エバンジェリスト・みのるん氏が解説 「自前のAIエージェント」爆速開発術
AIエージェント活用が広がる中、次のステップとして注目されるのが自社業務に最適化したAIエージェントの開発だ。KDDIアジャイル開発センターの御田 稔氏が、開発を加速する技術や実践事例、成功のポイントを解説した。
多くのSaaSベンダーがAI機能の強化を進める中、既存のAIエージェントを組み合わせるだけで業務効率化を実現できる場面が増えている。一方で、自社の業務に最適化されたAIエージェントを開発する価値を説くのが、KDDIアジャイル開発センター（KAG）の御田 稔氏（通称「みのるん」）だ。
手軽にできる「自前のAIエージェント」開発
現在、オフィススイートに標準搭載されたAIチャットbotや、「Kiro」のようなコーディング支援エージェントなど、汎用（はんよう）的に利用できるAIエージェントは数多くある。一般的な業務であれば、こうした既製のソリューションで十分な効果を得られるケースも多い。
だが、自社固有のシステムとの連携や、SaaSでは扱えない業務データの活用、既存システムへのAI機能の組み込み、さらには自社サービスとして独自のUIや体験を提供したい場合には、独自開発のAIエージェントが有効な場合もある。御田氏は「自社の業務やサービスに深く組み込むのであれば、自前で構築するメリットは大きい」と考える。
また、既製のAIエージェントを導入したものの、実際に利用してみると期待との差を感じるケースもある。広告で示されるほど実用性が高くなかったり、AIモデルの性能が業務要件に届かなかったりすることも少なくない。さらに、主要なSaaSとの連携には対応していても、自社独自の業務データへアクセスできない場合もある。
加えて、操作性にも改善の余地がある。多くのAIサービスは柔軟性の高いチャット形式を採用している一方で、「どのような指示を、どのように入力すればよいのか」が利用者に委ねられている。そのため、AI活用に慣れたユーザーでなければ十分な成果を引き出せないケースもある。
御田氏は、こうした自前のAIエージェントの開発をより手軽に始められる環境が整いつつあると説明し、そのための技術や開発手法を紹介した。
「Amazon Web Services」（AWS）には、AIエージェント開発向けのオープンソースフレームワーク「Strands Agents」が提供されている。PythonとTypeScriptに対応しており、シンプルなコードでAIエージェントを構築できる点が特徴だ。わずか数行のコードで、バックエンドでは「Amazon Bedrock」の「Claude」を活用したエージェントを動作させることができる。御田氏は「これを見れば、Kiroを活用してAIエージェントを内製開発できそうだと感じるはずです」と語る。
Strands Agentsの大きな特徴は、AWSの各種サービスとの連携のしやすさにある。例えば、エージェントメモリ機能を組み合わせることで、過去のやりとりや処理履歴を保持する記憶機能を容易に追加できる。また、オープンソースとして公開されているため、自社の要件に合わせて機能を拡張したり、必要に応じて不具合を修正したりできる柔軟性も備えている。
こうしたモダンな開発フレームワークを活用すれば、AIエージェントそのものを実装するハードルは大きく下がる。だが、AIエージェントの開発では、従来型のWebアプリケーションとは異なる設計上の考慮点が求められる。単に機能を実装するだけではなく、AIならではの特性を踏まえた設計や運用の工夫が重要になる。
AIエージェント特有の設計課題を解決する「AgentCore」
AIエージェントには、従来のWebアプリケーションとは異なる設計要件が求められる。特に重要なのが、ユーザー体験（UX）を大きく左右するストリーミングレスポンスへの対応だ。
AIエージェントは複雑な処理を実行するため、回答生成までに時間がかかるケースが多い。そのため、単に最終結果を返すだけではなく、「現在どの処理を実行しているのか」をリアルタイムに提示し、ユーザーが待ち時間を意識せず利用できる仕組みが重要になる。
また、外部サービスや業務システムなど複数のツールを利用する際の認証・認可、会話履歴の管理やユーザーごとのパーソナライズ機能、推論コストを抑えるためのサーバレス運用など、AIエージェント特有の設計ポイントは多岐にわたる。
「これまでは、こうした要件を満たすために、複数のAWSサービスを組み合わせて開発する必要がありました。例えば、サーバレス実行環境の『AWS Lambda』、API管理を担う『Amazon API Gateway』、ユーザー認証やアクセス制御を行う『Amazon Cognito』などです。そのため、AWSに関する幅広い知識が必要で、開発者にとっては一定のハードルがありました」と御田氏は説明する。
そこで2025年に登場したのが「AWS Bedrock AgentCore」だ。これは、AIエージェント開発に必要な機能を包括的に提供するマネージドサービスだ。
AgentCoreは、AIエージェント開発で必要となる機能をあらかじめモジュール化したものだ。開発者は必要な機能だけをSDK経由で組み込むことで、AIエージェント特有の要件に効率よく対応できる。
AgentCoreでは、サーバレス実行環境となるランタイム、会話や情報を保持するメモリ機能、認証・認可を担うアイデンティティー管理、エージェントの動作状況を把握するオブザーバビリティ機能などを利用できる。これにより、従来は個別に設計・実装が必要だった部分を効率化できる。
さらに「コードを書くこと自体が難しい」という課題に対しては、GUIベースでローコード開発を可能にする「AgentCore Harness」も提供されている。
AgentCore Harnessによって、マネジメントコンソールで操作するだけでエージェントにWeb検索機能やブラウザ操作機能を追加できる。また、自社のナレッジベースを接続してRAG（検索拡張生成）を活用することも可能だ。従来の仕組みでは一部でLambdaのコード実装が必要だったが、AgentCore Harnessではフルローコードで開発を始められる。
このように、AIエージェントを開発するためのフレームワークやクラウド基盤、開発支援ツールは着実に整備されつつある。
一方で、御田氏は「現在、最も難しいのは技術そのものではありません。AIエージェント開発における最大の課題は、技術ではなく、実際の業務で価値を生み出すビジネスユースケースを見つけることです」と言う。
シンプルな構成で価値を最大化 エージェント開発の設計ポイント
御田氏は、AIエージェントが実際のビジネスでどのような価値を生み出せるのかを検証するため、さまざまな開発に取り組んでいる。その中でも代表的な成果の一つが、多くの注目を集めた「re:Inventエージェント」だ。これは、「AWS re:Invent 2025」に参加する日本人向けに開発・公開されたAIエージェントだ。
現地での移動や乗り換えに不安がある、数多くのセッションから自分に必要なものを探し出せない、最新発表を効率よく把握したい。そうした参加者の課題を解決するために開発された。渡航準備や持ち物確認、セッション検索、イベント期間中に発表された新機能の解説まで対応している。システム構成としては、フロントエンドに「AWS Amplify」を採用し、バックエンドではAgentCore RuntimeでStrands Agentsを稼働させている。
開発に当たっては、幾つかの設計上の工夫を取り入れた。
その一つが、マルチエージェントではなくシングルエージェント構成を採用した点だ。複数のエージェントを組み合わせる構成では柔軟性が高まる一方、設計や制御が複雑になる。そこで、必要なツールを1つのエージェントに集約し、構成をシンプルにすることで、開発や運用の負荷を抑えた。豊富なビルトインツールを活用できる点も、実装効率の向上につながったという。
また、フロントエンドやインフラ設計にも配慮した。フロントエンドにはAWS Amplifyを利用し、ReactとViteによるシンプルな構成を採用。サーバレス環境を活用することでPoC段階でのコストを抑えながら、Amazon Cognitoによるユーザー認証を組み込み、必要最低限のセキュリティも確保した。
「エージェントに次々と機能を追加していくと、実装は急速に複雑化し、将来的な拡張が難しくなる場合があります。そのため、KiroのようなAIコーディングツールを活用し、フロントエンドまで含めて効率的に開発することを勧めています。特にUI設計で重要なのは、ユーザーが待っている時間の体験です。エージェントが現在どの処理を実行しているのかを途中経過として表示し、不安やストレスを軽減する工夫が必要です。ストリーミングレスポンスの実装は難易度が高いものの、リアルタイム性が求められるAIエージェントでは、重要な開発ポイントになります」（御田氏）
さらに、re:InventエージェントではRAG（Retrieval-Augmented Generation）を活用し、イベントに特化したドメイン知識を追加した。
具体的には、事前にAIチャットbotを活用して必要な情報を収集し、その結果をMarkdown形式で「Amazon Simple Storage Service」（Amazon S3）に保存。構築したナレッジベースのベクトルデータをS3 Vectorsへ取り込むことで、AIエージェントが必要な情報を検索・参照できる仕組みを実現した。「Amazon OpenSearch Serverless」や「Amazon Aurora」などのベクトルストアと比較して運用負荷やコストを抑えられる点も、低コストでRAGを導入する上でのメリットだという。
もう一つの重要なポイントが、リリース後のLLMOpsだ。
「AIサービスは公開して終わりではありません。ユーザーから得られるフィードバックを基に継続的に改善し、本当に価値のあるアプリケーションへ成長させていくことが重要です。AgentCoreではエージェントの実行履歴がAmazon CloudWatchに送られるため、利用状況の分析や性能評価にも活用できます」（御田氏）
AIエージェント開発では、単にモデルやツールを組み合わせるだけではなく、ユーザー体験、運用改善、継続的な評価まで含めた設計が求められる。re:Inventエージェントは、その実践例として、AIエージェントを業務やサービスに組み込む際のポイントを示している。
2025年はAIエージェント「利用」元年、2026年は「構築」元年
御田氏は、新たなAIエージェントのビジネス活用を探る取り組みにも力を入れている。その代表例が「バイブ商談」だ。
「お客さまから相談を受けた際には、プリセールスエンジニアとして商談に同行し、その場で要件をヒアリングしながらデモアプリを開発します。実際に動くものを見ていただくことで、『それならこういうこともできますか』と、本当に実現したい要件を引き出せるようになります。
AIエージェントを、プレゼン資料の中だけに存在する“伝説の生き物”のように捉えている方も少なくありません。だからこそ、実際に動作するアプリケーションとして体験してもらうことが重要です。それによってAIエージェントへの理解が深まり、より価値のあるシステム開発につながります」（御田氏）
バイブ商談では、AgentCoreとAWS Amplifyを組み合わせ、インフラをIaC（Infrastructure as Code）で構築することで、短期間でも品質の高いアプリケーション開発を実現している。さらに、AWSのセキュリティベストプラクティスを取り入れた構成でデプロイされるため、プロトタイプにとどまらず、そのまま商用利用へ発展させられる点も特徴だ。
また御田氏は、自身の日常業務を対象にしたAIエージェント活用にも取り組んでいる。
「Claude Codeのようなコーディングエージェントを活用し、開発作業だけでなく、日々の業務も半自動化しています。経費精算や工数報告、プレゼン資料作成、フォーム入力、海外出張の手配、家計簿管理、技術ミートアップの運営など、さまざまな業務で活用しています。こうした便利な仕組みを非エンジニアでも利用できるよう、Webアプリとして公開・共有しています」（御田氏）
その成果の一つが、「パワボ作るマン」だ。作成したい資料の内容を指示するだけで、プレゼンテーション資料を生成するAIエージェントである。単に情報を並べるだけではなく、人が作成したような自然なデザインのスライドを生成できる点が特徴だ。
開発では、とにかくUXをシンプルにし、利用開始までのハードルを下げることを重視したという。複雑なスライド編集機能はあえて搭載せず、チャットUIによる簡単な修正に絞った。また、長期間の履歴保持は必要なかったため、AgentCore Memoryは利用せず、AgentCore Runtimeのセッション機能によって短期的な記憶管理を実現した。リリースから3カ月でユーザー数は1000人を超え、累計トレース数は7000件に達した。
講演では、AIエージェントを実運用する上で重要となるコスト最適化についても説明した。
ポイントは、用途に対して過剰な性能を持つLLMを選択しないことだ。さらに、Claudeのプロンプトキャッシュを活用することで処理コストを抑え、会話履歴についても自動的に直近3往復分に制限することで、不要なトークン消費を削減しているという。
AIエージェントの活用では、高性能なモデルや複雑な構成を採用することだけが正解ではない。目的に応じた設計と、ユーザーが価値を感じられる体験づくりが重要になる。
最後に御田氏は、「2025年はAIエージェントを『利用』する年でした。2026は『構築』する年にしましょう」と呼びかけ、講演を締めくくった。
Copyright © ITmedia, Inc. All Rights Reserved.