CarlはAvassaのCTO兼共同創業者であり、アプリケーションチームとインフラチームの両方が愛用できるエッジオーケストレーターの開発に情熱を注いでいる。
AIはもはや単にプロンプトに反応するツールではない。エージェント型AI（agentic AI）の台頭（登録が必要）により、自律的に意思決定を行い、行動を起こし、実世界の目標に適応するシステムが登場している。
この変化はIT運用、特に分散型エッジコンピューティング環境において重要である。そこでは規模と複雑さが人間による監視を困難にすることが多い。脆弱なスクリプトや手動のワークフローの代わりに、チームは今、インフラについて推論し、障害に対応し、環境をリアルタイムで最適化するAIエージェントを模索している。
それを効果的に行うために、これらのシステムは一つの不可欠な要素に依存している：コンテキストである。
エッジコンピューティングにおけるエージェント型AIの役割
IT運用のためのエージェント型AI環境は、通常、3つの連携層で構築される。
最上位は人間とのインタラクション層であり、ユーザーはコパイロット、チャットコンソール、ビジュアルプランナーなどの自然なインターフェースを通じてシステムと対話する。
その下には、大規模言語モデルとマルチエージェントフレームワークを活用した推論層があり、目標を解釈し、タスクを分解し、行動を調整する。
最下層は専門家エージェント層であり、専門化されたエージェントが実際のインフラと対話し、変更を実行し、システムを監視し、運用上の洞察を提供する。
これらの層が連携することで、人間の意図と機械駆動の実行が組み合わさり、スケーラブルで適応性のある運用が可能になる。
インフラが外側に拡大するにつれ、これらの原則はエッジコンピューティングにも適用されなければならない。データが生成され意思決定が行われる場所の近くに計算能力を配置することで、エッジはクラウドインフラを低レイテンシー、高い回復力、より良い制御で強化できる。工場の現場から小売店、遠隔地まで、エッジロケーションは重要なアプリケーションを必要な場所で実行することを可能にする。
その恩恵を最大限に受けるために、IT運用はエッジをスタックの第一級の要素として扱う必要がある。エージェント型AIがこの環境全体で機能するためには、分散システムの構成と運用状態について明確で構造化された洞察が必要である。
モデルコンテキストプロトコルの役割
従来のAPIやモニタリングツールは運用データの断片を公開できるが、インテリジェントエージェントが行動できる一貫した包括的なビューを提供するように設計されていることはまれである。APIはアプリケーション固有であることが多く、スキーマとセマンティクスが大きく異なる。モニタリングツールは、推論エージェントにとってブラインドスポットを作り出す、履歴やアラート駆動の洞察に焦点を当てることが多く、完全なリアルタイムの状態を提供しない。
モデルコンテキストプロトコル（MCP）は、昨年Anthropicによって導入されたオープンソースのソリューションであり、これらの課題に対処することを目的としている。MCPは、システムが機械理解可能な形式で運用コンテキストを公開するための標準的な方法を提供する。MCPは専門家エージェント層に位置し、インフラとAI推論層の間の接続組織として機能する。
MCPインターフェースは、インフラ、アプリケーション、デプロイメント、ポリシー、運用メトリクス、イベントを、発見可能で自己記述的であり、ドメイン間で一貫した構造化された方法で記述できる。人間の開発者向けに構築されたAPIとは異なり、MCPはAIによる消費を目的として設計されており、エージェントが構造を理解し、それについて推論し、行動できることを保証する。
MCPは独自製品ではなく、新興の相互運用性仕様である。既存のプラットフォームの一部として実装したり、インフラ管理ツールに統合したり、システム間で情報を仲介するスタンドアロンサービスとしてデプロイしたりすることができる。
テクノロジースタックでは、MCPエンドポイントは通常、オーケストレーションプラットフォーム、モニタリングエージェント、コントロールプレーンなどの運用システムの近くに配置され、権威あるリアルタイムの状態を取得できる。MCPは一般的な認証方法もサポートし、アクセスを安全かつ制御された状態に保つ。
エッジ運用に適用されるMCP
エッジ向けの実用的なMCP実装では、いくつかの主要カテゴリにグループ化された運用コンテキストが公開される。これには、ワークロードが実行される場所と各ロケーションの条件を記述するサイトやホストなどのインフラリソースが含まれる。
アプリケーションとデプロイメントも公開され、エージェントは何が実行されているか、どこで実行されているか、どのように構成されているかを確認できる。ポリシーとアクセス制御は許可されるアクションを定義し、テレメトリとアラートストリームは健全性と最近のイベントに関する洞察を提供する。
これらのインターフェースにより、エージェントシステムはエッジを含む分散環境を観察し、推論し、その中で行動するために必要なコンテキストを得ることができる。
同じアプローチが他のドメインにも適用される。クラウドインフラ、CI/CDパイプライン、IDシステムを管理するAIエージェントも、リソースを一貫して記述するためにMCPエンドポイントを実装できる。
これにより、推論エージェントが共有コンテキストを持つドメイン間で調整できるようになる。例えば、推論エージェントがクラウドサービスの高いレイテンシーを検出し、影響を受けた地域の近くの容量をエッジエージェントに照会し、ワークロードをユーザーの近くに移動させることができる。各エージェントは自身のドメインに焦点を当てながら、より広範で構成可能なシステムに貢献する。
エッジインフラ向けMCP実装時の考慮事項
MCPは大きな利点を提供するが、採用前にいくつかの要因に対処する必要がある。
MCPは機密性の高い運用詳細を公開する可能性があるため、セキュリティとコンプライアンスが重要である。アクセス制御、暗号化、規制の遵守が不可欠である。
MCPは既存のツールの上に層を重ねるため、統合には労力が必要である。スキーマのマッピング、APIのラッピング、現在のシステムの拡張が必要になる場合があり、その価値はMCPエンドポイントに供給する信頼性の高いデータソースを持つことに依存する。企業はMCPウェブサイトでホストされている正式な仕様と関連ドキュメントを理解する必要がある。
チームには構造化データモデリング、API統合、セキュリティのスキルも必要である。MCPは完全なAIアーキテクチャの刷新を必要としないが、インフラとエージェントの要件の両方を理解する人材がいると役立つ。
最後に、パフォーマンスも懸念事項であり、MCPエンドポイントはレイテンシーを生じさせることなくリアルタイムのコンテキストを提供する必要がある。
実用的なアプローチは、単一の運用ドメインから始めて、時間をかけてカバレッジを拡大することである。これにより、チームは可視性と相互運用性における初期の利点を得ながら、リスクを管理できる。
結論
エージェント型AIは理論から実践へと移行しており、IT運用はその影響がすでに見える領域の一つである。これらのシステムが効果的に機能するためには、それらが運用される環境に関する構造化された信頼性の高いコンテキストが必要である。
MCPはそのコンテキストを提供するための実用的なアプローチを提供し、クラウドだけでなくエッジにも適用される。より多くのシステムがMCPを通じてリソースを公開するようになると、エージェントは境界を越えて推論し、行動を調整し、リアルタイムで適応できるようになる。エッジはもはや例外や後付けではない。それはインテリジェントなエージェント駆動型ITスタックの一部である。
