パターン 6: AI 優先機能

既存のワークフローに後付けされるのではなく、エージェントをコア構成要素として新しい機能を設計します。 これらの機能は、AI の前には不可能でした。 フィードバック、学習、継続的な最適化によって、時間の経過と同時に改善されます。

このパターンでは、エージェントは感知・判断・実行のループで動作し、シグナルを継続的に監視し、定められた範囲内で自律的に意思決定を行い、アクションを実行し、その結果から学習します。 これらのシステムはアシスタントではありません。 これらは、新しいビジネス価値を生み出すインテリジェントなシステムです。

このパターンとは

AI 優先のビジネス機能は、他のパターンでは決して尋ねられない質問から始まります。今までにできなかったことを何ができるか。 答えは、今日の作業のより速いバージョンではありません。 これは新しい機能であり、多くの場合、状況を感知し、決定し、行動し、時間の経過とともに自分自身を改善する自律ループです。 エージェントは機能の構成要素であり、既存のフローにボルトで固定された拡張機能ではありません。

このパターンは、支援から実行へのシフトにおける実行の側面を最も深く体現したものです。 前例がないため、設計やガードレール、評価指標を自ら考案する必要があります。

エージェントの操作

このパターンのエージェントは、定義されたワークフローの実行を超えて自律的に動作するように移動します。

• 継続的最適化エンジン: 価格、インベントリ、スケジューリング。
• AI ネイティブの意思決定ループ: 不正行為の検出、異常対応、アダプティブ ルーティング。
• 市場検出プラットフォーム: 競争上の監視、傾向分析、機会の特定。
• 予測計画システム: 需要予測、キャパシティ プランニング、リスク モデリング。
• 自律的なワークフロー生成: 独自のプロセスを設計および最適化するエージェント。
• マルチエージェント オーケストレーション: 複雑な問題を解決する専門エージェントの調整されたチーム。

これらの機能は、AI なしでは存在できなかった価値を生み出します。 これらは、既存のプロセスのより高速なバージョンではありません。 それらはまったく新しいものです。

人間が行うこと

人間は製品所有者として機能します。 目標を定義し、境界を設定し、結果を監視し、能力の進化に関する戦略的な決定を行います。 彼らは仕事をしません。 その代わり、それを行うシステムを管理します。

このロール変換は、どのパターンでも最も重要です。 責任ある人間は、自分で作業を実行していなくても、結果に対して責任を負います。 彼ら：

• 自律システムの成功基準と結果メトリックを定義します。
• エージェントの動作範囲を定めます（信頼が深まるにつれて調整します）。
• 学習ループを監視して、適切な方向に機能が向上することを確認します。
• エージェントの自律性を拡張するタイミングについて戦略的な意思決定を行います。
• 機能がより高度になるにつれて、責任ある AI プラクティスを管理します。

運用モデルのしくみ

このパターンを正常にデプロイするには、次の 4 つのディメンション間で変更が必要です。

ターゲット成熟度プロファイル

このパターンでは、5 つの機能ドライバーすべてに対して最大の成熟度が必要です。 ショートカットはありません。

成熟度プロファイル

重要な分析情報: このパターンでは、すべての機能で最も高い成熟度が要求されます。 比較対象となる既存のプロセスはなく、改善を測定する基準はなく、設計を導く現職のワークフローもありません。 成功を測定する方法を含め、すべてを構築する必要があります。

スケール ブレーカー: テクノロジとデータ、特にマルチエージェント オーケストレーション、リアルタイム テレメトリ、学習インフラストラクチャ。 堅牢な技術的基盤がなければ、自律的な機能は予測不能で管理不能になります。

推奨されるセンター オブ エクセレンス構造: フェデレーション

AI 優先機能は製品として所有され、複数のドメインにまたがり、共有標準内で動作する分散製品チームが必要です。 CoE には、アーキテクチャ パターン、責任ある AI フレームワーク、オーケストレーション標準が用意されています。 一元的には提供されません。

構造、ロール、リスク層ガバナンスの詳細については、「 エージェントセンターオブエクセレンスの構築」を参照してください。

必要なもの、不要なもの

必要なもの:

• 専用チームによる製品の所有権: 各機能には、製品所有者と、時間の経過と共に開発するための義務、スキル、継続性を持つチームが必要です。 この開発は、終了するプロジェクトではありません。
• 継続的な監視による自律性の境界: 信頼の構築に適応する明確な制限を定義します。 保守的なスタートを切り、証拠に基づいて拡張します。
• 継続的学習ループ: すべての対話によって機能が向上します。 後で追加するのがはるかに難しいため、最初から学習するための設計を行います。
• 責任ある AI プラクティスを埋め込む: 倫理と安全性は、デプロイ後に固定されるのではなく、アーキテクチャに組み込む必要があります。 このアプローチには、バイアス テスト、公平性の評価、説明性の設計が含まれます。
• フェールセーフの仕組みを備えた実験文化: チームには、新しいアプローチを試すための裁量と、問題が起きたときのための明確な安全策が必要です。 失敗を罰するカルチャでは、学習システムを構築できません。
• マルチエージェント アーキテクチャ: 機能に調整されたエージェントが含まれる場合は、エージェント間の調整を最初から設計します。 マルチエージェント アーキテクチャの後付けはコストがかかります。

次の情報は必要ありません。

• 増分自動化: このパターンは、既存のプロセスを 10% 高速化することではありません。
• 中央 IT 配信: これらの機能には、ドメインの専門知識を持つ専用の製品チームが必要です。
• 既存ワークフローへの後付け対応: AIネイティブな実行を前提に、ゼロから設計する。 従来のワークフロー制約では、可能な機能が制限されます。
• 1 回限りビルド: これらの機能は、継続的に学習して改善する必要があります。 学習しない機能は、時間の経過と同時に低下します。
• 従来のプロジェクト管理: 実験サイクルで製品管理を使用します。 マイルストーンと成果物は、学習システムの間違ったガバナンス モデルです。

大規模運用における責任ある AI

AI ファーストの機能は、自律的な AI 運用のフロンティアを表します。 責任ある AI プラクティスは、次のような理由で特に重要です。

• エージェントは、リアルタイムで高い自律性と限られた人間の監視で動作します。
• エラーは、人間が介入する前にマシンの速度で伝達される可能性があります。
• 学習システムでは、最適化時に予期しない動作が発生する可能性があります。
• 正と負の両方の影響のスケールは、他のどのパターンよりも大きくなります。

1 日目から責任ある AI をアーキテクチャに組み込む:

• 説明可能性: システムが特定の決定を行った理由を理解できますか。 そうでない場合は、ドリフトを検出または修正できません。
• バイアス監視: 学習がバイアスを強化しているか、不公平な結果を生み出しているかを継続的に評価します。
• ロールバック機能: 学習更新に問題がある場合、以前の状態に戻すことができますか?
• 人間のオーバーライド: 完全に自律的なシステムであっても、人間が介入できる条件と、その介入がどのように実装されるかを定義します。

詳細については、 責任ある AI 原則の適用に関するページを参照してください。

値と成功のメトリック

ここでの価値は、以前は存在しなかった機能の存在と、それが作成する新しい結果です。 改善の前提となるベースラインがないため、効率のパーセンテージではなく、価値創出や存在意義を示す指標をまず前面に出してください。

どのような値が表示されるか

• AI の前には不可能だった新しい機能。
• 新しい収益、サービス、またはビジネス モデル。
• 手動プロセスでは到底到達できない速度と規模での自律的な対応。
• 機能が学習して改善されるにつれて、複合的な利点が得られます。

追跡する成功メトリック

測定方法

• Microsoft Foundry の評価と観測性トレース エージェントの動作とスコア付けの品質と安全性は、ベースラインがない場合に最も重要です。
• 機能に優先順位がないため、前もって成功の尺度を定義します。 公開前に、何をもって「良い」とするかを決めましょう。
• Microsoft Agent 365 は、ID やシャドウ エージェントの検出を含む自律資産を管理および測定します。

一般的なアンチパターン

この分野での失敗は、フロンティア作業を通常のプロジェクトのように扱うことから生まれます。

顧客事例

これらの Microsoft の公開済み顧客事例は、最終的な責任は人が担いながら、根拠に基づき出典を明示するエージェントによって専門知識を拡張できることを示しています。

このパターン向けの Microsoft のエージェント機能

次の例では、AI 優先機能に特に関連する機能を強調しています。 これらの例を、シナリオやユーザー セグメントに対する機能の照合の開始点として使用し、Microsoftのエージェント エコシステムを詳しく見ていきましょう。

機能を構築する

• Copilot Studioマルチエージェント オーケストレーションは、より低いコードのシナリオで特殊なエージェントを調整します。
• Foundry SDK や Semantic Kernel を含むプロコード ツールキットを使用すると、エンジニアリング チームが完全に制御できます。
• Copilot Studioでプロンプトの独自のモデルを使用すると、プラットフォームの既定値を使用するのではなく、カスタムデプロイモデルや微調整されたモデルなど、特定のプロンプト ノードを任意のモデルにルーティングできます。 この機能は、ワークフローのステップで、既定のモデルが満たしていない特定のタスク、ドメイン、またはコスト プロファイル用に最適化されたモデルが必要な場合に使用します。
• Microsoft Foundry と Microsoft Foundry Agent Service は、カスタムのプロコード エージェントをビルドしてホストします。

接地、接続、観察

• Azure AI 検索とグラウンディングは最新のコンテキストを取得するため、エージェントはライブの状態に基づいて推論します。
• モデル コンテキスト プロトコルとエージェント間の相互運用性により、エージェントとツールがオープン エコシステム全体で連携できるようになります。
• Microsoft Entra エージェント IDは、各エージェントに最小特権アクセスの ID を付与します。
• Microsoft Foundry の評価と可観測性は、システムを追跡、評価し、安全性をチェックします。 これらの機能のいくつかは、プレビューと一般提供の間で進化しているため、状態を確認します。
• Microsoft エージェント 365 は、エージェントの数が増えるにつれて資産を管理します。

発送前に評価とテストを行う

このレベルの自律性と複雑さでは、継続的な評価は、立ち上げ前チェックリストではなく、コア エンジニアリング規範です。

• Copilot Studioでのエージェント評価では、精度、接地性、タスク完了などの品質ディメンション全体で応答をスコア付けする構造化された評価が実行されます。 これを使用して、エッジ ケースや敵対的なシナリオなど、変更の前後に、あらゆる入力範囲にわたるエージェントの動作を検証します。
• Copilot Agent Kit (旧称 Copilot Studio Kit) は、一括テスト、自動回帰実行、スコアリング ダッシュボードを使用してテスト カバレッジを拡張します。 時間の経過と伴って改善される AI 優先システムでは、機能の進化に伴い信頼を維持するために、反復可能で監査可能な評価証拠が不可欠です。

準備ができたことを知る方法

このパターンは、最も成熟度の高い組織を対象としています。 次の場合に考慮してください。

• 自律システムを設計、実行、改善できる高度なチームがいます。
• マルチエージェント オーケストレーション、リアルタイム テレメトリ、学習ループという技術的基盤があります。
• ガードレールと成功の手段が存在しない場所で発明することができます。
• マネージド ID と継続的なコンプライアンスを使用して、自律的な資産を管理できます。
• あなたはすでに、他のパターンのいくつかをうまく実践しています。

次のステップ

または、完全な Agentic AI 導入成熟度モデルを調べる。

その他のパターンについて詳しく調べます。

• 従業員の AI 有効化パターン
• ビジネスエキスパートのエンパワーメントパターン
• 職場および IT サービスのパターン
• コア ビジネス プロセス変換パターン
• 外部エンゲージメント パターン

関連情報

• エージェント ソリューションの設計: 原則とパターン
• エージェント ハブ: Microsoftでエージェント コンピューティングを開始する
• Microsoft 365 Copilotのエージェント
• 企業でエージェント 365 が必要な理由
• Azure AI Foundry モデル カタログ
• Microsoft Foundry 開発者ツールと統合