AI を成果につなげる パイロット導入から本格展開まで、当社の専門家が共に取り組み、確実かつ再現性のある成果を実現します。 今すぐ開始
プラットフォーム機能
Community Edition を入手: すべての機能が無料で使えるクラウド版 Community Edition で、今すぐ自動化を始めましょう。
Automation Anywhere のパートナーを見つける オートメーションの道をサポートする、信頼できるパートナーによるグローバル ネットワークを探索する パートナーを見つけましょう パートナーを見つけましょう
ブログ
Scaling agentic AI means shifting from model scaling to system scaling—moving beyond isolated pilots through four architectural shifts: modernized data and context architecture, orchestration, governance and observability, and human role redesign.
これらのシステムをスケーリングする際の重要なポイントを見ると、個別のモデル テストから、全社規模のシステム オーケストレーションとガバナンスへと大きく転換していることが浮き彫りになります。
システムのスケーリングとは、企業システム全体で AI タスク チェーンを調整するプロセスであり、個別のパイロットが本番環境に移行した際に失敗する原因でもあります。 成功したエージェントのパイロット運用を大規模展開へ移行するうえで重要なのは、より高い計算能力でも、より高性能なモデルでもありません。 しかし、往々にしてこの思い込みが生じています。
最近のマッキンゼーのレポートでは、脆弱なレガシー システムとの統合や、実行時のガバナンスおよびガードレールの欠如により、AI エージェントのパイロット導入の 70% がスケーリングに失敗していると指摘されています。
パイロットの落とし穴に関する説明からわかるのは、規模の小さい限定的なプロセス向けに構築されたエージェントには、信頼できる大規模な本番環境に必要な堅牢なインフラストラクチャが欠けているということです。 エージェントは、構築時に想定された限定的な環境、つまり、範囲が限られたプロセス、既知の入力セット、単一のチームでは優れたパフォーマンスを発揮できても、大規模な環境ではそのパフォーマンスを維持する手段がなく、ましてや安定して再現することはできません。本番環境で求められるインフラストラクチャやアーキテクチャがそもそも整っていなかったためです。
実際の本番環境では、ワークフローはレガシー システムを横断し、あらゆるステップを通して状態を保持し、エッジ ケースにも対応して、すべての決定の正当性を監査人に証明できる必要があります。
個々のエージェントの能力を単独で高めるのは、モデルのスケーリングです。 実際のシステムやチーム全体で、ワークフローを信頼性と再現性を確保しながらガバナンスの下でスケーリングするのが、システムのスケーリングです。
モデルのスケーリングは予測可能なニューラル スケーリング則に従いますが、それらの曲線が示すのは 1 つのモデルの性能向上です。 そこで向上がみられたからといって、本番環境で求められるシステムレベルの信頼性につながるかというと、そうはなりません。
| モデルのスケーリング | システムのスケーリング |
|---|---|---|
焦点 | 1 つのエージェントをスマート化する | 企業全体でワークフローを調整する |
主な課題 | モデルの能力と精度 | コンテキスト、オーケストレーション、ガバナンス、コスト、信頼性 |
ソリューション | モデルが大きくなれば、計算能力も向上する | アーキテクチャ: 統一されたコンテキスト、オーケストレーション、可観測性 |
パイロット運用の際に構築時に想定された仕様を超えると、次のような 4 つの兆候が現れます。
これらはいずれもモデルの品質に関する問題ではないことに注意してください。 これらはアーキテクチャ上の問題です。だからこそ、モデルを改善するだけでエージェント AI をパイロットの落とし穴から抜け出させることは不可能なのです。
パイロットの落とし穴から抜け出すには、4 つのアーキテクチャ上の転換が鍵となります。 これらは、パイロット中断の要因であるデータ、連携、制御、人に直接関連しています。 そして、それぞれが次の柱をより効果的なものにします。
データとコンテキストのアーキテクチャのモダナイズとは、意思決定に必要なリアルタイム情報を AI エージェントに提供して、誤ったアクションが疑われることなく大規模に実行されるのを防ぐことです。 エージェントは、アクセス可能なあらゆるコンテキストをもとに推論します。 サイロ化されたデータや古いデータが提供されていれば、エージェントは疑うこともなく誤った決定を大規模に下してしまいます。
第一の柱はデータの準備、つまり、意思決定に利用できる AI 対応のコンテキストをすべてのエージェントが利用できる状態にすることです。これには、多くのチームが保有する分析対応データよりも厳しい基準があります。 分析は、バッチ処理されたデータや過去のデータ、および意思決定が行われる前に人間が確認したデータに対して実行できます。一方、エージェントはコンテキストに基づいて直接かつリアルタイムに動作するため、人間が解釈するのではなく、機械が推論できるよう構造化され、権限が考慮された最新のデータを必要とします。
エンタープライズ AI が確実に稼働するためには、このコンテキスト レイヤーが他の全要素の基盤となります。
オーケストレーションとは、複雑なエンタープライズ ワークフロー全体にわたってプロセスの状態を維持するために、AI エージェント、API、人間の作業者を管理する調整レイヤーです。 1 つのエージェントでエンタープライズ プロセス全体をカバーすることはできません。 実際のワークフローは複数のシステムにまたがり、決定論的なステップと判断を要するステップが混在し、実行のタイムラインは数秒から数週間に及びます。 オーケストレーション レイヤーは、ワーク アクター (AI エージェント、Bot、API、人間) を調整し、それらすべての間でプロセスの状態を保持します。 また、連鎖するエージェントの障害が累積されることを防ぐ役割もあります。決定論的なレイヤーが処理の順序を統制して各ステップを検証するため、AI 駆動の各要素が推論を行う一方で、それらの間の経路は常に維持されます。
ここでは、エージェント AI を大規模に運用することがプラットフォームの課題となります。 分断されたシステム間で業務を調整し、すべての引き継ぎで状態を維持することが、エンタープライズ向けエージェント型自動化プラットフォームの最大の特徴となります。モデルではなくオーケストレーションがスケーリングの単位となるのは、これが理由です。
ガバナンスと可観測性においては、大規模な展開で自律システムを安全に運用できるよう、厳格なアクセス制御と監査ログをランタイムに直接組み込むことが求められます。 自律性が増すことで、リスクも増大します。 レビュー対象ではない意思決定を行うエージェントが 1 つなら限定的な問題ですが、1,000 エージェントだとシステム全体の問題になります。 安全に自律性を付与するには、堅牢なガバナンスとガードレールを定義することが不可欠です。
これを実現するアーキテクチャでは、後付けではなくランタイムにガバナンスが組み込まれており、処理の実行中にアクセス制御、データ マスキング、監査ログが自動的に適用されます。 コンプライアンスを確保するため、組織は NIST AI リスク マネジメント フレームワークのような信頼できるフレームワークに準拠する必要があります。
オートメーション・エニウェアの製品管理ディレクターであるリンク・サーカーが、AI ガバナンスの 3 つの柱である「評価」、「保護」、「監視」について解説し、パイロット段階で停滞するエージェントと本番運用に至るエージェントを分ける要因がガバナンスにある理由を説明します。
技術的な不具合よりも、組織内の抵抗のほうが導入失敗の原因になりがちです。 エージェント AI のスケーリングには、役割やシステムの再設計と同じくらい、組織の準備状況、変更管理、人間による監督も重要です。
適切に再定義すれば、人間がその立場を奪われるのではなく、より活躍できる自律型企業へと向かう道筋になります。
それぞれの柱は、構築すべき内容を表しています。 その構築の過程で直面するであろう失敗パターンに対する戦術的な対処法を紹介します。
パイロットの落とし穴から抜け出すために必要なのは、より優れたモデルではなく、システムのスケーリングです。 パイロット段階を脱する組織は、エージェントが企業全体で確実に稼働できるようにするアーキテクチャ (データの準備、オーケストレーション、ガバナンスと可観測性、再定義した役割) を導入しています。 このシステムのスケーリングこそが、エンタープライズレベルの本番環境に求められるガバナンスのもとで、大規模かつ継続的に運用できるエージェント型自動化を実現するための要因です。
2026 年、エージェント AI がパイロット段階から企業の業務運営の中核へと移行するなか、エージェントを確実に稼働させるためのアーキテクチャを構築する企業と、本番導入に至らないパイロットを繰り返している企業との間には、競争力の差が生まれることになります。
オートメーション・エニウェアの APA システムは、オーケストレーション、運用メモリ、ランタイム ガバナンスといった要素を 1 つのプラットフォームに統合するため、基盤を毎回再構築することなく、単一のワークフローから全社規模の導入へと拡張できます。
オーケストレーション、共有コンテキスト レイヤー、ガバナンスと可観測性、人間の役割の再定義を通じて、個別のパイロットから全社規模の導入に移行するということです。 システムのスケーリングは実際のプロセスを調整することであり、モデルのスケーリングではありません。
パイロット導入は、コンテキストの喪失、脆弱な統合、コストの急騰、ガバナンスの欠如によって中断されます。 AI エージェントのスケーリングを成功させるには、より高性能なモデルではなく、オーケストレーション、メモリ、制御された自律性といったアーキテクチャの変革が必要です。
モデルのスケーリングでは、通常はより大規模なモデルやより高い計算能力によって、1 つのエージェントの能力を高めます。 システムのスケーリングでは、アーキテクチャ、オーケストレーション、共有コンテキスト、ガバナンスが構築され、企業全体でワークフローを確実に実行できるようになります。
はい。 オートメーション・エニウェアのエージェント プロセス オートメーション システムは、エンタープライズ規模に対応するよう設計されています。オーケストレーション、プロセス推論エンジンを介した運用メモリ、ランタイムに組み込まれたガバナンス、すべてのエージェントのアクションと引き継ぎに対する可観測性を備えています。
マルチエージェント システムでは、専門化されたエージェントがワークフローの個別のステップをそれぞれ担当します。たとえば請求書処理では、あるエージェントが PDF データを抽出し、別のエージェントがベンダーを検証して、3 つ目のエージェントが発注書と照合します。これらの処理は、エージェント同士がチェックなしに作業を引き渡すのではなく、各引き継ぎを検証する決定論的なオーケストレーション レイヤーによって調整されます。
すでに決定論的な自動化で処理できている業務には、エージェントを導入しないでください。これが最も効果的な手段です。 さらに、コストに見合ったモデルへのルーティング、繰り返し行われる呼び出しのキャッシュ、ナレッジ グラフを活用した検索の削減、運用メモリの適用などを行ってください。