Naresh Prajapati - Azilen TechnologiesのCEO/創業者。カリフォルニア州サンフランシスコ。
私はテクノロジー業界でのキャリア初期、インターネットの起源に魅了されていたことを今でも覚えています。今でも印象に残っているのは、単一のマシンやシステムではなく、その統合の優雅さです。
「ARPANET（アーパネット）」として知られる高等研究計画局ネットワークは、1960年代に米国防総省によって「中央コアのない」通信システムを確立するために開発されました。これはパケット交換方式とTCP/IP（伝送制御プロトコル/インターネットプロトコル）スイートを実装した最初のネットワークでした。ARPANETは一台の巨大なコンピュータ上に構築されたわけではなく、異なる互換性のないシステムが標準プロトコルを通じて通信する方法を学んだときに誕生しました。数十年後の今でも、その学びは共鳴しています。テクノロジーの本質は常に接続と統合にあったのです。
しかし皮肉なことに、今日の洗練されたテクノロジー—AI、生成AI、そして現在のエージェント型AI—は知性に非常に重点を置いているため、私たちは基盤となる統合レイヤーを影に追いやってしまったと考えています。その結果、最も素晴らしいエージェント型AIスタックを持っていても、企業が求めるもの—スケール、継続性、測定可能な影響—を失ってしまうのです。
エージェント型AIのアーキテクチャがいかに統合を中核に据えているか
私はAIと統合を専門とするテック企業を創業しましたが、最近話す人々は皆、エージェント型AIについて次のような考えを持っています：それは考え、行動し、学習できるスマートなエージェントのネットワークだと。しかしソリューションアーキテクトと話し合うと、会話の焦点は変わります。私たちは、それらのAIエージェントがどのように複雑で階層化された企業スタックに接続されるかについて話し合います。なぜなら現実には、優れた推論能力を持つエージェントでも、ERPソフトウェアに更新をプッシュしたり、CRMプラットフォームからコンテキストを取得したり、レガシーシステムに深く埋め込まれたワークフローを尊重できなければ、無力だからです。
そして、より深く掘り下げると、エージェント型AIのアーキテクチャ層についての会話はさらに興味深いものになります。
• 感知：データソース、アプリケーション、ユーザー入力から情報を収集する。
• 推論：AIと機械学習（ML）モデルを適用して解釈し、決定し、次のステップを戦略化する。
• 行動：システム、ワークフロー、外部アプリケーション全体でタスクを実行する。
• 振り返り：結果から学び、将来の行動を改善する。
アーキテクチャレベルでは、このサイクルはエージェントが企業システム間をシームレスに移動できる場合にのみ完璧に機能します。適切な統合がなければ、例えば感知フェーズは限られたデータ入力やシャドーデータで動作することになります。これによりエージェントは全体像を把握できなくなります。行動フェーズは、システム間を移動するのではなく、応募者追跡システム（ATS）、CRM、ERPなどのシステム内での作業に制限される可能性があります。そして振り返りフェーズを見ると、企業全体での適切なフィードバックループがなければ、システムは真に学習や改善ができないと思います。
単なるサイロを構築しているかどうかを判断する方法
大規模企業は平均して367のソフトウェアアプリケーションを使用していると言われています。それぞれが特定の問題を解決したり効率を向上させるために採用されています。しかし、それらが一緒になると断片化された影響を生み出す可能性があります。
次のように展開します：企業スタックが断片化するほど、エージェント型AIの効果は低下します。なぜなら、知性だけでは十分ではないからです。企業のツールが連携して動作していなければ、最も高度なAIエージェントでもサイロ内で動作することを強いられます。彼らは推論することはできますが、企業価値が真に存在するシステム全体で行動することができません。
簡単な例でこれをより具体的にしましょう。エージェント型AIで採用プロセスを効率化しようとするHRチームを想像してください。統合されたエージェント型インテリジェンスを無視したため、彼らは今、困難な状況に直面しています。プロファイルは選別されますが、サイロ化されたままです。招待状は送信されますが、候補者のステージはATSで手動で更新する必要があり、バックグラウンドチェックシステムはATSに記録された候補者のステージを認識していないため、手動のトリガーが必要です。
だからこそ、本当に価値を引き出しているのか、それともただエージェントを水平方向に積み重ねているだけなのかを検証することが重要だと考えています。私は自分自身にいくつかの簡単な質問をします：
• エージェントはすべてのシステムを見ているのか、それとも小さな断片だけを見ているのか？
• 彼らはATS、CRM、ERPなどにも変更をプッシュできるのか？
• 結果は推論を改善するためにフィードバックされているのか、それとも無視されているのか？
• そして最後に、ワークフローは端から端まで連携されているのか、それとも停滞しているのか？
エージェント型AIが価値を提供することを確実にする方法：主要な戦略的シフト
ほとんどの組織がエージェント型AIにどのようにアプローチしているかを見ると、一つのパターンが見えます。彼らはいくつかのエージェントをパイロット導入し、コパイロットを組み込んだり、既存のスタックの上にインテリジェンスを追加したりします。しかし、重要な戦略的シフトがなければ、これらの取り組みは価値をもたらさないリスクがあると考えています。
私の見解では、最も戦略的な動きは、システムが連携して動作できるように、統合を中核に据えたアーキテクチャを構築することです。堅牢なAPIを整備し、AIエージェントのためのクリーンでタイムリーでアクセス可能なデータを確保するデータパイプラインを確立し、これらのエージェントがHR、財務、サプライチェーンなどの中核的なビジネスシステム間でシームレスにコミュニケーションし行動できるようにするミドルウェアやプラットフォームを採用することで、AI下のインフラストラクチャに焦点を当てましょう。
また、一律のアプローチでエージェント型AIの導入を追求する傾向も見られます。私の経験では、深さがより重要です。例えばHR、サプライチェーン、財務などのために構築されたドメイン固有のエージェントは、はるかに大きな価値を提供できます。そしてガバナンス、信頼、セキュリティに関しては、それらを初日から適用すべき不可欠な保護策だと考えています。
データは、シフトが必要なもう一つの領域です。それがモデルの「入力」としてのみ見られるなら、その価値の多くは失われます。したがって、データをインフラストラクチャとして扱うべきです。これは、AIエージェントに必要なデータを管理し、信頼性があり、接続され、簡単にアクセスできるように整理することを意味します。そうすることで、AIエージェントは適切に配置されたデータから必要なインテリジェンスを簡単に求めることができます。
最後に、ベンダープラットフォームだけに頼ると可能性が狭まることを学びました。目的に合ったツールとカスタムAIエージェントで構成されたハイブリッドエコシステムは、スケールと影響力を推進できます。
どれほど優秀な人材や最先端のAIエージェントを持っていても、それらがサイロ化されていたり適切な場所にいなければ、その優れた能力が真の成果を生み出すことはできません。私は強く信じています。洞察は閉じ込められたままであってはならず、ワークフローは停滞してはならないのです。適切な統合は、インテリジェンスを解放し、意図したとおりにワークフローを動かし、AIがシステム全体で行動して真の企業価値を提供できるようにするのに役立ちます。
