AIエージェントは「作る」よりも「導入」が難しい？エンドツーエンド業務を革新するバーティカルAIの最前線とLeoの挑戦

現代のビジネス界は、AIエージェントの登場により、かつてない変革の波にさらされています。チャットボットから自律的な意思決定を担う高度なシステムまで、AIエージェントの可能性は無限に広がるかのように見えます。しかし、最先端の技術をビジネスに実装し、真の価値を引き出す道のりは決して平坦ではありません。実際、「AIエージェントの構築は比較的容易だが、それを実際の業務環境に深く根付かせ、効果的に機能させることははるかに難しい」というパラドックスが指摘されています。

本記事では、このAIエージェント導入の難しさに焦点を当て、その本質を探ります。既存の大企業が抱える課題と、アジャイルなAIネイティブスタートアップがどのようにしてこの障壁を乗り越え、エンドツーエンドの業務変革を実現しているのかを深く掘り下げていきます。特に、企業向け調達AIエージェントを開発するLeoの事例を通して、AIエージェントの種類、その具体的な機能、ビジネスへの影響、そして将来の展望を詳細に解説します。

読者の皆様が、AIエージェントがビジネスにもたらす真の価値と、その導入・活用における戦略的な視点を理解し、自社のAI戦略立案の一助とすることを願っています。

1. AIエージェントの進化と既存企業の課題：チャットボットの限界から真の自律性へ

AIエージェントの進化は目覚ましいものがありますが、その導入は多くの企業にとって依然として大きな課題をはらんでいます。特に、既存の大企業は、自社の強みが逆に足かせとなり、真の変革になかなか踏み出せない状況が見受けられます。

1.1. チャットボットから真の自律エージェントへ：4つの進化段階

AIエージェントの進化は、一朝一夕に進むものではありません。a16zのパートナーであるシーマ・アンブル氏は、エージェントをその判断レベルと複雑性に応じて、以下の4つの段階に分類しています。

検索型エージェント (Retrieval Agent): 最も基本的な段階で、特定の情報源から情報を検索し、抽出、要約する能力を持ちます。例えば、顧客がサービス停止に対する補償を求めて電話してきた際、既存の検索アシスタントは契約条件や停止の事実に関する情報を引き出し、それを検証するにとどまります。データベースから顧客情報を取得し、共有したり要約したりするだけで、独自の判断は行いません。多くの既存企業が最初に導入した「チャットボットを貼り付ける戦略」がこれに該当します。
プロセス型エージェント (Process Agent): 検索型よりも一歩進んで、所定のプロセスやルールに基づいてタスクを実行します。例えば、顧客サポートのケースで言えば、プロセス型エージェントはポリシーハンドブックに基づき、サービス停止期間が特定の条件を満たしている場合に返金の権利があると判断し、請求システムに所定のプロセスを適用します。ここでも、エージェントは明確に定義された手順に従うだけであり、複雑な判断は介在しません。
ポリシー型エージェント (Policy Agent): この段階のエージェントは、厳密な定義が存在しない状況において、ある程度の判断を下す能力を持ちます。例えば、「サービス停止時間が20分だった」という情報から、「それは重大な停止とみなすのに十分な時間である」と判断するようなケースです。この判断は、単なるプロセスの適用を超え、企業のポリシーやガイドラインに基づいた解釈を必要とします。
プリンシパル型エージェント (Principal Agent): 最も高度な段階であり、エージェントはビジネスのプリンシパル（経営者や意思決定者）の立場で判断を下します。これは単にプロセスやポリシーを適用するだけでなく、顧客との関係維持や長期的なビジネス価値の最大化といった、より戦略的な視点を取り入れることを意味します。例えば、「かなりひどい停止だったので、顧客との関係を維持するために、プロセスやポリシーで決められた以上の追加補償を提供すべきか？」といった判断を行うことができます。これは、エージェントが企業戦略とビジネスのニュアンスを深く理解し、それに基づいて最適な行動を自律的に選択する能力を示します。

ほとんどの既存企業は、たとえAIに取り組んでいたとしても、最初の「検索」段階から始まっており、現在ようやくプロセスやポリシーの段階へと移行しつつあると宣伝しています。しかし、その能力は文書への署名支援や文字起こしからの情報入力といった、依然として限定的な範囲にとどまっています。真に判断が必要な領域、すなわちポリシー型やプリンシパル型エージェントのレベルにはまだ踏み込めていないのが現状です。

1.2. 既存企業が抱えるAIエージェント導入の障壁

既存の大企業が、より複雑なAIエージェントの導入に二の足を踏むのには、いくつかの構造的な理由が存在します。

販売網と信頼の「呪縛」: 既存企業は長年にわたる顧客との信頼関係と強固な販売網を持っています。例えばSalesforceがAgentforceをリリースした際、顧客はすぐに「SalesforceのAIエージェントなら」と受け入れやすい傾向がありました。この信頼とスムーズな導入経路は大きな強みである一方で、未完成な製品や質の低い判断を下すエージェントをリリースした場合、その信頼を一瞬で失うリスクもはらんでいます。このリスク回避の意識が、慎重な姿勢につながります。

内部的なインセンティブの対立: より複雑なAIエージェントが、エンドツーエンドで業務を完結させるようになると、従来の「ワークフローを提供する既存製品」と「業務を完結させるエージェント」との間で内部的な対立が生じます。顧客サポートの例で言えば、人間がサポート担当者のワークフローを支援するツールと、顧客サポートの課題をエンドツーエンドで解決するエージェントでは、それぞれ買い手も目標も異なります。複数の副社長が異なる製品を管轄しているような場合、正しいインセンティブや戦略を見出すことが難しくなります。

レガシーシステムとデータの分断: 既存企業は、長年運用してきた記録システムやERP（Enterprise Resource Planning）システムに強く縛られています。顧客が解約したはずなのに請求が来た、というような単純な問題でも、その解決には請求システム、チャット履歴、契約内容など、複数の異なるシステムに存在する知識を横断的に参照し、統合的に判断する必要があります。しかし、これらのデータは多くの場合分断されており、単一の記録システムだけではエンドツーエンドの業務を完遂できません。AIネイティブなスタートアップであれば、このレガシーシステムの縛りから解放され、より柔軟なアプローチを取ることができます。

「70%の自動化では不十分」という現実: AIエージェントを構築すること自体は、今日の技術レベルをもってすれば比較的容易です。ヴラド・カイル氏が語るように、Leoの最初のユースケースである「見積書を受け取り、その情報をSAPに入力する」という機能は、今やエンジニアであれば8時間で構築できるレベルにまでなっています。しかし、そのパフォーマンスが70%程度では、実際のビジネス現場での「自動化」とは言えません。なぜなら、残りの30%の作業は結局人間が手動でチェックし、修正する必要があるからです。これは、以前よりもむしろ人間の仕事が増えてしまう可能性さえ示唆しています。ビジネスの本番環境で求められるのは、100%に近い正確性と信頼性であり、この「最後の20%（あるいは30%）」を埋めることが、AIエージェント導入における最大の壁となるのです。

既存企業は、OpenAIやAnthropicのようなAI研究所と提携し、そのモデル能力を既存システムに組み込もうと努力しています。しかし、これらはあくまで既存システムを「補完し、強化する」アプローチであり、根本的に業務のあり方を変革する「プリンシパル型エージェント」の領域に踏み込むまでには至っていません。このギャップこそが、AIネイティブなスタートアップにとっての大きなチャンスとなるのです。

2. バーティカルAIスタートアップが切り拓くエンドツーエンドの世界：Leoの挑戦

既存企業がレガシーと内部的な制約に苦しむ中、AIネイティブなスタートアップは、より大胆かつ包括的なアプローチでエンドツーエンドの業務変革に挑んでいます。その代表例が、調達業務に特化したAIエージェントを開発するLeoです。

2.1. AIネイティブスタートアップの優位性：レガシーからの解放

LeoのようなAIネイティブスタートアップの最大の強みは、「そのエンドツーエンドの全過程を私たちが担う」と言い切れる点にあります。既存のレガシーシステムに縛られることなく、最初からAIを核とした全く新しい業務プロセスを設計できるため、顧客は単なるツールの効率化にとどまらない、根本的な業務変革を期待できます。

ヴラド・カイル氏は、この概念を法務分野の例で説明します。AIネイティブであれば、準備書面から裁判までの全てを網羅するソリューションを提供できます。これは、単一の作業を支援するのではなく、業務全体を一貫してAIが担うという、全く新しいパラダイムを示しています。

2.2. 調達業務の隠れた複雑性：価格交渉の裏側

調達は、多くの人が「価格」だけを連想する、一見シンプルな業務に見えます。しかし、実際にはその裏に膨大な複雑性が隠されています。

「ERPシステム上ではアルミ材8,000ドルと見えても、サプライヤーが10,000ドルを要求して交渉していた事実は見えません。コストエンジニアが3週間かけてExcelと3Dモデリングを駆使し、部品価格などを算出した苦労も見えません。」

このヴラド氏の言葉が示すように、調達業務の大半は、実際にはERPや記録システムの「外」で行われています。数多くの関係者会議、数百通のメール、数十個のExcelシートが飛び交い、法務、財務、コストエンジニアリング、そして当然ながら調達部門など、多岐にわたる利害関係者がその決定に携わっています。既存のソフトウェアベンダーが提供するツールは、こうした「記録システムの外部」で行われる業務の全体像を捉えきれていませんでした。ここに、AIエージェントが介在する大きなチャンスがあります。

2.3. 「ヒューマン・イン・ザ・ループ」戦略：信頼構築と段階的自律化

企業が初日から完全に自律的な交渉エージェントを導入することはありません。なぜなら、彼らは技術と、そしてそれを開発するスタートアップを最初から信用していないからです。Leoは、この信頼の壁を乗り越えるために、「ヒューマン・イン・ザ・ループ」という極めて有効なアプローチを採用しています。

このアプローチでは、最初は人間が介在する形でエージェントを運用し、その過程で得られるあらゆるフィードバックや知見をエージェントに学習させます。これにより、エージェントは徐々にその能力と信頼性を高め、顧客は最初は数千ドル、やがて数万ドル、そして数十万ドル規模の交渉を任せてくれるようになります。

具体的な導入戦略としては、以下の点が挙げられます。

低リスク・小規模な取引からの導入: 企業がこれまでリソース不足で対応できなかった5万ドル以下の取引など、比較的小規模で低リスクな交渉からエージェントを導入します。これにより、企業はこれまで見過ごしていたコスト削減機会を創出しつつ、エージェントの性能と信頼性を検証できます。仮にエージェントの性能が期待外れであったとしても、リスクはほとんどゼロに近いため、導入への障壁が低くなります。
ビジネス関係の維持が重要な場面での人間介入: コストや金額だけでなく、特定のベンダーとの良好な関係性やブランドイメージが重要な場面（例：ポッドキャストスタジオの設営、特定のマーケティングサービス）では、人間が交渉のトーン＆マナーを管理し、エージェントは裏方のデータ分析や情報提供に徹するなど、意図的に人間が介在するアプローチを取ります。
長時間稼働エージェントとの協業: 数百万ドル規模の複雑な交渉では、エージェントは数時間かけて情報収集や分析を行い、その後コストエンジニアなどの専門家がその結果をレビューし、フィードバックを与えます。エージェントはそのフィードバックに基づいて次の作業へ進む、というサイクルを繰り返します。これにより、専門家の知見を最大限に活用しつつ、エージェントの処理能力と分析力を融合させることができます。

「私たちは常に一歩先を行く存在でした。技術の到来を予見しており、ChatGPTが登場する数週間前、いや数ヶ月前から既に取り組みを始めていました。」このヴラド氏の言葉は、AIネイティブスタートアップが常に技術トレンドの最前線を走り、顧客の課題を素早く特定し、即座に製品として提供してきた姿勢を示しています。

2.4. マルチエージェントシステム：複雑な業務の全体像を捉える

エンドツーエンドの業務を完遂するためには、単一のエージェントでは不十分です。Leoは、複数のエージェントが連携し、互いに情報を共有しながらタスクを遂行する「マルチエージェントシステム」を構築しています。

人間レベルのタスクは、多くの場合、8人の担当者やステークホルダー、3つの部門、5種類のソフトウェアツールが関わるほど複雑です。この複雑なプロセス全体をカバーし、仕事を完結させるためには、エージェント同士が特定の順序で通信を行う必要があります。例えば、契約エージェントがいなければ交渉は解決できず、ニュースなどを監視するエージェントがいなければ、外部環境の変化に対応することはできません。Leoは、これらのエージェントを組み合わせることで、顧客の多様なニーズに応えています。

2.5. 具体的な調達プロセスの自動化：ボルト調達の事例

マルチエージェントシステムがどのように機能するか、具体的な例として「航空会社がボルトを調達するプロセス」を見てみましょう。

需要発生の簡易化: 建設作業員のように、普段PCを開かない人でも簡単に調達を依頼できるよう、写真を撮ったり、コードやExcelシートをアップロードするだけで、必要な情報がエージェントに伝わります。GL勘定や枠組み契約といった調達部門特有の専門知識は不要です。
内部・外部サプライヤーの探索: エージェントはまず在庫を確認し、別の工場でボルトを内部調達できるか確認します。不可であれば、ソーシングエージェントが社内・社外のサプライヤーを探索します。
RFQ（見積依頼）の作成と処理: 別のエージェントがRFQを作成し、メールで送信します。届いた大量の見積もりメール（本文、PDF、Excelなど多様な形式）から必要な情報を取得し、次のステップへ進めます。
交渉と意思決定: 価格ベンチマークに基づき、交渉の余地があるかを判断します。エージェントは次のステップ（自律交渉、人間介入、オークションなど）を決定します。
プロセス完結: 注文確認、配送追跡、請求書発行といった一連のプロセスを完結させます。これらすべてを完全に自律的に実行し、あらゆるコンテキストを把握します。

この一連のプロセスは、単なるツールの効率化ではなく、調達業務そのものをAIがエンドツーエンドで遂行する、まさにAIネイティブなアプローチです。

2.6. 間接調達と直接調達：異なるアプローチ

調達業務は大きく「間接調達」と「直接調達」に分けられ、AIエージェントの介入の仕方も異なります。

間接調達: MRO（Maintenance, Repair, and Operations）パーツ、工場建設、ノートPC、鉛筆、マーケティングサービスなど、企業の運営に必要なあらゆる物品・サービスがこれに当たります。Leoは、これまでリソース不足で交渉されなかった、あるいは交渉の余地があったにもかかわらず見過ごされていた支出に対して、完全に自律的な交渉エージェントを動かすことで、大幅なコスト削減を実現します。「1日に1,000回も行っているのに、実は1回もやりたくないと思っている業務」の自動化が主な目的です。
直接調達: 航空機、ドローン、ロボットといった製品を製造するために実際に必要となる、戦略的に重要な部品や原材料の調達がこれに該当します。対象となるサプライヤーは100社から2,000社程度に限定され、中には1つのサプライヤーに対して10億ドルもの支出があるような、極めて重要な取引も含まれます。このようなケースでは、3ヶ月にわたる周到な準備や、アルミニウム業界、石油業界の動向分析など、専門のエンジニアや調達担当者による高度な専門知識が不可欠です。この場合、エージェントは「バックオフィス」の役割を担い、専門家が「フロントオフィス」として交渉を行います。例えば、交渉中にリアルタイムで市場データ（例：石油指数の変動）を画面にポップアップ表示させ、「石油は10%上昇したが、製品に含まれる石油は30%だけなので、価格を10%も上げるべきではなく、せいぜい4%程度に留めるべきだ」といった具体的なインサイトを提供します。これにより、専門家はより的確でデータに基づいた交渉を進めることができます。

2.7. 物理的な世界への介入：予測と意思決定の支援

調達の世界では、船からの部品の落下や道路の封鎖といった、解決不能に思える物理的な問題も発生します。エージェントはこれらの事象そのものを変えることはできませんが、すべての背景情報を組み合わせることで、その確率を予測し、最適な意思決定を支援することができます。

例えば、サプライヤーの信頼性データ（商品の20%が不足するサプライヤーと1%しか不足しないサプライヤー）があれば、たとえ20%不足するサプライヤーが10倍安価であっても、確実に商品が届く確率が高いサプライヤーに10倍の金額を支払う価値があると判断できます。エージェントは、単一企業内の情報だけでなく、外部世界の状況（ニュース、予測市場など）といったコンテキストを把握し、サプライヤー側、販売者側、需要側の情報を統合することで、長期的な視点での意思決定を支援するのです。これは、単なる企業間の調達を超え、企業同士がどのようにビジネスを行っているか、その関係性全体を最適化する取り組みと言えるでしょう。

3. 成果を追求するAIエージェントの技術的深掘り

AIエージェントがエンドツーエンドの業務変革を可能にするためには、単なる基盤モデルの利用にとどまらない、高度な技術的アプローチが不可欠です。Leoは、この領域においてどのような戦略をとっているのでしょうか。

3.1. 基盤モデルのコモディティ化とその先

今日のAI市場において、OpenAIやAnthropicなどが提供する大規模言語モデル（LLM）は、特定のビジネス用途において非常に優れた性能を発揮します。PDFの読み取りやExcelシートの作成といった汎用的なタスクにおいては、もはやコモディティ化しつつあると捉えることができます。Leoもまた、あらゆるプロバイダーの複数のモデルを使用し、これらを一般的なビジネス用途で活用しています。

しかし、真の価値は、これらの基盤モデルをどのように「活用」し、特定のユースケースに「微調整（ファインチューニング）」するかにあるとヴラド氏は強調します。

3.2. 活用フレームワークと微調整（ファインチューニング）の重要性

基盤モデルはあくまで汎用的な知識を提供するものであり、特定の業界や企業、あるいは特定の業務におけるニュアンスや専門知識までは持ち合わせていません。ここで重要となるのが、活用フレームワークと微調整の技術です。

成果に基づいたトレーニング: Leoが目指すのは、単なるLLMのトレーニングではなく、Jeffのようなモデルが示す「テキストデータで学習しても、最終的な出力が具体的な成果や、完璧な価格提示であるようなモデル」です。これは、特定のタスクにおいて、人間の「直感」や「本能」に基づいた判断（例：動画制作にいくら支払うべきか、見積もりの妥当性判断）をエージェントが学習し、再現することを目指すものです。ルールを明文化できない領域にこそ、AIエージェントが学習する大きなチャンスがあると考えられています。
独自の垂直統合データ: 価格のベンチマークやコストエンジニアが行う「シュードコスト（適正コスト）モデリング」は、図面分析を通じて部品の本来のコストを定義する作業です。これらの情報は、単一企業内や複数の企業間に存在する独自の非公開データであり、汎用モデルでは学習することができません。Leoは、こうした独自データを活用し、モデルを微調整することで、特定のユースケースにおいて100%に近い成果を出すことを目指しています。

3.3. 「70%のパフォーマンスでは不十分」：本番導入の壁

前述の通り、AIエージェントを構築すること自体は容易になりつつあります。しかし、その性能が70%程度では、実際のビジネス現場での「自動化」とは言えません。

「パフォーマンスや正確性が70%であっても、それが「自動化率70%」を意味するわけではないということです。つまり、パフォーマンスが70%であっても、残りの仕事はすべて自分でやる必要があるということなのです。70%では、まだ不十分なのです。結局のところ、すべてのデータを人間がチェックしなければなりません。そうなると、以前よりもむしろ仕事が増えてしまう可能性さえあります。」

このヴラド氏の言葉が示すように、ビジネスの本番環境でAIエージェントを機能させるためには、極めて高い正確性と信頼性が求められます。パレートの法則のように、最初の80%を達成するのに20%の労力しかかからなかったとしても、残りの20%（特に例外処理や多様なユースケースへの対応、そして本番環境への堅牢な導入）は、全体の80%の労力を必要とします。

この「最後の20%」を克服するために必要となるのが、以下の要素です。

統合機能: 既存の多様なシステム（ERP、CRM、サプライヤー管理システムなど）とのシームレスな連携。
メモリ: 過去のやり取りや意思決定の履歴を長期的に記憶し、コンテキストを維持する能力。
ワークフロー: 複雑な業務プロセス全体をAIエージェントが理解し、複数のタスクを横断的に実行するための設計。
垂直統合データ: 特定の業界や業務に特化した、豊富で質の高いデータ。

これらの要素は、単に基盤モデルを呼び出すだけでは実現できません。AIネイティブな企業が、製品としてこれらを包括的に提供することで、初めて真のエンドツーエンドの自動化と、本番環境での信頼性を実現できるのです。フォーチュン500のような大企業が自社でAIツールを構築しようとしても、コンテキストの不足や質の低さ、そして例外処理への対応の難しさから、最終的にはその無意味さに気づくケースが後を絶ちません。自社のコアコンピタンスは何かを見極め、AIエージェントの構築・導入を専門とする企業に任せることの重要性が増しています。

4. 調達の未来：AIが変革する「地味な」業務のポテンシャル

調達業務は、これまで「地味」で「誰もが好まない」とされてきた領域です。しかし、AIエージェントの登場は、この部門に劇的な変革をもたらし、ビジネス全体に計り知れないインパクトを与える可能性を秘めています。

4.1. 調達業務が抱える長年の課題

過去20年以上、調達部門には数多くのツールが導入されてきました。しかし、ヴラド氏が指摘するように、「それらのツールがすべて、単にプロセスを効率化しただけに過ぎない」という現実がありました。調達担当者は今でも、メール、Microsoft Teams、Excelシート、PowerPointを主要な作業環境としており、AIはほとんど活用されていませんでした。

「調達部門と仕事をするのが好きだという人を、誰か見つけられるなら挑戦してほしいくらいです。そんな人は一人もいません。」この言葉が象徴するように、調達業務は依頼する側も、サプライヤーも、さらには調達部門の人間でさえ、共通して「嫌いだ」と感じるほどNPS（推奨意向度）が低い領域でした。ツールは増えても、根本的な働き方が変わらないため、フラストレーションが蓄積されていました。

4.2. AIエージェントがもたらす変革の衝撃

Leoは、この停滞した調達部門に、AIエージェントによる真の革命をもたらしています。

部門横断的な調達の視点: Leoは「画期的な請求書機能」といった単一の機能にフォーカスするのではなく、「誰かが必要なものを発注してから手元に届くまでのプロセス」というエンドツーエンドの視点を提供します。これは間接材、直接材、物流、財務といった部門を横断するものであり、調達業務全体の再構築を促します。
物理的な世界でのAI体験: AIエージェントは抽象的な存在になりがちですが、Leoは「Bots and Buyers Summit」のようなイベントを通じて、実際にブースを歩き回り、エージェントがどのように機能するのかを直接体験できる場を提供しています。これにより、調達リーダーたちはAIの可能性を具体的に理解し、その導入に熱狂しています。最近開催されたイベントでは100名以上の調達リーダーが参加し、次回は700名が参加予定と、その盛り上がりは尋常ではありません。
コスト削減と利益率向上への直接的なインパクト: 調達業務の変革は、企業の損益計算書に直接的な影響を与えます。ヴラド氏が強調するように、「利益率を1%向上させるためには、売上を10%伸ばす必要がある」一方で、「たった1%のコスト削減ができれば、損益計算書で同じ成果を出すために必要な売上10%分に相当する」のです。調達におけるAIエージェントの導入は、この1%のコスト削減を効率的かつ大規模に実現する力を持っています。
経済全体への影響: データセンター、航空機、自動車、ドローンといった巨大な産業において、調達プロセスは経済全体の動脈であり、その固定化は生産性向上を阻害します。AIエージェントによる調達プロセスの最適化は、単一企業の利益だけでなく、サプライチェーン全体の効率化とひいては経済全体の発展に貢献します。

4.3. 買い手と売り手の双方エージェント活用が拓く未来

将来的に、買い手側だけでなく、サプライヤー側もAIエージェントを活用するようになることは確実視されています。現在、サプライヤー側はビデオ録画や分析ツールの活用では進んでいるものの、業務を自動化するエージェントの導入には至っていません。しかし、調達側がAIエージェントを導入することで、サプライヤーに対して使用すべき基準や品質、特定のRFQへの回答方法まで指示できるようになり、双方のエージェントが連携して業務を進めるようになるでしょう。

「もし双方が交渉エージェントを持っていたらどうなるでしょうか？価格は間違いなくゼロサムゲームの要素が強く、利害が対立するポイントです。しかし、価格とはその前に行われる5,000もの別々のタスクの結果に過ぎません。そして、その5,000のタスクに関しては、両者に共通のインセンティブがあります。」

ヴラド氏のこの洞察が示すように、価格交渉のような対立する局面がある一方で、それ以前の多くのタスク（摩擦の軽減、市場投入までの時間短縮、サプライヤーからの回答分析の迅速化など）においては、買い手と売り手の双方が共通のインセンティブを持っています。双方のエージェントが同じプラットフォーム上で活動することで、これら数千ものタスクにおける調整が格段に効率化され、結果として両者にとって遥かに効率的な取引が実現するでしょう。これは、法務分野など、たとえ敵対的な関係にあったとしても、最新のドラフトや未解決の課題、合意事項などを共有・追跡することで、双方にメリットが生まれるのと同様の原理です。

4.4. カスタマイズの自動化とセルフサービス化

かつてソフトウェアのカスタマイズは、SAPのように外部のコンサルティングファームに頼らざるを得ない高コストな作業でした。しかし、LLMやAI全般の特性により、ビジネスの速度を大きく落とすことなく、高度なカスタマイズが可能になりつつあります。

AIは時間が経つにつれて学習する「学習ループ」の特性を持っています。適切な評価プロセスがあれば、エージェントは徐々に複雑な仕事をこなせるようになり、その一部として導入作業自体も自動化されるようになります。Leoは、コンサルティング会社になるのではなく、プロダクトとしてカスタマイズを減らし、セルフサービスで完結するような製品構築を目指しています。

そのために、Leoの組織構造は85%がエンジニアで構成されており、FDE（フォワード・デプロイ・エンジニア）の役割は、セルフサービス化を進め、内部的には自分たちの仕事を自動化することにあります。文字通り、自分自身の仕事を自動化することが彼らのKPIなのです。これは、Googleも実践していたアプローチであり、AIネイティブな企業が成長するための重要な戦略となります。顧客自身がソフトウェアを通じてカスタマイズの調整を行えるようになることで、導入プロセスはより迅速かつ効率的になり、企業のAI活用はさらに加速するでしょう。

結論：AIエージェントが拓く1兆ドル規模のビジネスチャンス

AIエージェントの登場は、単なる効率化ツールの域を超え、ビジネスのあり方そのものを根底から覆す可能性を秘めています。本記事を通じて、AIエージェントの構築と導入における複雑な課題、既存企業が直面する構造的な障壁、そしてAIネイティブなスタートアップがいかにしてこれらの課題を乗り越え、エンドツーエンドの業務変革を実現しているかを見てきました。

Leoの事例が示すように、真の価値は、単に最先端の基盤モデルを利用することではなく、それを特定の業界・業務に深く根ざした「活用フレームワーク」と「垂直統合データ」で微調整し、きわめて高い正確性と信頼性（「最後の20%」）を追求することにあります。そして、それを「ヒューマン・イン・ザ・ループ」という現実的なアプローチで導入し、顧客との信頼関係を段階的に構築していく戦略が、成功の鍵となります。

調達のような、これまで「地味」とされてきた業務領域にこそ、AIエージェントがもたらす変革のポテンシャルは計り知れません。顧客の長年のフラストレーションを解消し、ビジネスに直接的なコスト削減と利益率向上をもたらすことで、調達はもはや「嫌われる」業務ではなく、企業の戦略的資産へと変貌を遂げるでしょう。ヴラド氏が語る「退屈で、感情的で、しかもビジネスへの影響が非常に大きい」という3つの要素が組み合わさることで、調達分野には1兆ドル規模のビジネスチャンスが生まれるという洞察は、AIがもたらす巨大な市場機会を端的に示しています。

AIエージェントの導入は、単なる技術導入ではなく、業務プロセス、企業文化、そしてビジネスモデルそのものを再構築する戦略的投資です。既存企業は自社の強みを活かしつつ、内部的な障壁を乗り越える方策を模索する必要があります。一方で、AIネイティブスタートアップは、レガシーに縛られないアジャイルなアプローチで、これまで不可能だった業務の自動化と深い洞察を実現し、新たなビジネス価値を創造していくでしょう。

AIエージェントが描く未来は、まさに無限の可能性を秘めています。この変革の波を乗りこなし、新たなビジネスチャンスを掴むためには、その本質を深く理解し、戦略的な視点を持って臨むことが不可欠です。