はじめに

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。この新しいワークフォースは、イノベーション、生産性、アジリティにおいて劇的な変革をもたらし、株主と顧客に価値を生み出します。このビジョンを実現するには、企業がビジネスとITの変革を経てエージェント型エンタープライズ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、企業は成長のためのイノベーションを促進し、業務運営の最適化を推進し、さまざまなタイプの新しいビジネス機能を通じてエージェント型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:

  • 人間の生産性の向上: AI エージェントのスピード、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: AI 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ます。これにより、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 — 金融事業における顧客体験の革新：_ウェルスマネジメント会社は、AIエージェントを活用してエンゲージメントモデルを革新できます。AIエージェントは、ポートフォリオを自律的に監視し、顧客レビューの重要なタイミングを特定し、アドバイザーのための事前の面談プランを準備し、ニュースが発生した際にはプランを調整します。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: 企業は、コストと遅延をかけずに、完全に人手に頼ることなく、ビジネス状況の変化に伴う業務量の急増に対応する能力をすばやく拡張できます。
  • 予測運用レジリエンス:AIエージェントは、24時間365日体制という性質により、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 エージェントを導入して、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 データセット内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。

運用上の卓越性を最適化する新しいビジネス機能：

  • 自動プロセス実行: デジタルワークフォースは、複雑な複数ステップのタスクをマシン速度で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: AI 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エージェントを導入して、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。

このセクションでは、自律型 AI エージェントが人間の作業者と共に判断し、アクションを実行するために、従来の IT アーキテクチャがどのように進化する必要があるかを説明します。

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、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、エクスペリエンスの5つの主要なレイヤーで構成されます。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、データへのアクセス、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アクションとして実行する人間のワーカーに企業のインテリジェンスが存在するという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 IT アーキテクチャ層の図

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、展開、ガバナンス、リスク管理のための共通ツールと再利用のための共有機能としてではなく、アプリケーションの特定のユースケースに対し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、しばしばサイロ化されたアプリケーションスタックにまたがり、異なるデータセットに対して推論し、互いに協力する必要がありますが、今日のアーキテクチャには、これらのエージェントが異なるデータセットに対して推論するための共通のセマンティック機能が存在しません。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上）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オートメーションツールの機能を大幅に上回る複雑さとインテグレーションの課題が生じます。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という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、エージェントの機能、ワークフロー、および人間に見せる表面を迅速かつ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ファースト: 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把握できるように共有することで、包括的で正確、高速、安全で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およびビジネスの可観測性組み込み: エージェントの推論、動作、システム操作、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: エージェントのタスク(データアクセス、アクションなど)の意図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レベルの速度で動作することにより連鎖的なリスクを引き起こす可能性を考慮すると、より詳細かつ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 ファースト:**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 ツールとして使用し、他の考慮事項(コスト、技術的適合性など)を排除して、エージェントのワークフローにアクセスできる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度が事前にプログラムされたしきい値を下回った場合に、人間の指示を積極的に求めるための自己省察能力を有する必要があります。
  • 反応型およびマルチモーダルインタラクション: 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します。
  • オープンエコシステム: オープンスタンダード、プロトコル、および明確に定義されたインターフェイス(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活用することにより、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成功裏に実現し、スケールするために、企業は単に既存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つの追加のアーキテクチャレイヤー（図2）の導入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。

Agentic Enterprise の 11 個のレイヤーが表示されているアーキテクチャレイヤーの図

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、相互関係を明示的にエンコードして管理し、企業オントロジーとビジネス知識の表現を作成して、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。企業が支配する AI 機能に焦点を当てており、外部ベンダーが提供するものではありません。このレイヤーは、信頼、セーフティ、コンプライアンス、展開のための標準化されたメカニズムを使用して、企業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（設計時にモデル化された）と動的ステップ（実行時間にエージェントによって決定される）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ため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。詳細なプロセス文書には、以前は見えなかったタスク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) を継続的に追跡して評価し、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んで、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、ユーザーのプライマリ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実現します。ユーザーのインテントをアクションのためにエージェント型レイヤーにシームレスに渡すと同時に、エージェント型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 とビジュアル化も提供します。

現在との相違点: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イスを強化します。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支援機能を使用するようにUXをデフォルトで有効にします。
  • 属性および透明性UI: 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、ユーザーインターフェースで回答を説明できるようにします。
  • プロアクティブ & アンビエント通知サービス: エージェントは、ユーザーの現在のコンテキストに基づいて、最適なチャネルとフォーム要素でインサイトやアラートをユーザーにプロアクティブに転送できます。
  • **オムニチャネル エクスペリエンス:**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エクスペリエンスが提供されます。
  • **マルチモーダル機能:**テキスト、音声、画像、タッチ、ビデオ、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モーダルで情報を理解して表示できます。
  • Context-Aware Personalization & Dynamic UI: コンテキストに対応したリアルタイムのユーザーエクスペリエンス (時間、場所、ユーザーアクション) を実現し、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、エクスペリエンス レイヤーからタスクを分解し、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。

現在との相違点: このレイヤーは、現在存在する分散したパイロットプロジェクトや限定的なエージェント型展開を統合することで、今日の状況を変革します。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: エージェント活動とバージョン管理のための開発フレームワーク、開発およびテストツール、管理システムが含まれます。
  • Agent Reasoning Engine: 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。
  • Agent Memory and Context Store: エージェントインスタンスが以前のインタラクションに関するコンテキストを呼び出して維持できるため、一貫性とパーソナライズが確保されます。
  • Agent Interoperability Protocols: 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) と通信するための標準化されたインターフェイス。
  • ツールレジストリ: エージェントが特定のタスクを実行するために呼び出す、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。
  • **Agent Self-Reflection & Adaptation Framework (**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、エージェント レイヤー(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AIモデルを提供し、組み込みの安全フレームワークと監視で推論と意思決定の機能を強化します。

**現在との違い:**従来、AIモデルは特定のアプリケーション内に組み込まれていました。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。
  • RAG(**取得拡張生成):**精度を向上させて幻覚を軽減するために、エンタープライズ固有のデータに基盤モデルをグラウンディングするAI中心のパイプライン。
  • **AI Trust、**Safety、Governance Hub:バイアスの検出、説明可能性、安全性の監視など、責任あるAIの原則を適用するためのモデル ライフサイクルに統合されたツール セット。
  • 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し、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:**機械学習用のCI/CDエンジンで、トレーニングから導入、廃棄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します。
  • 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。
  • **モデルおよびアセット 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ためのツール。

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。他のレイヤーからの可観測テレメトリを取り込み、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に基づく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において、AIエージェントの各新規インスタンスに共有コンテキストと長期記憶を提供します。

現在との相違点: このレイヤーでは、構造化された確定的ステップと、人間とエージェントによって実行される非構造化で動的な作業の両方をキャプチャするマシン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把握できます。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ンモデル」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。
  • Process Governance & Constraint Engine: 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処理中のプロセスに適用するリアルタイムのガバナンスサービスです。
  • 共有メモリおよびコンテキスト管理: 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で、複数のステップで継続性と一貫性を維持します。
  • 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、マシンで読みやすくセマンティック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。
  • **Process Optimization and Simulation (**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。
  • Process Discovery & Health Monitoring (プロセス検出および状態監視): プロセスモデルとリアルタイムデータを取り込んで、プロセスの正常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。
  • Digital Twin Process Modeling: 本番環境に影響を与えることなく、ライブワークフローのテスト、変更のシミュレーション、最適化を行うためのリアルタイムミラー。

機能: このレイヤーでは、既存のビジネスアプリケーションの機能が、エージェントが使用できる構成可能なモジュール型のツールおよびサービスとして公開されます。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。

**現在との違い:**アプリケーションは、モノリス型の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で、エージェントがコールするための機械で読み取り可能なアクションとして公開されます。
  • Agent Embedding SDKs: 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UIコンポーネントをリアルタイムで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駆動型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。
  • エージェント融合システム オブ エンゲージメント: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拡張ローコード/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。
  • App Guardrails for Agent Usage: 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状況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 レイヤーにより、企業全体のデータとKnowledgeの統合的な理解が提供され、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および処理できます。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。

現在との相違点: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 リレーション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必要な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グラフを駆動するための一連の技術的能力が求められます。

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、説明的な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: 知識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です。
  • Enterprise Knowledge Graph (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化されたパイプライン。
  • 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構築して、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: EKGから暗黙的な知識や隠れた関係を分析し、導き出します。

機能: データレイヤーは、基本的な情報源であり、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されたアクセスを管理して提供します。

**現在との違い:**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、質の低いデータが欠陥のあるAI出力を生むのを防ぐために、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の保存とクエリ用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、および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主導のサービスです。
  • **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。
  • ゼロコピーデータ統合および検索: 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 & Discovery Service: 企業全体のすべてのデータアセットの一元的な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): 顧客や商品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。
  • **適応型データ品質サービス:**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、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専門データストア:**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の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たビューを提供する論理データ抽象化レイヤー。
  • リアルタイムデータ処理: マルチモーダルデータストリームをマシン速度で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り、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。

現在との相違点: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パイプラインを使用してインフラストラクチャのプロビジョニングと管理を自動化します。
  • 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に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:**固有のレイテンシやプライバシーの要件があるユースケース向けに、AIモデルとエージェントをネットワークのエッジに導入できます。
  • **セルフ ヒーリング 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。
  • **コストおよびカーボン対応のオートスケール:**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、および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、および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。

現在との相違点:インテグレーションは、既知のいくつか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な検出および協働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 管理およびサービス 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、および管理できる 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: エージェントおよびアプリケーション間で共有される語彙とデータモデルを提供し、一貫したデータ解釈を実現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。
  • Agent Protocol Gateway: MCP サービス用のゲートウェイ。エージェントがツールを安全に検出し、アクションをトリガーして、MCP を内部 API とイベントに結び付けることができます。
  • Composable Capability Catalog & Marketplace: すべてのエンタープライズ機能 (API、サービス、エージェントスキル、モデル、データセット) の一元的な管理カタログ。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ます。

機能: この層は、エージェントとシステム全体の健全性と運用パフォーマンス (オブザーバビリティ組み込みの原則) 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従業員の監査、デバッグ、説明可能性、コスト、およびリソースの最適化を可能にします。

現在との違い:AI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: IT環境全体のログ、評価指標、およびトレースを継続的に収集し、ML評価指標とエージェントの動作に関する拡張機能を提供します。
  • **FinOps & Cloud Cost Management:**AIおよびエージェント 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プロンプトによる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な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 Input/Output Security & Guardrails (LLM 入出力セキュリティおよびガードレール): プロンプトおよび応答時に適用され、安全でないコンテンツ、PII の漏洩、および脱獄をブロックします。
  • AI検証による**Zero Trust Architecture:**AIベースの行動分析によって強化された継続的な認証。エージェントが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手法。
  • **AI拡張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。
  • Policy-as-Code Engine: 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。各成熟度レベルにおいて、11のアーキテクチャ層全体で必要とされる具体的なテクノロジー機能が、その投資理由とともに明確に示されます。

成熟度レベル 1 ～ 4 を示すロードマップ図

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: 企業ナレッジを照会するための信頼できる対話型インターフェースを提供することで、ワーカー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:**安全で信頼性の高いデータ基盤と、情報の取得に必要な基本的なAIコンポーネントを確立することに重点を置いています。ガバナンスと可観測性は、ユーザーの信頼を構築し、コストを抑制するため、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およびその他の基盤機能の構築に注力する必要があります。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1のテクノロジー投資図

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AI/ML機能をカスタムモデル向けにスケールさせて、ドメイン固有のタスクに取り組むAI エージェントを強化できます。

成熟度レベル2のテクノロジー投資ダイアグラム

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

ビジネス目標および価値: 組織間および機能間の境界を越え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。組織のバリアが取り払われ始め、人間ワーカーがAI エージェントの監視に注力できるようになると、人間ワーカーの生産性は大幅に向上する可能性があります。

アーキテクチャの焦点: このアーキテクチャは、横断的な技術的課題をサポートする必要があります。企業全体で共有されるセマンティックな理解、一元化されたガバナンス向けオーケストレーションエンジン、そして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、重要な促進要因となります。

成熟度レベル3のテクノロジー投資ダイアグラム

主要なテクノロジー投資（図6）:

テクノロジーへの投資は、人間、エージェント、確定的システムにまたがる企業規模のプロセスのオーケストレーションにテーマ別に注力しています。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: ドメイン全体の業務を再設計して最適化し、生産性と効率の段階的な変化を促進します。**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な創発的なコラボレーションの実現に焦点が当てられます。これには、高度なエージェント間（Agent-to-Agent：A2A）通信プロトコル、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に動的かつ自己修復可能なインフラストラクチャが必要です。

成熟度レベル4のテクノロジー投資ダイアグラム

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、Closed Learning Feedback Loopを実装することで、オブザーバビリティデータを自動的にMLOpsパイプラインへフィードバックし、モデルの再トレーニングを促進します。さらに、合成データ生成を活用してモデルのパフォーマンスを一層最適化することも可能です。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

エージェント型エンタープライズへのロードマップは、ITアーキテクチャの進化を通じて進みます。エンタープライズアーキテクトは、この変革の重要な推進者であり、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ともに、重要な投資意思決定を推進します。