登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 AIエージェントの自律化と天文学的な成長予測に沸いた10月
AIエージェントの自律化と天文学的な成長予測に沸いた10月 コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
AIエージェントの自律化と天文学的な成長予測に沸いた10月 を含む検索結果
AI議論 11月のダウンな絶望論 と10月の希望論 11月半ばですが、#AIエージェントの自律化と天文学的な成長予測に沸いた10月# から #政治的バックラッシュ4兆ドルの市場急落そしてインフラの物理的限界に直面した冷徹な11月へ# と両面、高精細に見とかないと軸がぶれるのでまとめました。 テクノロジー、マクロ金融、地政学・規制、企業戦略の各レイヤーにおける決定的な傾向の違いをざくっとどうぞ --- ### 1. マクロ金融・株式市場のトーン変化:「青天井のマルチプル」から「冷徹な市場の審判(Reckoning)」へ * **2026年10月の傾向(陶酔感とメガラウンド)**: * **売上倍率の無視と先行投資競争**: 10月中旬、BessemerのSameer Dholakia氏は「過去のARR倍率に拘る者はAIの巨大サイクルを見誤る」「NTM(今後12ヶ月売上)の10〜15倍であれば全く高くない」と主張し、57.5億ドルの超巨大ファンドを組成しました。 * **10億ドル超のメガシードとユニコーン乱立**: Instinctが評価額100億ドルで10億ドルを調達し、Townが1億ドル調達で10億ドル評価、Modalが157.5億ドル評価を獲得。売上ランレート700億ドルに迫るOpenAIや、2兆ドルIPOを目指してS-1を提出したAnthropicの指数関数的成長が称賛されていました。 * **2026年11月の傾向(株価急落と過剰債務への警戒)**: * **4兆ドルのAI売り崩しとGoogleの5,000億ドル暴落**: 11月に入ると、ハイパースケーラーの巨額CapEx負担によるフリーキャッシュフロー悪化や、需要減速懸念を背景に、株式市場から**4兆ドル(約600兆円)の時価総額が蒸発**。Google株は単日で5,000億ドルを失い、OpenAIの想定評価額も1.5兆ドルから1.25兆ドルへ下方修正されました。 * **基金(Endowment)やプロ投資家の冷徹な選別**: WashU基金のScott Wilson氏は「36のヘッジファンドを全廃し、実体企業を直接調査した結果、現在のAI関連企業の半数は10年後に存在しない」「過大評価されたAI企業への審判(Reckoning)が迫っている」と警鐘を鳴らしました。 * **インターネット・バブルとの比較論(Mike Volpi)**: 1990年代のCiscoや光ファイバー投資を引き合いに出し、200社存在するAIネオクラウドの多くはバランスシートが極めて脆弱であり、市場調整によって淘汰・再編されると指摘。 --- ### 2. インフラ・電力の力学:「無限の供給不足」から「全米データセンター建設凍結」へ * **2026年10月の傾向(物理サプライチェーンの逼迫)**: * **2027年分まで完全完売**: Amazon CEO Andy Jassy氏は、2026年に2,200億ドル(約33兆円)を投じてもなお、AWSのAIインフラ容量は**2026年・2027年分が完売(Sold out)**していると明かしました。 * **ハードウェアボトルネック**: パット・ゲルシンガー氏やNaveen Rao氏が語ったように、論理設計が3ヶ月でできても「製造・パッケージングに9ヶ月かかる壁」や、HBMメモリの不足、1GWあたり500億ドルかかるデータセンター建設費といった**「物理的供給制約」**が議論の中心でした。 * **2026年11月の傾向(政治的抵抗と電力の地政学)**: * **中間選挙(Midterms)による「データセンター凍結」**: 11月第1週の中間選挙で、電力料金高騰や水資源枯渇を訴える地域住民の反発により共和党が大敗。バージニアやワイオミングなどで**データセンター新設計画の凍結(Data Center Freeze)**が現実の脅威となり、政治的リスクがインフラ投資の最大のボトルネックとして浮上しました。 * **Mistral CEOによる「電力神話の解体」**: MistralのArthur Mensch氏は、シリコンバレーで叫ばれる「電力不足でAIが止まる」という言説を批判。光ファイバー網を活用すれば北欧の水力やフランスの原子力など余剰電力地域へ分散可能であり、真に重要なのは「自国の主権下で知能を動かせるか(Sovereign AI)」であると論じました。 --- ### 3. モデル経済と企業戦略:「トークン消費の拡大」から「ワークフローと脱フロンティア」へ * **2026年10月の傾向(自律エージェントの爆発とモデルルーティング)**: * **エージェントが財布を持つ時代(Agentic Commerce)**: a16zのAlex Rampell氏らが解説したように、エージェントが決済資格情報(Credentials)を持ち、自ら航空券や日用品を購入する「ウォレット戦争」が開幕。 * **ハーネス層での最適化**: LangChainのHarrison Chase氏が強調したように、全タスクに高価なフロンティアモデルを使うのではなく、ハーネス層でタスクを判定して安価なモデルへ振り分ける「モデルルーティング」や記憶層(Memory Layer)の設計が開発者の主戦場でした。 * **2026年11月の傾向(脱・フロンティアと深いコンテキストへの回帰)**: * **HubSpot共同創業者Dharmesh Shahの「新OS論」**: ChatGPTやClaudeは新しいOSであり、その進行ルート(汎用AI)で戦うのは自殺行為であると指摘。スタートアップが勝つ道は、フロンティアラボが手を出せない「業界固有の深い業務ワークフロー」と「顧客コンテキスト」を握ることに集約されると提言。 * **オープンソースと自社インフラの台頭**: 企業はトークン従量課金による莫大な請求を嫌い、NVIDIAのオンプレミス・ラックやMistralなどのソブリンモデルを導入して、自社データを社外に出さない「定額・非従量(Unmetered)」な知能インフラの構築を加速させました。 --- ### 4. セキュリティと社会受容性:「性能の驚き」から「ゼロデイとガバナンスの危機」へ * **2026年10月の傾向(科学的ブレイクスルーへの畏怖)**: * **数学史上最難問の自動証明**: Navier-Stokes方程式や準リーマン仮説がAIで解かれたとされる緊急事態(Lex Fridman #503)など、純粋知能が人間トップ数学者の領域を突破したことへの哲学的・学術的衝撃が支配的でした。# * **2026年11月の傾向(兵器化されたAIとサイバー防衛の崩壊)**: * **Wiz CTO Ami Luttwakの警告「毎日がゼロデイ」**: 攻撃側AIが数分で脆弱性をスキャン・兵器化する時代になり、従来のセキュリティ体制が崩壊。 * **Masters of Scale討論「エージェントに情報を渡すな」**: プロンプトインジェクションやデータ漏洩の危険性から、「利便性を口実にサイバーセキュリティの種モミを食い潰している」という強い批判が噴出し、社会的な信頼(Trust)と法的責任(Liability)の欠如が最大のリスクとして浮き彫りになりました。 --- 10月が「AIモデルの性能進化がどこまで経済を拡大できるか」という**上方向の可能性(Upside)**を競っていたのに対し、11月は「巨額の借入金、政治的規制、送電網の限界、そしてセキュリティの脆弱性に耐えられるか」という**下方向の耐性(Downside & Resilience)**が厳しく試されるフェーズへ移行したと言えます。
もっと見る
# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # 集中IDブローカー vs 連合認証 🎯 ポイント エージェントがSalesforce、ServiceNow、Workday、Box、Slackと横断的にアクセスするとき、認証をどう設計しますか?「全部Oktaに集約」と「各システムの既存SSOをそのまま使う」では、セキュリティモデルも運用コストもまったく違います。しかも多くの企業では、どちらか一方ではなく「集中ブローカーで統一認証→各SaaS側でスコープを絞る」ハイブリッドに落ち着きます。なぜそうなるかを理解することが、エージェント時代のID設計の出発点です🔑 📋 概要 集中IDブローカーは、OktaやAzure ADのような単一のIdPにエージェントの認証・認可を集約する方式です。OAuth 2.0 Token Exchange(RFC 8693)でユーザートークンからエージェント用のスコープ制限トークンを発行し、「誰が何をエージェントに委任したか」を一元管理できます。一方、連合認証は各SaaSの既存SAML/OIDC連携をそのまま活用する方式で、各事業部門の自律性と既存投資を活かせます。権限の一貫性と統制力を取るか、各システムの自律性と導入速度を取るかの選択です。 🔍 意思決定のポイント 最初の分岐は「全社IdPは統一されているか?」です。 OktaやAzure ADで統一済み → 集中ブローカーが自然な拡張です。エージェント用のOAuth 2.0 Token Exchangeを集約できる基盤がすでにあります。 IdPが事業部門ごとに分散 → 連合認証から始めるのが現実的です。統合コストを過小評価すると痛い目を見ます。 次に「エージェントがアクセスするシステム数」を確認します。5システム以上なら集中管理の効率が個別管理を上回ります。3システム以下なら個別連携でも十分運用可能です。 データ主権・地域規制も重要な軸です。GDPRや中国データ安全法により認証トークンを特定リージョンから出せない場合、連合認証またはリージョン別ブローカーを選ぶ必要があります🌍 💡 要点と詳細 集中IDブローカーの強みは、ゼロトラスト方針との親和性です。全アクセスをOPAやCedarのような単一ポリシーエンジンで検証し、エージェントの権限を「最小権限」で一括管理できます。定期的な権限棚卸も集中的に行え、SOX/ISMAPなどの監査証跡要件にも対応しやすい。新規にエージェント基盤を構築し、認証設計を白紙から始められる場合はこちらが第一選択です。 連合認証の強みは、既存投資の活用と導入速度です。各SaaSネイティブのSAML/OIDC連携が成熟している環境では、エージェント用に再構築する合理性がありません。M&A直後など異なる認証基盤の統合が中長期課題として残っている過渡期にも有効です。各システム固有のきめ細かい権限モデル(Salesforceのプロファイル/権限セット等)を集中化すると粒度が失われるリスクもあります。 ハイブリッドで最も一般的なのは「集中ブローカー+ローカルスコープダウン」です。Oktaで統一認証した後、各SaaS側でエージェント専用のスコープ制限を適用します。もう一つの現実的なパターンは「フェデレーション+集中監査」で、認証は各システムに委ねつつ、全認証イベントをSIEM(Splunk、Sentinel等)に集約して監査証跡の一元化だけを実現します🔐 ⚖️ トレードオフ 集中ブローカーの最大のリスクは単一障害点化です。IDブローカーの障害で全エージェントが停止する。冗長構成とサーキットブレーカーの設計を怠ると、全社業務に影響します。また、全権限変更が集中ブローカーのチケット承認を経由するため、事業部門のアジリティが低下するという声もよく聞きます。 連合認証のリスクはトークン管理の複雑化です。各SaaSごとに異なるトークンライフサイクル(Salesforceは2時間、ServiceNowは30分などデフォルト値がバラバラ)を管理し、リフレッシュ失敗やトークン失効の検知漏れが多発します。各SaaSの認証強度(MFA要否、セッション有効期限等)がシステムごとに異なり、最弱のリンクがセキュリティホールになるリスクもあります。 移行期の二重管理も見逃せない落とし穴です。連合から集中への移行途中に両方の仕組みが並存し、どちらがsource of truthか混乱する。カットオーバー基準を明確にした移行計画が不可欠です⚠️ 🛠️ ユースケース 全社統一IdP導入済みの大企業:Oktaで全社統一済み、エージェントが10以上のSaaSにアクセスする場合、集中ブローカーが最適です。Token Exchangeでエージェント用のスコープ制限トークンを発行し、OPAで統一ポリシーを適用。各SaaS側ではエージェント専用のサービスアカウントにローカルスコープダウンを設定します🏢 M&A直後の統合過渡期:異なるIdPを持つ2社が統合途中の場合、連合認証で早期稼働し、全認証イベントをSIEMに集約して監査だけ一元化するのが現実的です。高頻度アクセス先から順に段階的に集中ブローカーへ移行します🔄 地域規制が厳しいグローバル企業:GDPRやデータローカライゼーション要件がある場合、リージョン別のIDブローカーを配置するか、各リージョンの既存IdPを連合的に活用します。認証トークンがリージョンを越えない設計が必須です🌐 実践のコツ:いずれの方式でも、エージェントが保持するトークンの暗号化保存とメモリ上の保持時間最小化は必須要件です。移行に使える期間が3か月以内なら連合認証で早期稼働、中長期なら集中ブローカーへの段階的移行を計画してください💪 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
# AIエージェント開発の意思決定ポイント 🎯 ポイント 「安全のために全部承認制にしよう」は、実は安全ではありません。 1日100件の承認要求が来ると、承認者は内容を読まずにOKを押すようになります。これが「承認疲れ」です。承認があるという形式的な安心感だけが残り、実質的なチェックはゼロ。承認なしよりも危険な状態です。HITL承認頻度の設計は、安全性と自動化のメリットの両立を決める重要なダイヤルです。 📋 概要 HITL(Human-in-the-Loop)承認頻度とは、エージェントの処理中に人間の承認を求める頻度を制御するダイヤルです。全操作に承認を求めるか、高リスク操作のみに絞るか、あるいは事後の標本監査に留めるかを決めます。全件承認はエージェントのスループットを人間の応答速度にまで引き下げ、自動化のメリットを消失させます。逆に承認を完全に排除すると、ハルシネーションやツールの副作用による被害を防ぐ最後の砦が失われます。 🔍 意思決定のポイント 📌 失敗コスト:このダイヤルの最大の駆動変数です。失敗時の損害が大きい操作ほど承認を求め、損害が小さい操作は承認を省きます。 📌 可逆性:操作が取り消し可能かどうかで承認の必要性が変わります。読取操作や下書き生成は承認不要、不可逆な操作(本番DBの削除・メール送信・決済)は事前承認必須です。 📌 承認者の認知負荷:承認頻度が高すぎると承認の質が下がるという逆説的な関係を常に意識してください。 💡 要点と詳細 🏗️ リスクゲート方式を推奨します。操作を3層に分類します。 - 自動実行(auto):読取操作、可逆な小規模書込。承認不要 - 事前承認(approval):不可逆な操作、金銭移動、外部通知。実行前に人間が確認 - 禁止(forbidden):本番データの一括削除など。エージェントには実行権限を与えない 🏗️ バッチ承認が有効です。10件を個別に承認するより、10件の一覧を見て一括承認する方が承認者の負荷が小さく、内容を比較しやすいためチェックの質も上がります。 🏗️ 標本監査で効率化できます。自動実行操作の5〜10%をランダムサンプリングして品質を監査。異常が検出されたらそのカテゴリの自律性レベルを下げます。 🏗️ 承認疲れを定量的に監視してください。承認応答が平均2秒以下であれば、内容を読まずに承認している可能性が高いです。 ⚖️ トレードオフ 🔻 承認が少なすぎる:不可逆な操作がLLMの判断だけで自動実行され、ハルシネーションによる誤操作発生時に手遅れに。監査記録が残らずコンプライアンス違反にもなりえます。 🔺 承認が多すぎる:承認疲れで実質的チェックがゼロに。スループットが人間の応答速度に律速され、5分に1回の承認で本来30秒の処理が30分に。ユーザーが頻繁な割り込みにストレスを感じ、エージェント利用を止めてしまいます。 段階的な信頼構築がベストプラクティスです。最初は事前承認で始め、実績が蓄積されたら標本監査に移行し、十分な信頼が得られたら自動実行に昇格させます。 🛠️ ユースケース 📧 メール送信エージェント:下書き生成は承認不要。社内メールは標本監査(10%を事後チェック)。顧客向けメールは全件事前承認。一括メール送信(100件以上)は2人以上の多重承認。定型的な注文確認メールはテンプレートベースの自動実行に昇格可能です。 🗄️ データベース管理エージェント:SELECTは承認不要。INSERT/UPDATEは事前承認→実績でバッチ承認に移行。DELETEは常に事前承認。DDL操作は多重承認。本番と開発で承認ポリシーを分けることが重要です。 🌙 24時間バッチエージェント:承認者不在の夜間は、要承認操作をキューに積んで翌営業日に処理。承認タイムアウトのデフォルトは安全側(自動却下)にすること。自動承認にすると承認プロセスが形骸化します。 #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # 自律 vs 決定論ワークフロー|Autonomous vs Deterministic Workflow 🎯 ポイント エージェントに「自由に考えて動いて」と任せますか、それとも「この手順通りに実行して」と指示しますか? 自律は柔軟だが予測不能、決定論は硬直だが監査可能。この分岐を副作用の可逆性と影響度で判断せず「なんとなく自律」で設計すると、不可逆な操作をエージェントの自律判断に委ねて取り返しのつかない事態を招きます🔑 📋 概要 自律型はエージェントが自由にステップを計画・実行するアプローチです。タスクのバリエーションが多く、事前にすべてのフローを定義するのが非現実的な場面で力を発揮します。情報検索・要約・分析など読み取り専用の操作が中心で、誤りがあっても容易に取り消し可能な場合に適しています。決定論ワークフローは事前定義されたフローに従わせるアプローチで、操作の副作用が不可逆または高影響(決済処理、契約変更、本番デプロイ、人事異動)な場合、そしてSOX / GDPR / 金融規制により監査証跡が必須な場合に選びます📊 🔍 意思決定のポイント 判断は副作用の有無と可逆性で行います: 副作用なし(読み取り専用)→ 自律で問題なし 副作用あり+可逆 → 自律+事後検証で対応可能 副作用あり+不可逆 → 決定論+事前承認が必須 規制要件あり → 決定論で監査証跡を確保 タスクの多様性も重要な判断材料です。パターンが固定的なら決定論で最適化し、多様で予測不能なら自律で柔軟に対応します。ただし自律でも、高リスク操作の前にHITL(Human-in-the-Loop)承認ゲートを挿入すれば安全性を確保できます⚡ 💡 要点と詳細 本番環境では純粋な自律も純粋な決定論も少なく、ハイブリッドが主流です: 自律で計画、決定論で実行:エージェントが自律的にタスクを分解・計画し、各ステップの実行は事前定義されたワークフロー(API呼び出しの順序・バリデーション・承認ゲート)に従います。計画の柔軟性と実行の安全性を両立する最も実用的なパターンです。 リスクレベルによる切り替え:読み取り操作は自律、書き込み操作は決定論ワークフローに自動ルーティング。二重トラック検証と組み合わせるのが定石です。 ServiceNowのインシデント対応を例にすると、原因調査は自律(ログ検索・仮説生成・検証を柔軟に実行)、復旧操作は決定論(定義済みのランブック手順に従う)という使い分けが理にかなっています。 監査証跡は全モードで記録してください。自律モードでも「なぜその操作をしたか」を追跡できる操作ログが不可欠です🔄 ⚖️ トレードオフ 不可逆な操作を自律に任せるリスクは計り知れません。Shopifyで数千商品の価格を一括変更する操作をエージェントの自律判断に委ねた結果、誤った価格設定で損害が発生するケースは現実に起こり得ます😰 一方、すべてを決定論にすると、情報検索や要約まで固定フローに閉じ込め、エージェントの柔軟性を完全に殺してしまいます。「AIエージェント」である意味がなくなり、従来のルールエンジンと何も変わりません。 ハイブリッドの境界が曖昧なのも危険です。自律と決定論の切り替え条件が明文化されていないと、開発者によって実装がバラつきます。操作のリスク分類を先に定義し、切り替え条件をコードで明文化しましょう⚠️ 🛠️ ユースケース ナレッジ検索+ドキュメント編集:Notion / Confluenceでのナレッジ検索と情報要約は自律モード(読み取り専用、柔軟な探索が価値を生む)。ドキュメントの本番公開や共有範囲変更は決定論ワークフロー(承認ゲート+監査ログ)📚 EC運営(Shopify):商品情報の検索・分析は自律。在庫調整は決定論(変更量のバリデーション+承認)。一括価格変更は決定論+ドライラン必須(差分プレビュー→人間確認→実行)。同じエージェントでもリスクレベルで実行モデルを切り替えます🛒 インシデント対応(ServiceNow):原因調査フェーズは自律(ログ検索→仮説立て→検証を柔軟に)。復旧フェーズは決定論(ランブック手順通り、各ステップに承認ゲート)。調査は自由に、実行は厳密に🔧 実践のコツ:「自律と決定論の境界」をリスク分類表として先に定義してください。各操作を「読み取り」「可逆書き込み」「不可逆書き込み」「金銭移動」に分類し、それぞれの実行モデルを決めておくのが安全な運用の出発点です💪 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
🌳 AIはついに「単発の実験を回すツール」から、時間をまたいで知見を積み上げる“研究者そのもの”へと進化しはじめました。仮説を一本のツリーとして育てていく、新しい自律研究フレームワークが登場しています。 タイトル: Toward Generalist Autonomous Research via Hypothesis-Tree Refinement URL: 🔍 概要 本研究は、長期的な自律研究を可能にするフレームワーク「Arbor」を提案しています。中核となるのは「Hypothesis-Tree Refinement(仮説ツリーの精緻化)」という考え方で、仮説・実験で得た成果物・証拠・そこから蒸留された知見を、すべて一本の永続的なツリー構造で結びつけます。実験を重ねるたびにこのツリーが更新され、次にどの方向を深掘りすべきかという探索フロンティアが継続的に磨かれていきます。 ❓ 解決する課題 これまでのLLM研究エージェントは、1回きりの実験を回すのが精一杯でした。 ・複数の試行をまたいで「どの仮説を深掘りすべきか」という大局的な戦略を維持できない ・ある実験で得た教訓が次に引き継がれず、毎回ゼロから探索してしまう ・有望な枝と行き止まりの枝を区別し、限られた計算資源を配分する仕組みが弱い つまり、知見が複利的に積み上がらないことが大きな壁になっていました。 💡 方法論と提案手法 Arborは役割の異なる2種類のエージェントと、それらをつなぐ永続的なツリーで構成されます。 ・長命なコーディネーター:研究全体の戦略を司る司令塔。仮説ツリーを俯瞰し、次に検証すべき仮説を決めます。セッションをまたいで生き続けるため、長期的な一貫性を担保します ・短命なエグゼキューター:個々の仮説を隔離された環境で実装・検証する実働部隊。検証が終われば役目を終えます ・仮説ツリー:仮説・証拠・成果物・知見を時間軸でリンクし、再利用可能な教訓を全体に伝播させます これにより、研究が単発実験の集合から、戦略・実行・証拠が積み上がる累積的プロセスへと変わります。 🎯 ユースケース 継続的に実験を回して性能を高めていく、AutoMLや機械学習の自動最適化、さらには科学的な発見プロセスそのものの自動化が有望な応用先です。長期にわたる試行錯誤を、人手を介さずに戦略的に進められる点が魅力です。 📊 実験結果 Autonomous Optimizationの設定で、実在する6つの研究タスクを使って評価されました。 ・6タスクすべてで最良のホールドアウト成績を達成 ・CodexやClaude Codeと比べて、平均で2.5倍超のホールドアウトゲインを記録 ・MLE-Bench LiteではGPT-5.5と組み合わせて86.36%のAny Medalを獲得し、比較対象の中で最強の結果を示しました #AIエージェント# #自律研究#
もっと見る
AIエージェント向けのオンチェーン基盤(ブロックチェーン上に構築された共通の土台)を作るSwarmBaseが、700万ドルの資金調達を発表した(https://www[.]theblock[.]co/press-releases/408756/swarmbase-closes-7m-funding-round-to-scale-agentic-ai-infrastructure)。出資したのはCastrum Capital、M2M Capital、Notch Ventures、Becker Venturesの4社。調達資金はプロトコル開発とエコシステム拡大に充てられ、独自トークンの発行(TGE、新しい暗号資産を市場に出す最初のタイミングのこと)に向けた体制整備を進めるという。 SwarmBaseが取り組むのは、自律的に動くAIエージェント同士がどう信用を築くかという課題。人間なら本人確認や取引実績で相手を信頼できるが、AIエージェントの世界にはまだその土台がない。そこでSwarmBaseは、エージェントの登録から評判(レピュテーション)の蓄積、決済までをスマートコントラクト(あらかじめ決めたルールをブロックチェーン上で自動実行する仕組み。中核部分はSwarmCoreと呼ばれ、Hashlockが監査済み)でまとめて処理する。参加実績に応じて段階的に発行されるNFT(ブロックチェーン上で複製できない証明書のようなデジタル資産)バッジや、投機ではなく地道な活動の継続を評価するポイント制度もあり、高頻度のやり取りを捌きながら透明性を保つ設計だという。 現時点で登録ウォレットは24,000件超、発行済みバッジは19,600件超、1日あたりのオンチェーン取引は4,500件超に達しているという。トークン発行後は、ウォレットに紐づいたエージェントのステーキング(トークンを預けて運用に参加する仕組み)や、検証済みエージェントを探して使える「マーケットプレイス」の整備、段階的な非中央集権的運営への移行も計画に含まれる。DeFi(分散型金融)の自動化や自律トレード、複数エージェントの協調作業を支える基盤として位置づけられているが、まだ立ち上がって間もない規模感であり、実際にエージェント経済を支えるインフラとして定着するかはこれからの実績次第だろう。
もっと見る
「Scrum Day India 2026レポート:自律型AIエージェント時代のスクラムチーム」 AIが実装を速くしても、人の確認が追いつかなければ仕事は早く終わらない。Scrum Day Indiaで繰り返し語られたのは、エージェントの働き方に合わせて、責任の所在、レビュー、仕事とコストの見える化を設計し直す必要性だった。 ここまでは世界中で似たような話にあふれているので聞き飽き…再現性が高い話なんだろうな。だからはやくこの問いに向き合う段階まで持ってきて、その上でどうするのかを試行錯誤した知見を共有し合える場ができてくると嬉しい。 以下、詳細です。 ・仕事を任せても、成果への責任は人に残る 記事を貫くのは、エージェントは作業を担えても、成果への責任までは引き受けられないという考え方です。誰が出力を確認し、チームの成果物として受け入れるかを明確にする。完成と判断する品質基準である「完成の定義」も、AIが作る仕事を踏まえて見直す提案です。 ・速くなった工程の先に、次の制約が現れる Chetan Aroraは、個人の生産性向上を事業成果につなげるには、開発全体の仕組みを変える必要があると指摘。実装が速くなると、課題探索や計画、テスト、リリースが制約になります。生成された成果物を十分に確認しないまま承認する「レビュー負債」も、記事が強調するリスクです。 ・計画と可視化に、エージェントの仕事を組み込む Sainiは、スプリントプランニングで人とAIへの仕事の割り当てを明示し、プロダクトゴールをエージェントにも共有することを提案しています。スプリントバックログにはAIの作業や「人のレビュー待ち」を見える形で置く。処理量だけでなく、利用コストや失敗、介入の必要性も検査の対象にします。 ・複数エージェントの途中に、人の判断を置く実践 Harmeet Kaur BhasinとSantosh Bhushanは、仕様づくりを支援する仕組みと、Jiraのチケットからテスト済みのPRを作る仕組みを紹介。後者では6種類の専門エージェントを使い、途中に3か所の人による承認を設けています。各承認段階から、人のフィードバックを受けてやり直せる構成です。 ・事務作業が減った時間を、何に使うかが問われる Shalini Khannaは、追跡や文書化をAIに任せた先で、スクラムマスターがコーチングやリスクへの対応、仕事の流れの改善に注力する姿を示しています。記事の最後にも、AIが取り除いた仕事と、その時間の使い道を問う振り返りの質問が置かれています。 この記事を読んで考えたいのは、AI導入後も以前と同じ計画やボード、確認方法を使い続けてよいのか、ということです。実装量だけ増えて、人の確認待ちが積み上がるなら、チームとして扱える仕事の量は別に考える必要があります。 次の振り返りで「AIによって、ボトルネックはどこへ移ったか」を話してみるだけでも、改善の対象が変わりそうです。速くなった部分をさらに速くすることに加えて、その先で仕事が止まる理由まで見ていきたいと思いました。
もっと見る
🤔 「AIエージェントを作るのは難しくない。でも、本番で動かし続けるのは別の話だ。」──エージェント開発者なら、誰もがこの壁に当たったはずです。 Why Managed Agents Are the Next Big Thing in Agent Building 2022年末にLangChainが登場してから、エージェント開発は急速に進化してきました。初期のAutoGPTの熱狂から、LangGraphやGoogle ADKによる精緻なフレームワークの時代へ。そして2025年に入ると、モデルの能力が臨界点を超え、「ツールを呼び出しながら自律的にループするLLM」という基本形が現実のものとなりました。Claude Code、Deep Agentsといった専用ハーネスの登場は、その完成形への一歩でした。 🌊 しかし、ここで大きな問題が浮かび上がります。エージェントを本番環境で"動かし続ける"ためには、LLMの賢さだけでは足りないのです。信頼性のある実行環境をどう構築するか。失敗したエージェントをどう再開させるか。コードをどう安全に実行させるか。ユーザーへのUXをどう設計するか──開発者はモデルとは全く別の、インフラの泥沼と格闘してきました。 LangChainの創業者 Harrison Chase はこの1年間の学びを結晶化し、「マネージドエージェント」というコンセプトを提唱します。本番エージェントに必要なのは、ビジネスロジック・ハーネス・インフラの3層だと整理し、そのうちインフラ層をまるごと引き受けるのがManaged Deep Agentsです。ランタイム管理、イベントストリーミング、サンドボックス、メモリ、認証、評価ツール──かつては自前で構築するしかなかったすべてが、プラットフォームとして提供されます。Anthropicの「Claude Managed Agents」やVercelの「Eve」も同様の方向へ向かっており、エコシステム全体がインフラの民主化という潮流に入りつつあります。 エージェント開発者がビジネスロジックだけに集中できる時代が、ようやく到来しようとしています。 #AIエージェント# #LangChain#
もっと見る
# AIエージェントをソフトウェアに組み込むプラクティス # Risk-based Human Approval|リスクベース人間承認 🎯 エージェントに「全部お任せ」も「全部確認」も間違いです。操作のリスクに応じて自動実行・人間承認・禁止を動的に振り分けるのが正解です。 🔥 解決する課題 エージェントが外部システムに副作用を持つ操作を実行できるとき、すべてを自動実行すれば不可逆な損害が起きえます。しかしすべてに人間承認を求めれば待ち時間で業務が止まり、エージェントの自動化の価値が消失します。LLMに「危険だと思ったら聞いて」と指示しても、その判断自体が確率的でありすり抜けが起きます。 💡 提案パターン 操作をリスクスコア(不可逆性 x 失敗コスト)で3層に分類します。低リスク(読取・可逆操作)は自動実行、中〜高リスク(不可逆または高コスト)は人間承認を経由、極高リスク(不可逆かつ致命的)は禁止とします。分類はLLMではなく決定論的なルールエンジンで行い、承認タイムアウト後のデフォルトは安全側(自動却下)に倒します。さらに段階的自律性(Autonomy Ladder)により、エージェントの実績に応じて閾値を動的に調整する仕組みも設計できます。 ✅ 選定条件 使うとき: - エージェントが書込・削除・送信など副作用を伴う操作を実行する - 操作によって不可逆性と失敗コストが異なり、一律ポリシーでは過剰か不足になる - 人間がレビューに関与できる運用体制がある 使わないとき: - すべての操作が読取専用で副作用がない - 失敗コストが一律に低くロールバックが容易 - レイテンシ要件が極めて短く人間介在を許容できない ⚠️ 落とし穴 - リスク分類自体をLLMに任せてはいけません。分類は決定論的なコードかポリシーエンジンの責務です - 承認待ちの状態を永続化しないと、プロセス再起動で承認待ち操作が消失します - 条件付き承認(パラメータ修正して実行)を設計に含めないと、却下と再提案のラウンドトリップが増えます 🔧 実装方針 - リスク分類はツール名×アクション名の静的テーブルまたはポリシーエンジンで行い、LLMには委譲しません - リスクスコアは不可逆性(reversibility)と失敗コスト(failure_cost)の積で算出し、閾値で3層(auto/approval/forbidden)に振り分けます - 承認待ち状態は耐久的なストア(キュー+永続化)に保持し、プロセス再起動で消失しない設計にします - 承認タイムアウト時のデフォルト動作は安全側(自動却下)に倒します - リスクポリシーはYAML等の宣言的設定として外部化し、コード変更なしでルール追加・変更できるようにします #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # HITL vs HOTL vs 全自動 🎯 ポイント エージェントに「全部任せる」か「全部聞いてくる」か — この二択で設計していませんか?実は人間の関与度にはHITL(都度承認)、HOTL(監視+例外介入)、全自動の三段階があり、操作のリスクと実績に応じて段階的に自動化レベルを引き上げるのが基本戦略です。さらに、一度決めたら固定ではなく「運転免許」のように昇格・降格する動的運用が鍵になります🔑 📋 概要 HITL(Human-in-the-Loop)は、エージェントの各操作に対して人間が都度承認する方式です。不可逆で影響が大きい操作 — Workdayでの給与変更、Salesforceでの大型商談のステージ変更、本番DBへの書き込み — に適用します。HOTL(Human-on-the-Loop)は、エージェントが自動実行しつつ人間が監視し、異常時のみ介入する方式です。一定の実績があり、操作のリスクが中程度の場合に有効です。全自動は、操作が可逆かつ影響範囲が限定的で、エージェントの精度が十分に検証されている場合に適用します。 🔍 意思決定のポイント 判断フローは「可逆性」→「影響範囲」→「実績」→「件数」の順で進みます。 操作は可逆か? → 不可逆ならHITLが基本です。可逆なら次へ。 影響範囲は? → 外部顧客・金銭・法的効力に直結するならHITL。社内のみならHOTL以上を検討できます。 エージェントの実績は十分か? → 導入初期・実績不足ならHITLから開始。過去の承認率が95%以上ならHOTLへの昇格を検討します。 処理件数は人手で対応可能か? → 日次50件以下ならHITLが現実的。100件超ならHOTLまたは条件付き全自動を検討しましょう。 最後の確認:異常検知とロールバックの仕組みがあるか? → なければHITLに留めるべきです⚡ 💡 要点と詳細 HITLの適用範囲は「不可逆×高影響」の操作です。規制要件により「人間が承認した」エビデンスが必須の場合(金融取引、医療判断、法的文書の発行)、副作用が外部顧客に直接影響する場合(顧客向けメール送信、契約書の自動生成、請求処理)、そして導入初期で出力品質の実績データがまだ蓄積されていない場合に選択します。 HOTLは「中リスク×実績あり」の操作に最適です。Jiraチケットの優先度変更、Slackへの社内通知、ServiceNowのインシデント分類など。異常検知の仕組み(信頼度スコア、異常値アラート)で逸脱をリアルタイムに検知し、ロールバック手段で誤操作を事後修正できることが前提条件です。 全自動は「可逆×低影響×高精度」の操作に限定します。社内ナレッジの検索と要約、ログの自動分類、ダッシュボード更新など。エラー率が1%未満で安定していること、即時性が求められ人間の介入がSLA違反につながる場合(リアルタイムのカスタマーサポート初期応答など)が適用条件です。 最も強力な運用パターンはリスクベースの動的切り替えです。操作の種類・金額・影響範囲に応じて自動的にモードを切り替えます。例えば10万円未満の経費承認は全自動、10〜100万円はHOTL、100万円超はHITLとします🎚️ ⚖️ トレードオフ HITLの最大の罠は承認疲れ(Approval Fatigue)です。全操作をHITLにした結果、承認者が形骸的に全件承認し、ゲートとして機能しなくなります。低リスク操作への繰り返し承認で「OKを押す作業」が機械的になり、本当に重要な承認も見逃す。「全件承認」は「承認なし」と同じくらい危険です。 全自動への早すぎる移行も危険です。十分な実績データなしに全自動化し、エッジケースでの誤操作が顧客影響を引き起こすケースが後を絶ちません。特にZendeskの顧客応答やShopifyの注文処理で問題になりやすい。 見落としがちなのは降格ルールの未定義です。全自動に昇格した後にモデル変更や精度劣化が発生した場合、HOTL→HITLへの巻き戻しルールがなければ、問題が長期化します。昇格ルールと降格ルールはセットで定義してください⚠️ 🛠️ ユースケース EC受注処理エージェント:注文・在庫確認は全自動(可逆×低影響)、発送手配はHOTL(2週間の実績で承認率95%超なら昇格)、返金処理はHITL(金銭操作は常に承認必要)、高額注文(100万円超)はHITLでドライラン付き。金額と操作種別でモードを動的に切り替えます🛒 開発支援エージェント(CI/CD連携):コード分析とテスト実行は全自動(開発環境限定)、PR作成はHOTL(信頼度スコア連動)、ステージングデプロイはHITL、本番デプロイはHITL+ドライラン必須。サンドボックスでは全自動まで許容しますが、本番影響のある操作は制限します🔧 社内ナレッジ検索アシスタント:検索は全自動、回答生成もHOTL(出力ガードレール付き)、文書編集はHITL、削除はHITLでドライランのみ。読取中心のワークフローなので高い自律性で運用可能です📚 実践のコツ:昇格条件を数値で定義してください。「承認率95%以上を2週間継続」「重大エラー0件」など、曖昧さのない基準を設定する。降格トリガーも事前に決める。「重大エラー1件で即座にHITLに戻す」「承認率が90%を下回ったらHOTLに降格」。昇格履歴はすべて監査証跡として記録してください💪 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る