのモデル ゲートウェイと、安全でない出力を監視してコンプライアンスを確保するためのAI Trust、Safety、Governanceハブが含まれる一元化されたAI/MLレイヤーを組み合わせます。セマンティック****層のマスターデータ管理とビジネス用語集は、エージェントが正確な情報を取得するための基礎となります。このフェーズで作成されたエージェントを将来の使用事例に合わせて変更および拡張できるようにするには、エージェントのランタイム機能とライフサイクル機能が必要です。価値を提供し、ユーザーの信頼性を高めるには、エクスペリエンスレイヤーに属性と透明性の UI を組み込む必要があります。この UI では、引用とその情報源を表示することでエージェントの回答を説明可能にします。基本的な可観測性とセキュリティへの投資(Trust****ゼロなど)は、実装を開始して、将来のエージェントによる導入に備える必要があります。

成熟度レベル 2:シンプルなオーケストレーション、単一ドメインエージェント

**ビジネス目標と価値:1つのビジネスドメイン内で日常的なタスクを自動化し、複雑さの低いワークフローを調整します。**これにより、業務効率が向上し、手作業が減るため、作業員はより価値の高い活動に集中できます。

**アーキテクチャの焦点:**アーキテクチャの主要なシフトは、参照のみのデータ取得からアクションの実行です。これには、エージェントがアクセスするためのアプリケーション機能 (多くの場合 API として公開) のモジュール化、エージェントアクションの堅牢なセキュリティの実装、AI エージェントのインテリジェンスを促進するためのセマンティックおよび AI 開発機能の構築など、より長いジャーニーを開始する必要があります。

主要なテクノロジー投資(図5):

投資は、AI エージェントが適切なガバナンスの下でアクションを実行できるようにすることをテーマにしています。アプリケーションおよびアプリケーションサービスレイヤーは、モノリシックなビジネスロジックがエージェントがコールできるモジュラーアプリケーションサービス(API)に分解されるため、重要な変更を受けます。これらはApp Guardrailsによって保護され、エージェントがシステムを圧倒することを防ぎます。また、オブザーバビリティ ツールに統合されています。これらのエージェントを強化するには、エージェントの推論、ツールプロトコル (MCP など)、およびレジストリに投資する必要があります。これにより、新しいリスクが発生し、専用のエージェント セキュリティ フレームワークとAIモデル、エージェント監視機能がガバナンスとセキュリティに不可欠になります。最後に、企業はカスタムモデルの AI/ML 機能を拡張して、ドメイン固有のタスクに取り組むエージェントを強化できます。

成熟度レベル 3:マルチドメインオーケストレーションエージェント

ビジネス目標と価値:組織と機能の境界にまたがる複雑なエンド・ツー・エンドのビジネス・プロセス（「見積-to-キャッシュ」、「リード-to-注文」など）を自動化します。価値は、サイロの解消、プロセスのサイクル時間の短縮、ビジネス内のバリューチェーン全体の最適化にあります。組織の障壁が取り払われ始め、人間が AI エージェントの監視により集中し始めると、人間の作業員の生産性のより高いステップの変化が可能になります。

**アーキテクチャの焦点:**アーキテクチャは、横断的な技術的な問題をサポートする必要があります。企業全体で共有されているセマンティック理解、ガバナンスのための一元化されたオーケストレーションエンジン、分離されたイベント駆動型インテグレーションファブリックが重要なイネーブラーになります。

主要なテクノロジー投資(図6):

テクノロジーへの投資は、人、エージェント、確定的システムにまたがるエンタープライズ規模のプロセスの調整にテーマ別に重点を置いています。エンタープライズ・オーケストレーション・レイヤーは投資の焦点となり、アクティビティを調整するためのハイブリッド・ワークフロー実行エンジンと、処理中のプロセスにビジネス・ルールとコンプライアンス・ポリシーを適用するためのプロセス・ガバナンス/制約エンジンが必要になります。これは、多くの場合、エージェントがドメイン間で作業し、ポリシーやセマンティック定義が異なるためです。このクロス・ドメイン調整は、ドメイン間でのビジネス・エンティティの関連性について共通の理解を作成するEKG（Enterprise Knowledge Graph）を備えた成熟したセマンティック・レイヤーでのみ可能です。インテグレーションレイヤーは、ストリーミングバックボーンを使用してシステムを分離し、長時間実行されるエンタープライズプロセスに典型的な耐障害性の高い非同期通信を可能にするイベント駆動型インテグレーションファブリックを含めるように進化する必要があります。これらのワークフローの価値が高く、関連するリスクを考えると、セキュリティとモニタリングへの追加投資が最も重要になります(AIOps、コードとしてのポリシーなど)。最後に、アプリケーションおよびサービス レイヤー(AI対応LCNC、より動的でマルチモーダルなユーザー エクスペリエンスなど)では、人間のユーザーがより能力の高いAIエージェントの監視やコラボレーションを開始するため、さらなる投資を行う必要があります。

成熟度レベル 4:マルチエージェント、マルチドメインオーケストレーション

**ビジネス目標と価値:ドメイン全体のビジネス運用を再設計して最適化し、生産性と効率性の段階的な変更を促進します。**このフェーズでは、主要なビジネスプロセスとワークフロー全体で継続的な改善と戦略的計画を行うための、企業の総合的なデジタルシミュレーション (デジタルツイン) を作成します。

**アーキテクチャの焦点:**最終フェーズでは、エージェント間の動的で創発的なコラボレーションの実現に焦点を当てます。これには、高度なエージェント間通信プロトコル (A2A)、エージェントの自己学習機能、オーケストレーションレイヤー、データレイヤー、セマンティックレイヤーの成熟に向けたさらなる投資、およびエージェントが企業全体でスケールアウトされるにつれて増大する動的 AI ワークロードのニーズをサポートするための完全動的および自己修復インフラストラクチャが必要です。

主要なテクノロジー投資(図7):

テーマ別投資では、自己改善型の自律システムの作成に焦点が当てられます。エージェント層では、Agent Self-Reflection & Adaptation Framework によって、エージェントが自身のパフォーマンスログを分析し、改善をトリガーするメカニズムが提供されます。この学習は、IT Operations and Observability Layerによってサポートされます。Closed Learning Feedback Loopを実装し、モデルの再トレーニングのためにオブザーバビリティ データを自動的にMLOpsパイプラインにフィードバックします。また、合成データ生成を活用してモデルのパフォーマンスをさらに最適化することもできます。エージェントのネットワークが部門全体に展開され、アプリケーションのモジュール化の取り組みも進行中であるため、セキュリティへのさらなる投資と、エージェントがより抽象的で価値の高いタスクを解決するための機能を動的に構成するための構成可能機能カタログが不可欠になります。これらのプロセスはすべて、新しいデジタル ツイン プロセス モデリング機能によって調整および最適化されます。この機能により、リアルタイムのデータを使用して What-If 分析と予測最適化のシミュレーションが作成され、企業は新しいエージェント導入を安全にテストおよび導入できます。

結論

エージェント型企業へのロードマップは、IT アーキテクチャの進化に沿って実行されます。エンタープライズアーキテクトは、この変革の重要なドライバーであり、組織がエージェント型エンタープライズの新しいビジネス機能から価値を実現するために必要な、ビジネスおよび IT の他のパートナーと共に重要な投資意思決定を促進します。