従来の人工知能は、長い間、予測、分類、解釈を行うモデルによって推進されてきました。 これらのツールは、多くの場合、指示を待機し、静的なパイプライン内で動作し、自律的に実行する機能がありません。 このように、エージェンティックシステムズ（Agentic Systems）パラダイムが出現するまでは現状が維持されていました。
エージェンティックAI（Agentic AI）の正式な定義については多くの議論があり、前例のないペースで変貌と進化を遂げています。 これは一般的に、動的環境内で自律的かつ反復的に認識し、計画し、行動する能力を備えたシステムを指します。 人間や外部プログラムによるオーケストレーションを必要とする従来のモデルとは異なり、エージェントシステムは自己制御型です。 それらは目標について推論し、それを実行可能なサブゴールに分類し、環境からのフィードバックに基づいてリアルタイムで計画を調整することができます。
Andrew Ngが最近スタンフォード大学で行った講義で述べたように、「私たちはAIを孤立した方法で賢くなるように訓練しました。今必要なのは、状況と結果を認識しながら、時間の経過とともに自律的に有用なことを行うことができるAIです」。 従来の AI システムは、事前定義されたワークフローに依存しています。 通常、ユーザー入力データはモデルによって変換され、予測または分類を出力した後、別のシステムに渡されてアクションを実行します。 このアーキテクチャは、特にライブデータや変化する状況への適応を必要とするドメインにおいて、脆弱な依存関係を生み出します。 AI の導入がデジタル世界を超えて物流、エネルギー、製造、公共安全などの分野へと拡大するにつれて、この厳格なモデルの限界が明らかになっています。
2023年のガートナーのレポートによると、「AIイニシアティブの61%が持続的な価値を提供できていないのは、主に予測をクローズドループ型の意思決定や自律的な行動に統合していないためです」。 これは、推論だけではもはや十分ではないことを示唆しています。 現在、意思決定の遅延、オーケストレーションのオーバーヘッド、人的ボトルネックが摩擦の主な原因となっています。
大規模な言語とマルチモーダル基盤モデルは、AI の最前線に驚くべき機能をもたらしました。 しかし、これらのシステムはしばしば主体性を欠いています。 彼らは質問への回答、文書の要約、コードの生成に優れています。 しかし、目標を達成したり外部システムと対話したりするための構造化されたメカニズムが存在しない場合、これらのツールはエージェントというより単なるツールのままです。 DeepMindの研究者がジェネレーティブエージェントに関する2024年の論文で述べているように、「基盤モデルの次のステップは具体化です。私たちはそれらを制御ループ内に埋め込む必要があります。制御ループは、計画を実行したり、ツールを呼び出したり、環境フィードバックに基づいて戦略を変更したりすることができます。」 これが主体性の本質です。つまり、孤立した知能から統合された自律的な行動に移行することです。
現実の世界では、「予測」ボタンを押すことで問題がきちんとパッケージ化された状態で届くことはありません。 これらの問題は断片化されたシステム全体で突然発生し、多くの場合瞬時の対応が必要となります。 人間が促すAIとイベントトリガー型AIの区別は、このような複雑な環境において特に重要になります。 人間が指示するシステムでは、オペレータが問題を認識して対応を開始することが必要であり、時間に敏感な状況では潜在的に危険な遅延が発生します。 これに対して、イベントトリガー型 AI は常に警戒を維持し、人間の介入なしに状況の進展を自動的に検出して対応します。 この機能は、早期発見と迅速な対応により、小さな問題が大きな危機に発展するのを防ぐことができる場合に特に役立ちます。 都市交通の最適化、サプライチェーンの監視、自然災害への対応など、あらゆる分野で価値はエンドツーエンドの対応性(認識、推論、行動)にあります。
エージェントシステムの解剖学
堅牢なエージェントシステムを構築するには、インテリジェントシステムが目標を認識および分解し、複雑さを乗り越え、世界とやり取りする方法を根本的に再構築する必要があります。 このようなシステムは、目的を持った集合体をまとめてシミュレートする相互リンクされた機能で構築されています。
エージェントシステムは、意図に対するより高度な理解を必要とします。 これには、曖昧な目標を具体的かつ構造化された行動計画に変換する能力が含まれます。この計画は、特定のエージェント階層に正しく委任できます。 Microsoft Research と OpenAI による最近の研究では、大規模なモデルを使用して目標を再帰的に分解するという階層的プロンプトの概念が検討されています。 例えば、AutoGPT と BabyAGI のプロトタイプでは、「すべての出荷遅延を監視し、優先度の高い商品をルート変更する」といった単純な命令が、データ取得、異常検知、コスト見積り、ルート最適化といった一連のサブプロセスに分解されています。 各サブプロセスは個別のツールまたはエージェントに委任されており、これらのツールまたはエージェントは全体像を把握できない場合があります。
エージェントは、必要に応じてツール（または他のエージェント）を選択的に使用することで複雑な結果を達成します。 この完全な統合と動的なツール呼び出しは、オープンエンドな動作を実現するための中心的な要素です。 Vantiq のイベント駆動型アーキテクチャと拡張性は、このようなエージェントワークフローの調整に最適です。 これは、エージェントとサービスをやり取りするための制御プレーンとして機能します。 ツールフォーマースタイルのエージェントに関するスタンフォード大学の2024年の研究では、「ツールの使用により、タスクの精度と遅延の点でLLMの機能が4倍から10倍向上することが可能になり、特に分析、自動化、トラブルシューティングなどの分野でそうなる」と結論付けられました。 エージェントはリアルタイムのコンテキストと以前の結果に基づいてツールを動的に選択します。
この進化により、ソフトウェアアーキテクチャの再考が必要となりました。 開発者は現在、エージェントが安全に呼び出すことができるモジュール型の「ツールライブラリ」を構築しており、許可と監査機能が組み込まれています。 データが豊富にある場合、長期記憶の持続性は学習と進化にとって重要な役割を果たします。 記憶力があれば、彼らは自分の環境のメンタルモデルを構築したり、進化する制約を追跡したり、重複や矛盾する行動を避けることができます。 Vantiq 上に構築されたアプリケーションは、コンテキストに応じた状態やシステムイベントを保持できるため、エージェントはセッション全体にわたって短期メモリと長期メモリの両方からデータを引き出すことができます。
Anthropic と LangChain の研究により、埋め込みベースのベクトルストア、インタラクションログ、ゴールスタックなどの基本的なメモリメカニズムでさえ、エージェントの信頼性を大幅に高めることがわかりました。 より高度な設計では、エフェメラル（セッション固有）、ワーキング（プロジェクト/タスク固有）、セマンティック（グローバル）といった複数の階層のメモリが組み込まれています。 エージェントはメモリを使用して、以前の試みから学習したり、戦略を再調整したり、ツールの選択を改善したりします。
自治性には責任の必要性が伴います。 エージェントシステムは、自らの結果を評価し、定義された目標やしきい値と比較し、外部トリガーを必要とせずに是正措置を講じます。 Vantiq は、定義済みのパフォーマンス メトリックに基づくリアルタイムの監視、ルール評価、および適応型自動化を実現することで、このモデルをサポートしています。
報酬モデル、嗜好学習、人間のフィードバックに基づく強化学習の実装は、エージェント・アーキテクチャと融合しつつあります。 MITの集団知性センターの研究者たちはこの点を強調しています：「効果的な主体性には、最適でない経路を検出し、自分の選択を説明し、新たな要因がない場合にもコースを修正できる評価的推論システムが必要です」。
理論からインパクトへ：エージェント AI が普及している分野
人工知能に関する議論の多くは、基本的なモデルベンチマークやチャットボットの流暢さに焦点を当てていますが、この変革は、適応性と自律的な調整が運用上の成功を左右するリスクが高くデータ集約型の環境で起こっています。
応答時間をミリ秒単位で測定する場合、主体的AIは根本的な変化をもたらします。 現代の公共安全活動は、監視ビデオ、指令ログ、ソーシャルメディア信号、交通テレメトリなど、多くの手段を組み合わせることに依存しています。 これらの情報を人間の意思決定者にルーティングするという従来のモデルは、ますますスケーラブルではなくなっています。
国土防衛と安全保障センターによる2024年の分析によると、「ライブセンサーネットワークと統合された自律エージェントは、複数の機関が参加するシミュレーション全体で緊急対応調整にかかる時間の中央値を46%削減しました」。 これらのシステムは単に異常を検出するだけではありませんでした。 彼らはイベントを優先順位付けし、緊急事態対応プロトコルを起動し、人間のオペレーターやさまざまなドローンやロボットとの連携を維持しました。
特に、主体的なワークフローは、過去のイベントモデルや環境ベースラインとの相互参照、人間が関与するフィードバックサイクルの学習によって、矛盾するデータを解決する（つまり、誤報と実際の脅威を区別する）点で優れていることが証明されました。
同様に、現代のエネルギーシステムでは、静的自動化は追いつくことができません。 グリッド事業者は、負荷分散、電力フローの再配線、障害の検出、さらにはローカルシステムとの交渉などを行うために、主体的AIにますます依存するようになっています。 国際エネルギー機関（IEA）の「Autonomous Grid Intelligence」（2024年）と題された論文では、スカンジナビアでの導入について詳しく説明しています。この地域では、主体的なシステムがカスケード障害が発生した場合に負荷優先順位をミリ秒単位で再設定することで停電を防ぎました。 これらのエージェントは厳しい規制と安全性の境界内で運用され、セキュアなAPIと認証済みロジックモデルを使用して監査性を確保しました。 エージェントは異常にフラグを立てるだけでなく、リアルタイムで問題を解決しました。
主体性を考慮したアーキテクチャ：実世界におけるデザインパターン
実装方法はドメインによって異なりますが、多くの堅牢な主体的なシステムは同様のコアアーキテクチャを共有しています。 一般的なパターンには次のものがあります。
知覚層: 環境とのインターフェースです。 さまざまなソースからのマルチモーダル入力を取り込み、ダウンストリームで使用するためにそれらを正規化します。 このレイヤーは単純なデータ取り込みにとどまらず、状況認識を確立し、特定の状況フレームワーク内でイベントの重要性を理解します。 Vantiqのような高度なシステムは、複数のデータストリームにわたってイベントを関連付けることができ、孤立したインシデントとより複雑な状況を示す調整されたパターンを区別できます。
認知レイヤー: コンテキストを解釈し、状況を分類し、目標やサブゴールを特定します。 多くの場合、基礎モデル、ドメイン固有の分類器、およびオントロジーの組み合わせによって強化されます。
計画レイヤー: 目標を複数のステップからなる計画に分解し、条件付きロジックを処理し、フィードバックに適応します。 計画アルゴリズム、知識グラフ、またはタスクツリーを使用します。 イベントトリガー型システムの計画レイヤは、人間の指示を待つことなく、状況に応じて適切な応答を迅速に生成する必要があります。 そのためには、事前に確立された緊急事態計画が必要であり、この計画は各イベントの特定の状況に基づいて自動的に適応できます。
アクションレイヤー: 外部 API、ロボットインターフェイス、または内部システムを使用してタスクを実行します。 再試行、フォールバック戦略、パフォーマンス追跡をサポートします。 Vantiqの統合レイヤーは、分散サービスとエージェントアクション間のシームレスな通信を可能にします。 イベントによってトリガーされるアクションは、状況と重大度に合わせて正確に調整する必要があります。 n8n などのプラットフォームは、イベント特性や状況要因に基づいてさまざまなレスポンスシーケンスをトリガーできる高度なワークフロー自動化を提供することで、この点で優れています。
評価レイヤー: KPIまたは満足度関数に対して結果を監視します。 再トレーニングや監査のためにインサイトをエスカレーション、再計画、または記録できます。 Vantiq を使用すると、評価ロジックをリアルタイムルールにエンコードすることができ、動的な監視とコース修正を可能にします。
この階層化設計により、モジュール性、障害分離、および観測性が実現されます。 アレン AI 研究所の 2024 年のレビューに記載されているように、「評価と計画を分離したエージェントシステムは、騒々しい環境下でタスクの成功率を大幅に高めた」のです。
エージェントシステムの信頼性の高い実装には、人間がループ内に関与するチェックポイントも組み込まれているため、オペレータは必要な状況でエージェントの動作をガイド、オーバーライド、またはデバッグできます。
エージェンシーには境界を設けなければならない。ステークスが高い設定では、ツールの呼び出し、メモリの永続化、環境との相互作用が許可され、記録され、検証される。 これは、インターフェイス周辺の決定論的なラッパーと制約によって実現されます。 安全な自律システムのための2024年版NISTフレームワークはこれを明確に強調しています。「エージェントの動作は自律的であるのと同じくらい監査可能でなければなりません。アーキテクチャは不完全なモデルを想定し、それに応じて爆発半径を制限する必要があります。」
今後の道筋：エージェント AI のスケーリングにおける課題と機会
エージェントの行動を評価することは、従来の AI パフォーマンスを測定することよりもはるかに困難です。 この課題は、コンテキスト認識を備えたイベントトリガー型システムにとって特に深刻です。このシステムでは、成功は個々の応答だけでなく、オペレーターを誤検知で圧倒することなく適切な警戒を維持できるシステム能力にも依存しています。 感度と特異性のバランスが重要になります。 システムは、無関係なノイズを無視しながら、本物の脅威を検出する必要があります。 精度やBLEUスコアなどの標準的な指標は、複雑なタスクを長期にわたって実行することが目標である場合には不十分です。 エージェントシステムの成功は、目標達成度、失敗に対する回復力、変化に対する対応力に依存します。
2024 年に開催された NeurIPS ワークショップで指摘されたように、「長期にわたるエージェントの動作に関する標準的な評価フレームワークが存在しないため、有意義な比較と進歩が遅れています」。 現在、一部のプロジェクトは環境シミュレータ（WebArenaやEvalGAIなど）を使用してマルチステップ推論を評価していますが、他のプロジェクトは狭い領域向けにカスタム報酬関数を開発しています。 しかし、合意はまだありません。
物理環境では、状態が中期計画を変更したり、エージェントのサブゴールが矛盾したり、ツールの出力が誤解されたり、循環推論が発生したりすることがあります。 シンボリック・プランニングと統計的推論を組み合わせたハイブリッド・アーキテクチャは、安全なフェイルオーバー・メカニズムを備えた実行サンドボックスと同様に、いくらかの緩和策を提供します。 しかし、堅牢な計画策定は依然として大規模な未解決課題です。
役に立つ自律性の未来へ向けて
エージェント型AIは、インテリジェンスが世界にどのように適用されるかを再発明することです。 人間のプロンプトからイベントトリガー型AIへの進化は、私たちがインテリジェント・システムとやり取りする方法に根本的な変化をもたらしました。 これらのシステムは、私たちの命令を待つツールとして機能するのではなく、ニーズを予測し、発生したイベントに対応するプロアクティブなパートナーとなります。 この変革には、技術の進歩だけでなく、自律システムの設計、導入、管理方法の再考も必要です。 Vantiq のようなプラットフォームはこの移行を先導しており、複雑で動的な環境でも効果的に動作できる豊富なコンテキスト認識を備えたイベントトリガー型システムを構築するために必要なインフラストラクチャを提供しています。 これは、AI ユーティリティのボトルネックは計算ではなく調整であること、つまりモデリングではなく統合であることが認識されたことです。
まだ多くの作業が残っていますが、その方向性は明確です。次の10年間を定義づけるシステムは、指示を待つ受動的なツールではありません。 彼らはダイナミックな協力者であり、目標達成に向けて意識を高め、計画を立て、行動を起こしています。
この未来において、成功は最もスマートなモデルを構築することから生まれるのではなく、最も連携性があり、適応性があり、責任あるエージェントを構築することから生まれるでしょう。
