T最新テックトレンド

AIエージェントの未来を拓く：Vertex AIでマルチエージェントアプリケーションを構築・デプロイする究極ガイド

Google Cloud Tech
0:00--:--

皆さん、こんにちは！最新テクノロジーの進化に常に目を光らせ、その最前線を追いかけるジャーナリストとして、本日はGoogle Cloudが提供する画期的なプラットフォーム「Vertex AI Agent Builder」に焦点を当てたいと思います。AIエージェント、特に複数のエージェントが連携して動作する「マルチエージェントアプリケーション」は、単なるバズワードを超え、ビジネスのあらゆる側面を根本から変革する可能性を秘めています。

この長大な記事では、Vertex AI Agent BuilderがどのようにAIエージェントの開発とデプロイを劇的に簡素化し、企業が直面する複雑な課題を解決するのか、その全貌を深掘りします。AIエージェントの進化の軌跡から、Vertex AI Agent Builderを構成する三つの主要な柱、そして実際の企業がこの技術をどのように活用しているのかまで、詳細かつ具体的に解説していきます。

1. AIエージェントとは何か？その進化と核心

まずは、私たちが今話している「AIエージェント」という概念を明確にすることから始めましょう。映画『マトリックス』に登場するような、特定の目的のために行動するインテリジェントな存在を想像するかもしれません。実際、1999年の公開から25年以上が経った今でも、『マトリックス』は色褪せない古典として、AIエージェントの概念を直感的に理解するのに役立ちます。

しかし、現代のAIエージェントは、映画のようなSFの世界から飛び出し、私たちの日常やビジネスに浸透し始めています。マーケティングの世界では、あらゆる生成AIアプリケーションが「エージェント的アプリケーション」と呼ばれる傾向がありますが、Google Cloudが提供するプラットフォームでは、より厳密な定義が必要です。

生成AIの進化：LLMからマルチエージェントへ

AIエージェントの進化は、ここ数年の生成AI技術の爆発的な発展と密接に関連しています。その道のりを振り返ってみましょう。

  1. LLM（大規模言語モデル）とプロンプト: 約2年ほど前、私たちはLLMにプロンプトを送り、その応答を得ることから始めました。これは対話の第一歩でした。
  2. RAG（Retrieval Augmented Generation）とグラウンディング: LLM単体では、最新情報や企業固有の知識にアクセスできないという課題がありました。そこで登場したのがRAGです。関連するリアルワールドの情報（企業データベース、ドキュメントなど）に基づいてLLMをグラウンディングさせることで、その有用性は飛躍的に向上し、多くの生成AIユースケースで不可欠な技術となりました。
  3. ツール活用: 2023年中頃には、LLMが他のサービスを「ツール」として利用できる能力が明らかになりました。LLMにAPIや関数の詳細な定義を与え、タスクを指示すると、LLMはどのAPIをどのパラメータで呼び出すべきかを判断できるようになりました。これにより、フライトの予約など、現実世界で「何かを行う」アプリケーションの構築が可能となり、エージェント的な性質を帯び始めました。
  4. エージェントループと推論: 2023年後半になると、LLMが「推論」できることが判明しました。与えられたタスクをサブタスクに分解し、それを達成するための計画を立てる能力です。これにより、「エージェントループ」あるいは「エージェント的オーケストレーション」と呼ばれる概念が生まれました。LLMが計画を立て、そのステップを実行する、という一連のプロセスです。これが「本格的なエージェント」の誕生を告げました。
  5. マルチエージェントアプリケーション: そして現在、私たちは「なぜエージェントを一つに限定するのか？」という問いに直面しています。複数の専門エージェントが連携し、協力し合うことで、より洗練された複雑なアプリケーションを構築できることが認識され、マルチエージェントアプリケーションの世界へと突入しました。

エージェントアプリケーションを構成する主要な要素

これらの進化を経て、現代のエージェントアプリケーションは以下の主要な要素から成り立っています。

  • LLM（大規模言語モデル）: エージェントの「脳」として機能し、推論能力と計画立案能力を提供します。エージェントの定義とツールセットに基づいて、与えられた目標を達成するための計画を生成します。
  • ツール: エージェントが外部サービスと連携するための特定のAPIや関数です。これにより、エージェントは現実世界で行動を起こすことができます。
  • エージェント定義: エージェントの振る舞いを自然言語で記述したものです。目標、ペルソナ、詳細な指示（何を行うべきか、何を行うべきでないか）、そして利用可能なツールが指定されます。
  • エージェント的オーケストレーション: これがエージェントの「神経系」とも言える部分です。LLMを呼び出して計画を立てさせ、その計画を解析し、ステップを実行するロジックを含みます。計画の各ステップの実行後には、LLMに結果をフィードバックし、必要に応じて計画を調整します。また、ツール呼び出しの実際の実行、中間状態の維持、そして長期的な対話に不可欠な「エージェント的記憶」の管理も担います。

これらの要素をすべて統合し、複雑なエージェントを構築し、本番環境にデプロイすることは決して容易ではありません。そこで登場するのが、Vertex AI Agent Builderです。

2. Vertex AI Agent Builderの全体像：エンタープライズ対応の総合プラットフォーム

Vertex AI Agent Builderは、「業界で最も包括的なエンタープライズ対応エージェント開発プラットフォーム」を目指して設計されました。その目標は、エージェントの構築とデプロイという複雑なプロセスを劇的に簡素化することにあります。このプラットフォームは、以下の三つの主要な柱によって支えられています。

  1. 最先端のAIモデル群: エージェントの知能の源となるのが、Google Cloudが誇る高性能なAIモデル群です。特に、Gemini 2.5 Proは、その卓越した推論能力により、エージェント的なユースケースで驚くべき結果をもたらします。さらに、モデルガーデンでは、最近統合されたLlama 4 LLMを含む、様々な高品質なLLMがキュレーションされており、開発者は自身のニーズに合わせて最適なモデルを選択できます。

  2. エージェント開発とデプロイのための包括的ツールセット: この柱は、本記事の主要な焦点となります。Vertex AI Agent Builderは、開発者がエージェントを構築し、テストし、本番環境にデプロイするための強力なツールとサービス群を提供します。これには、以下の三つの主要コンポーネントが含まれます。

    • Agent Development Kit (ADK): エージェントの定義とオーケストレーションを簡素化するオープンソースのSDK。
    • Agent Engine: 開発したエージェントを本番環境で実行・管理するためのフルマネージドなランタイム。
    • Agent Garden: エージェント開発の学習と加速を支援するサンプルとツール集。

  3. エンタープライズコンテキストへのシームレスな接続: エージェントが真に有用であるためには、企業の持つ膨大なデータや既存のシステムと連携できる必要があります。Vertex AI Agent Builderは、エージェントを企業のコンテキストに接続するための一連のツールとサービスを提供します。

    • 企業データ: 構造化データ、非構造化データにかかわらず、エージェントがこれらの情報源にアクセスできるようにします。
    • 企業API: バックエンドサービスで稼働している社内APIや既存のシステムとの統合を容易にします。
    • SaaSアプリケーション: 組織内で利用しているSaaSアプリケーション（Salesforce、SAPなど）とも連携し、エージェントの能力を拡張します。

これらすべての機能は、セキュリティ、ガバナンス、安全性といったエンタープライズグレードの要件で厳重に保護されています。Google Cloud自身が提供するエージェント的アプリケーションやサービスも、このVertex AI Agent Builderフレームワーク上で構築されており、その堅牢性が実証されています。

それでは、これら三つの柱をさらに深く掘り下げ、それぞれの具体的な機能とビジネスへの影響を見ていきましょう。

3. Agent Development Kit (ADK) – エージェント開発の中核

Vertex AI Agent Builderの心臓部とも言えるのが、Agent Development Kit (ADK) です。これは、オープンソースとして公開され、Python SDKを通じて利用可能であり、将来的にはさらに多くの言語がサポートされる予定です。ADKは、エージェント開発者が直面する多くの複雑さを解消し、洗練されたマルチエージェントアプリケーションを効率的に構築できるように設計されています。

ADKの際立った機能と利点

ADKは単なるツールセットではありません。エージェント開発のパラダイムを変える革新的な機能が満載です。

  • マルチエージェントオーケストレーションの簡素化: ADKの最も特徴的な機能の一つは、複数のエージェント間のオーケストレーションを自動的に処理する能力です。これにより、開発者は複雑なエージェント間の連携ロジックを自分で記述する手間を省けます。
  • クライアントサイドのビジュアルUIによる詳細な可視化: ADKには、クライアントサイドで動作するビジュアルUIが付属しており、エージェントが特定のタスクや目標に対してどのようなサブステップを実行したかを詳細に観察できます。デモでは、ルートエージェントがフライトエージェントに制御を移譲し、特定のツールを使用した後、制御が戻る様子が視覚的に表示されました。これにより、エージェントの思考プロセスと実行フローが完全に透明化され、デバッグや品質向上に極めて役立ちます。
  • LLM推論と決定論的ロジックのシームレスな統合: LLMは優れた推論能力を持ちますが、本番環境に移行する際には、101種類のエッジケースや微妙な状況に完璧に対応できないことがあります。ADKは、LLM駆動の推論と、開発者が注入する決定論的ロジック（特定の条件下で特定の動作を保証するコード）をシームレスに組み込むことを可能にします。これにより、LLMが単独では対応しきれない状況でも、アプリケーションの堅牢性と正確性を高めることができます。これはまだ発展途上の分野ですが、ADKはその方向への重要な一歩を踏み出しています。
  • 多様なツールサポート: ADKは、非同期ツールや長時間実行ツールを含む、さまざまなツールの利用をサポートしています。これにより、エージェントは外部サービスとの複雑な連携もスムーズに行うことができます。
  • Human-in-the-Loopエージェント: 人間の介入が必要となるエージェントアプリケーション（例：最終確認や承認）も、ADKを使えば容易に構築できます。これは多くのエンタープライズユースケースで非常に重要です。
  • モデルアグノスティック設計: ADKは特定のLLMに依存せず、モデルアグノスティックに設計されています。デフォルトではGoogleのGeminiモデルが推奨され、最高のパフォーマンスを発揮しますが、開発者は必要に応じて他のLLMを使用することも可能です。
  • MCPプロトコルサポート: マルチエージェントコラボレーションプロトコル（MCP）のサポートにより、ADKはリモートエージェントとの複雑な対話を可能にし、地理的に分散したエージェントシステムを構築できます。

開発体験の簡素化

これほど多くの機能を持つSDKは複雑に思えるかもしれませんが、ADKは非常にエレガントで使いやすいように設計されています。

  • ボイラープレートコードの削減: 開発者はエージェントの定義において、目標、ペルソナ、詳細な指示を自然言語で記述することにほとんどの時間を費やします。コード記述は最小限に抑えられ、エージェントに利用可能なツールリストやサブエージェントを指定するだけで済みます。
  • 高い生産性: この設計思想により、開発者はエージェントのロジックや振る舞いの本質に集中でき、開発サイクルを大幅に短縮できます。

ADKで構築できる多様なアプリケーションタイプ

ADKは、幅広いタイプのAIエージェントアプリケーションの構築を可能にします。

  • 対話型チャットエージェント: 最も一般的なタイプで、ユーザーはチャットインターフェースを通じてエージェントと対話します。
  • オフライン処理/バックグラウンド処理エージェント: ユーザーが直接関与しない、定型的なタスクやバックグラウンドでのデータ処理を行うエージェントです。
  • 双方向オーディオ/ビデオストリーミング（多モーダルライブAPI）エージェント: これがADKの特に革新的な機能の一つです。ユーザーはエージェントと音声やビデオを通じて双方向で対話できます。特筆すべきは、この機能が「追加コードなし」で利用できる点です。以前のKeynoteデモで、ユーザーが花を画面に映しながら、植木鉢の土に関する推奨事項をエージェントに尋ねるシーンがありましたが、あれはまさにADKとGemini上で動作するライブデモでした。

エンタープライズコンテキストへの接続を容易にするツール

エージェントが企業環境で最大限の価値を発揮するためには、既存のAPI、SaaSアプリケーション、データベースとの連携が不可欠です。ADKは、以下のGoogle Cloudツール群と連携し、この接続を簡素化します。

  • プライベートAPI: Apigee API Hub を利用することで、社内APIとエージェントを安全かつ効率的に接続できます。
  • 100+ SaaSアプリケーション: GCP Integration Connectors を介して、Salesforce、SAPなどのSaaSアプリケーションとエージェントを統合できます。
  • ビジネスワークフロー: 複雑なビジネスプロセスは、GCP Application Integration を利用してエージェントと連携させることができます。
  • データベース: 関連するオープンソースプロジェクトである GenAI Toolbox を使用して、エージェントを企業のデータベースに接続し、データ駆動型の意思決定を可能にします。

これらの機能により、ADKは単なる開発キットを超え、エンタープライズAIエージェント構築のための包括的なエコシステムを提供します。

4. デモンストレーション：データサイエンスエージェントの活用（ADKの機能ハイライト）

ADKの強力な機能を示すために、Kaggleコンペティションでステッカー販売を予測する「データサイエンスエージェント」のデモンストレーションが披露されました。このデモは、ADKが提供するローカルUIと多モーダルライブAPIの可能性を鮮やかに示しています。

エージェントの概要と定義

まず、データサイエンスエージェントは、いくつかのサブエージェント（例：データベースエージェント、データサイエンスエージェント）と、データ取得、分析、予測、次のステップの提案を行うための複数のツールを備えています。UIでは、各エージェントの定義、使用ツール、モデル、サブエージェントを詳細に確認できます。

データ探索のプロセス

  1. 販売推移のプロット: ユーザーが「売上推移をプロットしてほしい」と依頼すると、エージェントは思考プロセスをストリーミングしながら複数のステップを実行します。まず、データベースエージェントが各日付の売上を要約するよう呼び出されます。次に、スーパーバイザーがこの要約されたデータをデータサイエンスエージェントに渡し、日別売上を示す折れ線グラフを作成するよう指示します。エージェントはグラフと洞察（例：週ごとの売上スパイク）を生成し、UIには各ステップの詳細な実行状況が可視化されます。
  2. 製品別販売のプロット: 同様に、「製品別の売上をプロットしてほしい」と依頼すると、データベースエージェントが適切なテーブルを識別し、データサイエンスエージェントが棒グラフを生成します。

モデルトレーニングと自己修正

エージェントは単なるデータ分析にとどまりません。

  1. モデルトレーニングオプションの提示: ユーザーが「モデルをトレーニングしてほしい」と依頼すると、エージェントはいくつかのトレーニングオプションを提示し、それぞれの長所と短所を比較検討できるようにします。
  2. 計画の生成と実行: ユーザーが「バージョン3」を選択すると、エージェントは特定のBigQuery ML (BQML) コードとパラメータを含む詳細な計画を立てます。コードを確認後、ユーザーが実行を指示すると、エージェントはその計画を実行します。
  3. 自己修正能力: 驚くべきことに、エージェントは実行中に「max order valueが6では高すぎる。5に調整する必要がある」という誤りを発見し、自己修正します。BQMLコードを修正し、ユーザーの確認を経て、更新された計画でARMAモデルをトレーニングします。これにより、ユーザーはコードを一行も書くことなく、予測モデルを構築できます。

モデル評価とKaggleリーダーボードへの提出

トレーニングされたモデルのパフォーマンスは、Kaggleコンペティションの評価データセットに対して測定されます。

  1. 予測とデータ保存: エージェントは評価データセットに予測を行い、その結果をBigQueryのテーブルに保存します。
  2. CSVエクスポートと提出: テーブルが生成された後、Kaggleコンペティションのリーダーボードに提出するために、データをCSVファイルとしてエクスポートします。提出後、エージェントはリーダーボードのスコアを確認し、公共スコアが0.12であることを認識します。

多モーダルライブAPIによる改善提案

このデモのクライマックスは、ADKの双方向ライブAPIと多モーダル機能の活用です。

  1. ライブ画面共有と音声対話: カスタムフロントエンドに統合されたライブデータサイエンスエージェントとの対話が披露されました。ユーザーはエージェントに「画面が見えますか？」と尋ね、Kaggleの提出ページを共有します。エージェントは画面上の情報を認識し、「Kaggleの予測ステッカー販売コンペティション提出ページが見えます」と応答します。
  2. スコア分析と改善計画: ユーザーは自分が達成したプライベートスコア（0.15005）と、リーダーボードの最高スコア（0.04450）をエージェントに伝えます。エージェントはこれらの情報を分析し、「ARMA+モデルと休日効果を実装済みで、まだ特徴量エンジニアリングを行っていないため、そこから始めるのが良いでしょう」と具体的な改善計画（例：日付関連の特徴量抽出、ラグ売上データ）を提案します。

このデモは、ADKが単なるコード生成ツールではなく、ユーザーとの自然な対話を通じて、データ分析、モデル構築、評価、そして改善計画までを一貫して支援できる強力なエージェントプラットフォームであることを明確に示しました。特に多モーダルインタラクションは、ユーザー体験を革新する可能性を秘めています。

5. Agent Engine – 本番環境デプロイと運用

エージェントを開発し、その品質を向上させたら、次のステップはそれを本番環境にデプロイし、大規模に運用することです。ここで活躍するのが、Vertex AI Agent Builderの第二の柱である Agent Engine です。Agent Engineは、エージェントの開発からデプロイまでのパスを劇的に簡素化し、本番環境でのスケーラブルな運用を可能にする、フルマネージドなランタイムを提供します。

Agent Engineの仕組みと機能

Agent Engineは、開発者がADKやLangGraph、CrewAIといったエージェントフレームワークで定義したエージェントを、すぐに本番利用できる形に変換します。

  • フルマネージドなランタイムのプロビジョニング: 開発者が作成したエージェントをAgent Engineにデプロイすると、Agent Engineは必要なインフラストラクチャを自動的にプロビジョニングし、エージェントを本番環境で実行できる状態にします。これにより、開発者はインフラ管理の煩わしさから解放されます。
  • CRUDアクセス: デプロイされたエージェントに対して、作成(Create)、読み取り(Read)、更新(Update)、削除(Delete)といったCRUD操作が可能です。
  • スケーラビリティ: 本番環境のエージェントは、予期せぬトラフィックの急増にも対応できるよう、設計段階からスケーラブルに考慮されています。Agent Engineは、需要に応じて自動的にリソースを調整し、安定したパフォーマンスを維持します。
  • 包括的な可観測性: エージェントが本番環境でどのように動作しているかを理解することは、品質改善とデバッグのために不可欠です。Agent Engineは、OpenTelemetryとの統合を通じて、以下の可観測性機能を提供します。
    • トレース: エージェントの実行フロー、サブエージェント間の連携、ツール呼び出しなど、すべてのステップの詳細な実行経路を追跡できます。
    • ロギング: エージェントの動作に関する詳細なログを収集・分析し、問題の特定と解決を支援します。
    • モニタリング: クエリ数、リクエスト数、リソース利用率などの主要なメトリクスを監視し、エージェントのパフォーマンスと健全性をリアルタイムで把握できます。
  • 柔軟な呼び出しエンドポイント: Agent Engineにデプロイされたエージェントは、任意のアプリケーション、ウェブサイト、または内部システムから呼び出すことができます。
  • Agent Spaceとの連携: 企業が従業員向けにエージェントを利用するプラットフォーム「Agent Space」を使用している場合、Agent EngineにデプロイしたカスタムエージェントをAgent Spaceに登録し、従業員が簡単にアクセス・利用できるようにすることができます。

エージェントの品質測定と改善

Agent Engineは、デプロイ後のエージェントの品質を測定し、継続的に改善するための強力なツールも提供します。

  • Vertex AI評価スイートとの統合: Agent EngineはVertex AI評価スイートとシームレスに統合されており、以下の方法でエージェントの応答品質を評価できます。
    • ゴールデンデータセット: 事前に用意された理想的な応答を含むデータセットと比較することで、エージェントのパフォーマンスを客観的に評価します。
    • LLMによる自動評価: 別のLLMを評価者として利用し、エージェントの応答の適切性や有用性を自動的に評価させます。
  • セッションごとのコンテキスト管理: エージェントとユーザーの個々の会話（セッション）の記憶を維持します。これにより、エージェントは過去の対話内容を覚えており、より自然で連続的なインタラクションを提供できます。さらに、Agent Engineはこれらのセッションの要約を管理されたメモリに保存し、特定のユーザーに対してエージェントがパーソナライズされた対話を提供し、インタラクションの質を向上させることを可能にします。
  • Example Store: エージェントが期待通りに動作しないエッジケースに遭遇した場合、その具体的なインタラクションをExample Storeに保存できます。この保存された例は、Few-Shot Learningを通じてエージェントのトレーニングデータとして利用され、将来のインタラクションの質を自動的に改善するために役立ちます。

Agent Engine Consoleによる運用管理デモ

Vertex AI内のAgent Engineコンソールでは、デプロイされたすべてのエージェントを一元的に管理できます。

  • パフォーマンス監視: エージェントのQPS（Queries Per Second）、リクエスト数、利用率といった主要メトリクスをリアルタイムで監視し、ボトルネックやパフォーマンス低下を早期に検知できます。
  • 過去のセッションレビュー: エージェントとユーザーの過去のすべての対話を詳細にレビューできます。プロンプト履歴、エージェントの応答、さらにデモで示したデータサイエンスエージェントのグラフなども含まれます。
  • インタラクティブなプレイグラウンド: コンソール内でエージェントと直接対話できるプレイグラウンドが提供され、特定の質問を試したり、エージェントの動作を確認したりできます。
  • フルトレースの検査: エージェントの応答に至るまでの詳細なトレースを確認できます。どのLLMが呼び出されたか、どのサブエージェントやツールがいつ、どのような入力と出力で利用されたか、レイテンシ、トークン使用量など、実行プロセスのあらゆる側面が可視化されます。これにより、エージェントがどのように結論に至ったかを完全に理解し、必要に応じて最適化できます。
  • Example Storeへの保存と修正: 不適切な応答や期待外れの動作があった場合、そのインタラクションをExample Storeに保存し、期待される結果に合わせて修正を加えられます。この修正は自動的にエージェントに反映され、今後のFew-Shot Learningを通じてエージェントの振る舞いを改善します。

Agent Engineは、エージェントのライフサイクル全体をサポートし、開発者が本番環境で高品質かつスケーラブルなAIエージェントを安心して運用するための基盤を提供します。

6. Agent Garden – エージェント開発の学習と加速

エージェント開発を始めるにあたって、「どこから手をつければいいのか？」と迷うこともあるでしょう。そこで登場するのが、Vertex AI Agent Builderの第三の柱、Agent Gardenです。Google Cloud ConsoleのVertex AIセクション内で利用できるAgent Gardenは、開発者がエージェントの構築方法を発見し、学習し、開発プロセスを加速するためのサンプルとツールが揃ったハブです。

Agent Gardenの機能

Agent Gardenは、エージェント開発のアイデアを見つけ、実装を開始するための出発点となります。

  • 多様なエージェント実装サンプル: Agent Gardenには、様々なユースケースに対応するエージェントのサンプルコードが豊富に用意されています。
    • データサイエンスエージェントサンプル: 前述のデモで示されたデータサイエンスインタラクションのソースコードが提供されています。これにより、開発者は実際に動作するエージェントの内部構造を学習し、自身のレポジトリにコピーしてカスタマイズすることで、迅速に開発を開始できます。機能、ユースケース、トポロジーも詳細に説明されています。
    • 顧客サービスエージェント: キーノートで紹介されたフラワーデモを支えたベースコードも公開されています。これにより、複雑な多モーダル対話エージェントの構築方法を学ぶことができます。
  • 利用可能なツール群の探索: エージェント開発において不可欠なのは、外部サービスと連携するためのツールです。Agent Gardenでは、ADKで利用可能なツール群のサンプリングが提供されています。
    • カスタムAPIの登録と利用: Apigee API Hubに登録されたプライベートAPIを、わずか数行のコードでエージェントに接続する方法が示されています。詳細なドキュメントリンクも提供され、学習を支援します。
    • エンタープライズアプリケーションとの接続: 一般的なエンタープライズアプリケーション（例：CRM、ERP）に対して、GCP Integration Connectorsを介して迅速に接続する方法が提示されます。これにより、開発者は既存のビジネスシステムとエージェントを容易に統合できます。
  • ユースケース検索とアクセラレーター: 特定のユースケース（例：カスタマーサポート、データ分析）に興味がある場合、Agent Gardenで検索することで、関連するエージェントサンプルやツール、設定方法に関する情報にアクセスできます。これにより、開発者はゼロから始めることなく、既存のリソースを活用して効率的に開発を進められます。

Agent Gardenは、エージェント開発者がアイデアを具現化し、学習し、そして実際のアプリケーションを構築するまでのプロセスを大幅に加速するための、まさに「庭」のような存在です。

7. 顧客事例1：Ford - マルチエージェントカスタマーアシスタント

ここからは、実際にVertex AI Agent Builderを利用して、ビジネスに大きなインパクトを与えている企業の事例をご紹介します。まずは、世界的な自動車メーカーであるFordです。

背景と課題

Fordは数百万人の顧客を抱え、彼らが製品やサービスに関する情報を見つける手助けをすることは非常に重要です。約1年前、Fordは顧客の情報検索体験を大幅に改善するプロジェクトに着手しました。

  • 旧来のRAG技術の限界: 当初は、所有者マニュアルサイトにLLMとRAG（Retrieval Augmented Generation）を組み合わせることで、オンラインオーナーズマニュアルの改善に成功しました。これは非常に良い結果をもたらしましたが、Ford.comウェブサイトには17,000ページ以上もの情報があり、オーナーズマニュアルだけでなく、サービスガイド、牽引計算機など、あらゆる種類の情報が散在しています。この膨大な情報量は、顧客にとって「圧倒的」であり、「ワイパーの交換方法」のような単純な質問一つをとっても、どこで情報を見つければ良いのかが分かりにくいという課題がありました。

Agent Builderによる解決策

Fordは、この課題を解決するために、Vertex AI Agent BuilderのADKとAgent Engineを活用してマルチエージェントカスタマーアシスタントを構築することにしました。オーナーズマニュアルサイトは、この新しいカスタマーアシスタントエージェントがアクセスできる「ツールの一つ」として組み込まれることになります。

エージェントの機能とデモ

デモでは、開発者向けのADK UIが使用され、エージェントがどのように機能するかが詳細に示されました。顧客が実際に使用するUIは異なりますが、これにより「舞台裏」で何が起こっているかを理解できます。

  1. 複雑な質問への対応: ユーザーが「Ford F-150トラックについて質問がある」と伝えると、エージェントは快く対応します。続いて、ユーザーは「5人快適に乗れて、10,000ポンド牽引でき、革製シートで、雪や泥道でもよく走り、特定の予算に収まるトラックが必要だ」という、複数の要件を含む複雑な質問を投げかけます。
  2. 推論と計画の生成: エージェントは、LLMの優れた推論能力を駆使して、これらの要件を満たすための「計画」を立てます。UI上では、エージェントがどのようなツール（例：牽引計算機、保証・サービスガイドなど、右側にリスト化された多数のツール）をいつ使用すべきかを判断し、計画の各ステップがどのように実行されるかが視覚的に表示されます。
  3. 実行フローの可視化と制御: デモでは、エージェントが複数のステップを実行していく様子が、詳細な思考プロセスとともにUIに表示されます。開発者は、エージェントがステップを「順次」実行するか「並列」実行するかを制御でき、スケーリングや応答時間の最適化に応じて選択できます。
  4. 失敗からの学習と自己修正: ユーザーが「ホイールデザインの画像を見たい」と依頼した際、エージェントは一度目の試行で適切な画像を見つけられず「失敗」しました。しかし、エージェントは失敗の原因（誤った情報源を参照したため）を分析し、より適切な情報源にアクセスすることで、すぐに望む画像を正確に発見して提示しました。これは、エージェントの自己修正能力と、開発者がトレース機能を通じてデバッグできることの重要性を示しています。
  5. 詳細なトレース機能: ADKは、実行された各ステップのグラフ表示、どのツールが考慮され、実際に使用されたかの流れ、そして個々のLLMプロンプトの内容まで、極めて詳細なトレース機能を提供します。これにより、開発者はエージェントの動作を完全に理解し、テスト、デバッグ、改善のプロセスを非常に堅牢なものにできます。

Fordの事例は、Vertex AI Agent Builderが、顧客サポートのような情報集約型の複雑なタスクにおいて、いかにユーザー体験を向上させ、オペレーションを効率化できるかを示す強力な例です。

8. 顧客事例2：Revionics - マルチエージェント価格設定システム

次に、小売価格設定の分野で世界をリードする企業、Revionicsの事例を見ていきましょう。Revionicsは、AIエージェントを活用して、小売業者の価格設定ワークフローを革新しようとしています。

企業紹介と課題

Revionicsは、5000億ドル以上の収益を最適化し、世界中のトップ小売業者と協力して、商品の価格設定、需要予測、価格戦略の最適化を支援しています。彼らの目標は、小売業者が直面する複雑な価格設定プロセスを自動化し、予測AIと生成AIを組み合わせることで、価格推奨の質をさらに高めることです。

Agent Builderによるソリューションと4つの柱

Revionicsは、GoogleのADKを使用してマルチエージェント価格設定システムを構築し、現在はCloud Runにデプロイしていますが、将来的にはAgent Engineへのデプロイを予定しています。彼らはシステム構築において、以下の「4つの柱」を重視しました。

  1. パフォーマンス: ユーザーに迅速な結果を提供すること。
  2. 正確性: 結果が正確であること、エージェント間の転送が正しく行われること、そしてツール呼び出しが正確であること。
  3. 透明性: アクションを実行する前に、ユーザーに確認を求め、何が行われるかを明確に伝えること。
  4. モジュール性: マルチエージェントアーキテクチャは比較的新しい分野ですが、異なるエージェントを製品の様々な側面やGenAI体験で再利用できるようなモジュール性を追求すること。

成功要因

Revionicsは、これらの目標を達成するためにいくつかの重要な成功要因を特定しました。

  • 堅牢な応答を持つツール: ユーザーが情報不足の質問をした場合でも、エージェントが「追加情報を提供してください」と応答するなど、堅牢なエラーハンドリングと情報要求能力を持つツールを構築しました。
  • 豊富な例: エージェントが様々なシナリオに対応できるよう、多くの具体的な例を提供しました。
  • アーティファクトによるデータ伝達: 大量のデータをLLMのプロンプトに直接渡すのではなく、インメモリ・アーティファクトとしてエージェント間でデータを渡すことで、効率性とセキュリティを確保しました。
  • ADKによるマルチエージェント転送と計画の容易さ: GoogleのADKは、エージェント間の制御転送と複雑な計画立案を非常に容易にしました。
  • ハルシネーションの削減: LLMが使用できる情報とツールを厳密に制限することで、エージェントが事実に基づかない情報（ハルシネーション）を生成するリスクを最小限に抑えました。例えば、データエージェントにはすべてのデータスキーマを渡すのではなく、小さな目標とデータセットのみを提供することで、正確性を維持しています。

提供する価値

このマルチエージェント価格設定システムは、Revionicsと彼らの顧客である小売業者の双方に大きな価値をもたらします。

  • 小売業者への価値:
    • チームのスケーリングと業務効率の向上: マーチャンダイジングチームや価格設定チームは小規模であることが多く、このシステムは彼らがより少ない時間で多くのことをこなし、作業を自動化するのに役立ちます。
    • 迅速なデータ駆動型意思決定: ツール内で会話型アナリティクスやテキストto SQLエージェントを活用することで、小売業者はダッシュボードやExcelに切り替えることなく、迅速にデータ分析を行い、意思決定を下せます。
    • ユーザー体験の向上: 各ユーザーの異なるワークフローを自動化し、パーソナライズされた体験を提供することで、ツール内での作業効率と満足度を高めます。
  • Revionicsへの価値:
    • ユーザー定着率の向上: すべての作業を一つのウィンドウで完結できることで、ユーザーはツールに長く留まり、信頼度と導入率が向上します。
    • 市場投入までの時間短縮: バックエンドとフロントエンドの複雑な開発プロセスを簡素化し、新機能の市場投入までの時間を短縮します。
    • 新しいTAMを通じた収益成長: 価格設定エージェントの機能性自体が、新しい市場の開拓を可能にし、収益の成長に貢献します。

エージェントアーキテクチャとデモ

Revionicsのシステムは、オーケストレーターとして機能する価格設定エージェントを中心に、以下の3つの子エージェントで構成されています。

  • データエージェント: 自然言語をSQLに変換し、BigQueryに対してデータ検索を実行します。
  • アクションエージェント: 内部APIを呼び出し、価格変更の適用や財務指標への影響計算を行います。
  • ヘルプエージェント: RAG（Retrieval Augmented Generation）を利用して、社内ドキュメントからユーザーの質問に答えます。

デモでは、小売業者が「競合他社より安い製品を見つけ、価格を下げてほしい」と依頼するシナリオが示されました。

  1. 計画とデータ取得: 価格設定エージェントがこのリクエストを受け、まずデータエージェントを呼び出します。データエージェントは自然言語の質問をSQLに変換し、BigQueryから小売業者の価格と競合他社の平均価格を含むデータを取得します。この際、エージェントはアクションを実行する前に、何が行われるかをユーザーに説明し、確認を求めます。
  2. アクション実行と影響計算: ユーザーが確認すると、データはインメモリ・アーティファクトとしてアクションエージェントに渡されます。アクションエージェントは内部APIを呼び出し、価格変更を適用し、需要弾力性に基づいて収益や利益への影響を計算します。ユーザーは、提案された価格変更とその財務的影響を確認し、必要に応じてさらに調整を加えることができます（例：さらに2%価格を下げる）。
  3. ヘルプエージェントの活用とハルシネーション防止: ユーザーが「Ending Numbersとは何か」と尋ねると、ヘルプエージェントがRevionicsのドキュメントから関連情報を検索し、説明します。そして、ユーザーが「Ending Numbersを適用する機能はありますか？」と尋ねると、エージェントは「その機能は持っていません」と正直に回答し、ハルシネーションを防止する設計が明確に示されました。

Revionicsの事例は、Vertex AI Agent Builderが、企業のコアビジネスプロセスにおいて、いかに複雑なワークフローを自動化し、効率性と意思決定の質を向上させ、最終的に収益成長に貢献できるかを示す好例です。

9. 結論：AIエージェントが拓く新たなビジネスの地平

Vertex AI Agent Builderは、AIエージェント、特にマルチエージェントアプリケーションの構築とデプロイにおける障壁を劇的に下げる、包括的でエンタープライズ対応のプラットフォームです。このプラットフォームは、以下の三つの主要な柱によって、開発者がアイデアを迅速に具現化し、本番環境で確実に運用できるように設計されています。

  • Agent Development Kit (ADK): オープンソースであり、マルチエージェントオーケストレーション、ビジュアルUIによる可視化、LLM推論と決定論的ロジックの統合、多様なツールサポート、そして多モーダルインタラクションの容易な構築を可能にします。開発者は、ボイラープレートコードを最小限に抑え、自然言語でエージェントの振る舞いを定義することに集中できます。
  • Agent Engine: 開発されたエージェントを本番環境で運用するためのフルマネージドなランタイムです。スケーラビリティ、OpenTelemetry統合による包括的な可観測性、Vertex AI評価スイートとの連携による品質測定と改善、そしてExample StoreによるFew-Shot Learningを通じた継続的な品質向上機能を提供します。
  • Agent Garden: エージェント開発の学習と加速を支援するハブであり、多様なエージェントサンプルや、カスタムAPIやSaaSアプリケーションとの接続を容易にするツール群を提供します。

FordとRevionicsの顧客事例は、これらのツールが単なる技術デモンストレーションに終わらないことを明確に示しています。Fordは、膨大な情報の中から顧客が必要とする情報を迅速に提供するカスタマーアシスタントを構築し、ユーザー体験を向上させています。Revionicsは、複雑な価格設定ワークフローを自動化し、データ駆動型の意思決定を加速することで、小売業者と自社の双方に具体的なビジネス価値をもたらしています。

AIエージェントの技術はまだ進化の途上にありますが、Vertex AI Agent Builderは、このフロンティアを切り開き、企業がAIの真の可能性を解き放つための強力な基盤を提供します。単一のLLMでは達成できなかった複雑なタスクの自動化、パーソナライズされたユーザー体験の提供、そしてビジネスプロセスの根本的な変革は、もはや遠い未来の夢ではありません。

さあ、あなたの組織もVertex AI Agent Builderを活用して、次世代のマルチエージェントアプリケーションを構築し、新たなビジネスの地平を切り拓いてみませんか？未来は、もう始まっています。

← 一覧に戻る