自動化から認知へ: エージェントAIの進化

数十年にわたり、エンタープライズの自動化は慣れ親しんだ論理に従ってきました: プロセスを定義し、手順をコード化し、ソフトウェアに一貫して実行させる。スクリプトはコマンドを自動化し、ランブックは手順を記録し、オーケストレーションはシステム間のタスクを結びつけ、AIOps は増大する運用データに機械学習を導入した。各進歩により自動化はより高度になったが、意思決定の大半は人が行っていた。人がプロセスを決め、ソフトウェアがそれを実行した。

Agentic AI はその関係性を変える。固定された指示セットから始めるのではなく、エージェントは目的から出発し、定義された境界内でどのように達成するかを考える必要がある。これは単に回答を生成する以上のことを要求する。システムは目標を解釈し、関連するコンテキストを組み立て、証拠を評価し、記憶を利用し、ツールや自動化の中から選択し、状況が変われば調整しなければならない。Anthropic は類似の区別を示しています：ワークフローはモデルとツールが事前定義されたコードパスに従うのに対し、エージェントはモデルが自らのプロセスとツール使用を動的に指示できる。

決定論的実行から適応的意思決定へ

これが従来の自動化を時代遅れにするわけではない。実際、既知の条件から行動へのパスが明確に理解できている場合、決定論的自動化が最適解である。サービスがヘルスチェックに失敗したら再起動する。リクエストが特定の基準を満たしたら適切なキューにルーティングする。インターフェースが閾値を超えたらチケットを作成し診断を実行する。これらは自動化が得意とする繰り返し可能なアクションそのものだ。

AIOps は、オートメーションが発動する前に何が起きているかを解釈することでこのモデルを拡張した: イベントの相関付け、異常の特定、ノイズの削減、コンテキストの付加である。Agentic AI は、シグナルとアクションの間に判断を導入することで次の段階へ進む。問題はもはや「この条件がどのワークフローをトリガーするか」だけではなく、「現在得られる証拠と目的に基づき、次に取るべき最適なステップは何か」になる。

劣化しつつあるサービスを考えてみよう。エージェントはテレメトリ、トポロジー、最近の変更、チケット、設定データ、過去のインシデント、ビジネスインパクトを検証し、何をすべきかを判断しなければならない。あるケースでは証拠が既知の修復策を示すかもしれないし、別のケースでは追加情報の取得や読み取り専用診断の実行が必要になる。また、影響が大きい、あるいは証拠が不十分な場合は人間を介入させる判断が正しいこともある。システムが発見した情報に基づいて経路を適応させる能力こそが、本質的な転換点である。

コンテキストと記憶が意思決定の質を変える

コンテキストのないエージェンシーは実用性に欠ける。同じ症状でもトポロジー、保守作業、最近の変更、依存関係、顧客への影響によって全く異なる意味を持つことがある。熟練したオペレーターはこれを本能的に理解し、単一の孤立したシグナルから重要な決定を下すことは稀だ。彼らは全体像を組み立て、観測と推論を分離し、証拠がどれだけの信頼性を持つかを判断する。

記憶は別の次元を加える。Google Cloud は記憶をエージェントアーキテクチャのコアコンポーネントと位置付けている。なぜなら、記憶はエージェントがコンテキストを維持し、過去のやり取りから情報を活用できるようにするからだ。運用においては、単に古いチケットを呼び出す以上の活用が求められる。有用な運用記憶は、類似の条件が現れたときに何が起きたか、どの仮説が正しかったか、どの修復策が試みられ、成功したか、ロールバックされたか、そしてオペレーターがその後何を学んだかを保持できる。こうした経験が検証されれば、次の意思決定の証拠となり、単なる事後報告や専門家の頭の中に留まる知識ではなくなる。

認知科学にも興味深い類似点がある。認知オフローディングに関する研究は、人々が外部ツールや行動を用いてタスクの精神的負荷を軽減する方法を調査し、ツール使用に関する研究は、ツールとの繰り返しの相互作用が人々の実践的な到達範囲や行動能力の表象を変えることを示している。エンタープライズAIへの比喩は文字通りに受け取るべきではないが、根底にある考え方は有用だ: ツールは単に時間を節約するだけでなく、時間とともに問題へのアプローチ自体を変えることができる。ロンドンのタクシー運転手に関する有名な研究やナビゲーション熟練度の研究は、継続的な経験が認知そのものを形作ることを示す別の例である。企業にとっての設計課題は、エージェントがどれだけ作業を引き受けられるかではなく、人間とエージェントのシステムが複雑さを理解し、対処する能力をどう向上させるかになる。

エージェントは自動化をオーケストレーションすべきで、置き換えるべきではない

このことが、私がエージェントAIを自動化への拒絶と見なさない理由でもある。キャリアの初期に何年も運用自動化を構築してきたが、そこから得た教訓は「実行だけでは不十分」だということだ。自動化は信頼を獲得しなければならない。オペレーターは、適切な状況で適切な権限と十分な証拠に基づき、正しいアクションが選択されていることに自信を持つ必要がある。
実践的なエージェントアーキテクチャは、その投資の上に構築される。既存のスクリプト、ワークフロー、API、オーケストレーションプラットフォーム、ドメイン固有ツールは、エージェントが適切なときに呼び出せる機能となる。証拠が既知の修復策を支持すれば、エージェントは新たなアクションを即興で作るのではなく、実証済みの自動化を利用できる。証拠が不十分な場合はさらに調査できる。価値は、信頼できる実行と、実行がいつ、どのように行われるべきかという適応的な意思決定を組み合わせることにある。

自律性が高まるほどガバナンスが重要になる

ソフトウェアがアクションを選択できる瞬間、ガバナンスは事後的に付加できるものではなくなる。エンタープライズエージェントは、技術的に可能なことだけでなく、特定の環境・リスクレベル・アイデンティティやロールにおいて許可されていることを理解しなければならない。NIST の AI リスクマネジメントフレームワークは、ガバナンス、マッピング、測定、管理という四つの機能を横断的に組織し、AI リスクマネジメントを包括的に捉えている。

実務上は、エージェントは推奨の根拠となる証拠を提示し、使用したシステムとデータを明示し、不確実性を露出し、承認要件を遵守し、何が起きたかの監査証跡を残す必要がある。可逆性も重要だ。読み取り専用診断と本番環境の設定変更は同じ自律性の閾値を持つべきではない。

人間の監視は単に消えるのではなく、より精緻になる。同じエージェントが自律的に証拠を収集し、修復を提案し、高リスクアクションの前に承認を求め、承認されたアクションが実際に機能したかを検証することができる。目的は人間を「ループに入れる」か「外す」かを全般的に宣言することではなく、最も価値を付加できるポイントで人間の判断を活用することにある。

真の優位性はアクション後に何が起きるかにある

最も重要な違いは、アクション実行後に現れることが多い。従来の自動化は通常、ワークフローが正常に実行されたかどうかを確認するだけだ。認知システムはより難しい問いを投げかけるべきだ: アクションは意図した結果を生んだか、そしてそこから何を学ぶべきか。

これによりフィードバックループの価値が変わる。成功した修復は将来同様の状況に対する証拠を強化し、失敗した仮説は同じ推論を繰り返す可能性を低減させる。オペレーターの修正は次の推奨を改善し、ロールバックは信頼度が利用可能な証拠を超えていたことを明らかにする。時間が経つにつれ、重要な資産は単に自動化のライブラリが増えることではなく、状況・証拠・意思決定・アクション・結果の相互関係が蓄積されることになる。

このように捉えると、エンタープライズ自動化の進化は、ある世代の技術を別の世代に置き換えることではなく、既に機能しているものの周辺に新たな能力を付加することと言える。スクリプトはアクションをコード化し、ランブックは手順を捕捉し、オーケストレーションはそれらを結びつけ、AIOps はますます複雑になる運用シグナルを解釈した。Agentic AI は目的を追求し、コンテキストと証拠を横断的に推論し、記憶を活用し、利用可能な機能から選択し、ガバナンスされた境界内で行動し、結果から学習する能力を加える。

最終的な目標は無制限の自律性ではない。責任ある自律性であるべきだ: システムが「いつ行動すべきか」「いつ調査すべきか」「いつ許可を求めるべきか」「いつ止めるべきか」を認識できること。これが自動化から認知への転換点であり、機械が人間の業務を置き換えるのではなく、企業が認知・意思決定・行動・学習の方法をより良く構築することを意味する。