Anthropicが企業向けAI Agentアーキテクチャガイドを発表——まず3つの問いに答えてから、マルチエージェントを導入するか決めよ
マルチエージェントシステムは効果を90.2%押し上げるが、トークンコストも10〜15倍に膨らむ。この三問フレームワークで、複雑なアーキテクチャを導入すべきか先に見極めよう。
- AnthropicがAI Agentの企業導入ガイドを発表。Coinbase、Intercom、Thomson Reutersなど実顧客の実運用事例を基に、アーキテクチャパターンと選定方法をまとめている。
- 本文が示す中核アーキテクチャは6種類——シングルエージェント、階層型スーパーバイザー方式、協調型、順次ワークフロー、並列ワークフロー、評価者-最適化者ワークフロー。
- Anthropicの社内研究によれば、複数の独立した経路を同時に探索する必要がある複雑タスクにおいて、マルチエージェントシステムはシングルエージェントより効果が90.2%高い。ただしトークン消費量はシングルエージェントの10〜15倍。
- ガイドは「どれだけの制御性が必要か」「問題がいくつの領域にまたがるか」「リソース予算はどれほどか」という三問の意思決定フレームワークを示し、闇雲に最も複雑な方式を追うのではなく、どのアーキテクチャを選ぶべきかを判断する助けとする。
- 核心の方法論は「シンプルから始めて段階的に進化させる」こと——まずシングルエージェントで価値を検証し、その後ビジネスニーズとデータのフィードバックに応じてアップグレードする。最初から複雑なシステムを組むべきではない。
Anthropicが送る企業向けagentアーキテクチャ手引書
Anthropicが最近発表したAI Agentの企業向けアーキテクチャガイドは、Coinbase、Intercom、Thomson Reutersなど顧客の実際の導入事例をまとめ、6種類のアーキテクチャパターンと1つの選定意思決定フレームワークを提示している。
ホワイトペーパーの冒頭一文で立ち位置は明確にされている——生成AIは質問に答え、AI agentは問題を解決する。そしてこの手引書が答えようとするのは、その先にあるもっと実務的な問い、すなわち同じ業務に対して、1つのAI agentに単独で任せるべきか、それともマルチエージェントシステム一式を組むべきかという選択だ。これを実行可能な判断フレームワークに落とし込み、各アーキテクチャに実顧客の定量データを添えている。
読む価値がある理由：ガイドは重要な定量的トレードオフを示している。複数の独立した方向性を同時に探索する必要がある複雑タスクにおいて、マルチエージェントシステムの効果はシングルエージェントより90.2%高い。ただし消費するトークン量はシングルエージェントの10〜15倍にのぼる。この一方の上昇と一方の下落こそが、全文すべてのアーキテクチャ選定判断の土台になっている。
まずはっきりさせておきたいことがある。AI agent（エージェント）と通常の自動化スクリプトは、動作の仕組みが大きく異なる。従来の自動化は各ステップを事前にすべて書き込んでおく必要があり、プロセスはスクリプト通り一歩ずつ進み、事前に想定していない状況に遭遇すると止まってしまう。agentのやり方はこうだ——タスクを評価し、適切なツールを選び、ある方法を試し、結果の良し悪しを見て、戦略を調整し、事が片付くまでこのループを回し続ける。
すべてのステップを事前に用意しておく必要がある。プロセスは固定的で追跡可能だが、事前に敷かれた一本道しか歩めず、想定外のケースに出会うと処理が途切れる。
タスクを受け取ると自分で計画を立てる——質問を読み、口座履歴を調べ、ナレッジベースを検索し、返信の下書きを作り、必要なら人間にエスカレーションする。すべて中間結果に応じて動的に調整しながら進める。
ガイドの冒頭には、これらのシステムが実際の本番環境でどのような成果を出したかを示す顧客成績が並んでいる。
この4つの数字が示すのは規模ではなく、カバー範囲だ——カスタマーサポート、セキュリティオペレーション、不正審査、業種横断の解決率という、まったく異なる4種類の業務がどれも本番環境でagentに支えられて動いている。これが証明するのは「投資する価値がある」ということであり、「どのアーキテクチャを選ぶべきか」にはまだ答えていない。ガイドはさらに、日常業務によりリアルなもう1つの事例を挙げている——ある小売銀行では、信用リスク覚書の処理にagentを使っている。以前は関係担当者が10種のデータソースを手作業で確認するのに数週間かかっていたが、いまは20%〜60%の生産性向上をもたらし、信用審査の回転時間は30%短縮された。これらの数字が前提を確立している——agentは投資する価値がある、しかしどのアーキテクチャで実現するかこそが、このガイドが本当に教えたいことだ。全部で6種類のアーキテクチャが語られるが、実は3つの家系に分かれる。AI自身に判断させるもの（シングルエージェント、階層型スーパーバイザー方式、協調型）、人間が事前にプロセスを固定するもの（順次、並列ワークフロー）、そして品質管理専任のもの（評価者-最適化者）だ。以下、シンプルなものから複雑なものへ順に見ていこう。
第一歩：まずシングルエージェントで足りるか見極める
ガイドが繰り返し強調する第一原則は「シンプルから始める」ことだ。いきなり複雑なシステムを組むのではなく、まずシングルエージェントで問題を解決できないか見る。その方が安く、デバッグしやすく、指標もビジネス成果と結びつけやすい。
シングルエージェントシステムとは、1つのAI agentが連続したループを回すことを指す——環境を感知し、次の一手を決め、実行に移す。これをタスクが完了するか、「一時停止して人間の確認を待つ」といった停止条件に達するまで繰り返す。その中核はいくつかのコンポーネントで組み立てられている。
図中の3つのコンポーネントのうち、2つは専門用語なので先に説明しておく。
agentが外部システム（データベース、ウェブ検索、社内ツール）と接続するための標準インターフェース一式。agentはこれを使って初めて実際にデータを調べたりツールを操作したりできる。ただおしゃべりするだけの存在ではなくなる。AIに万能変換アダプタを装備するようなもので、データベースにつなぐにも検索エンジンにつなぐにも接続規格が統一されているため、毎回個別に連携コードを開発する必要がない。
特定領域の専門知識、標準プロセス、ツールの使い方をひとつのモジュールにパッケージ化し、agentが必要な時に呼び出せるようにしたもの。専門知識をすべてプロンプトに詰め込む必要はない。agentに専用のツールボックス一式を持たせるようなもので、法律の問題に出会えば法律ツールボックスを取り出し、財務の問題ならそれ用に入れ替える。1つのagentがすべての領域の知識を頭に詰め込む必要はない。
適している：オープンエンドな問題に直面し、最初はどう進めるべきかがはっきり見えない場合。何ステップかかるか、どんな障害に当たるかわからない中で、agentが自分で状況を見ながら調整していく。
避けるべき：一発で100%完璧な答えを出す必要がある場面。この場合シングルエージェントでは力不足であり、専用のSkillsを追加して精度を高めるか、それでもだめならマルチエージェントの導入を検討すべきだ。アップグレードの前にまず考えるべきは、シングルエージェントにスキルを追加するだけで十分ではないかということだ。