ギャップを埋める：AI エージェントのためのソフトウェアエンジニアリングのベストプラクティス

By Mirko Peters · 2026-08-13

ブログへようこそ。最近のオーディオエピソードをお聞きいただいている方は、最新の人工知能の現場を深く掘り下げてきたことをご存じでしょう。今回は、開発者、エンタープライズアーキテクト、テクノロジーリーダーにとってますます重要になっているテーマを取り上げます。それは、脆いプロンプトエンジニアリングから一歩進み、AI エージェントに基礎的なソフトウェアエンジニアリングの原則を適用することです。管理されていない生の大規模言語モデルだけに頼ると、実際の予測不可能な状況の中でシステムがすぐに行き詰まってしまいます。この投稿では、この見過ごされがちな問題がなぜ存在するのかを解説し、基本的なエンジニアリングの実践を怠ることのリスクを検証します。さらに、Azure AI Foundry のようなプラットフォームが、拡張性と信頼性に優れたエンタープライズ級のエージェント型アーキテクチャの構築にどう役立つかを見て

Automatically translated with AI from the original post. Read the English original

ブログへようこそ。最近のオーディオエピソードをお聞きいただいている方は、最新の人工知能の現場を深く掘り下げてきたことをご存じでしょう。今回は、開発者、エンタープライズアーキテクト、テクノロジーリーダーにとってますます重要になっているテーマを取り上げます。それは、脆いプロンプトエンジニアリングから一歩進み、AI エージェントに基礎的なソフトウェアエンジニアリングの原則を適用することです。管理されていない生の大規模言語モデルだけに頼ると、実際の予測不可能な状況の中でシステムがすぐに行き詰まってしまいます。この投稿では、この見過ごされがちな問題がなぜ存在するのかを解説し、基本的なエンジニアリングの実践を怠ることのリスクを検証します。さらに、Azure AI Foundry のようなプラットフォームが、拡張性と信頼性に優れたエンタープライズ級のエージェント型アーキテクチャの構築にどう役立つかを見ていきます。

AI エージェントと LLM の理解

AI エージェントとは

最近のエンタープライズアプリケーションでは、AI エージェントがあらゆる場所で使われています。これらのエージェントはデジタルアシスタントとして、タスクの完了、質問への回答、ワークフローの自動化を支援します。AI 業界では、会話型システム、コーディングアシスタント、さらには弁護士が法務データセットとやり取りするためのツールの構築にも使われています。治療薬向けの TxGemma や、Web アプリを起動するエージェント型システムといった例もあります。AI エージェントは、人間と機械の両方の専門知識に支えられています。その効果は、従来のデータやソフトウェアシステムとどれだけうまく連携できるかに左右されます。複雑なタスクに AI エージェントを使う場合は、品質と精度を確保するために、人によるガイダンスとレビューが必要です。

• AI エージェントは、コーディング、法務、治療への応用に向けた会話型システムを支えています。
• AI エージェントはコンピューティングのパラダイムを再定義しうる一方、AI ラボにとって必ずしも利益を生むとは限りません。
• AI エージェントの性能は、従来のソフトウェアや人間の専門知識との統合に依存します。

専門的な法務ソフトウェア企業が、エージェント型システムを使ってデータに会話型インターフェイスを追加すれば、弁護士はより効率的に業務を進められます。このために最先端のモデルは必要ありません。重要なのは、LLM を取り巻くデータとソフトウェアであり、モデルそのものより影響が大きいのです。適切な AI ツールと専門知識を組み合わせれば、二流のモデルでも効果的なエージェントになります。

AI における LLM

LLM（大規模言語モデル）は、生成 AI ツールの中核となる技術です。テキストの生成、質問への回答、情報の要約に LLM を使います。開発者は、LLM をツールやメモリと組み合わせて自律型エージェントを構築します。これらのエージェントは、常時監視なしでタスクを実行できます。エージェント型 AI は、複数のエージェントが戦略を立てて適応し、目標を達成する複雑なシステムを指します。チャットボットからワークフローの自動化まで、あらゆる場面で LLM が活用されているのを目にするでしょう。

モデルベースとエージェントベースのアーキテクチャを比較すると、次のとおりです。

エージェントベースのアーキテクチャでは、メモリとツールを備えた LLM を使って自律型エージェントを作り出している点に注目してください。これらのエージェントは互いに協調し、時間の経過とともに改善していけます。

この隠れた問題が生じる理由

多くの開発者や組織が、AI エージェント開発においてLLM中心のアプローチを当たり前のものとして受け入れつつあります。彼らはプロンプトの連鎖や構造化された推論によって LLM をオーケストレーションすることに注力しています。この傾向は生産性と柔軟性を高めています。マルチエージェントシステムは、専門化されたエージェント同士の協調を可能にします。ワークフロー指向のフレームワークは、決定論的なパイプラインとエージェントによる意思決定を組み合わせます。エンタープライズ級のプラットフォームは、ガバナンスとコンプライアンスの統制によって機能を拡張しています。

しかし、LLMに過度に依存すると、見えにくい問題に直面します。ドメインの専門知識や構造化されたワークフローを組み合わせると、出力の品質は向上します。専門家の評価によれば、LLMとドメイン知識を組み合わせることで、より良い結果が得られます。LLMだけでは信頼性の高いパフォーマンスを保証できないことを忘れてはいけません。信頼できる自律型エージェントを構築するには、専門知識、適切なAIツール、そしてエンジニアリングの原則が必要です。

AIエージェント設計に潜む問題

LLMへの過度な依存

大規模言語モデルだけで、AIエージェントのあらゆる課題を解決できると考えるかもしれません。多くの開発者や組織は、意思決定やタスク実行の多くをLLMに頼るこのアプローチを当たり前のものとしてきました。しかし、この過度な依存は、AIエージェントの品質と信頼性に影響を与える見えにくい問題を生み出します。LLMはデータ内のパターンに基づいて出力を生成しますが、真の理解や決定論的な制御は備えていません。LLMに過度に依存すると、システムが予測不能または一貫性のない結果を出力することがあります。この予測不能さのため、重要な業務ワークフローでAIエージェントを信頼することが難しくなります。

複数のLLM搭載エージェントを組み合わせるマルチエージェントシステムは、より高度な振る舞いを実現すると期待されています。しかし、単一エージェントの構成よりも、はるかに多くのリソースとトークンを消費することが少なくありません。たとえば、Anthropicは、同じタスクに対して、マルチエージェントの実行が単一エージェントのチャットに比べて約15倍のトークンを使用したと報告しています。この非効率性はシステムの速度低下とコスト増加を招く一方で、より良い結果を保証するものではありません。また、エージェント間のコンテキストと連携を管理する難しさもあり、混乱やエラーの原因になることがあります。

LLM中心のAIエージェント設計における主なエンジニアリング上のギャップは、運用の可視性の向上、エージェント型システムと非エージェント型システムの明確な区別、そしてマルチエージェントのオーケストレーションとコンテキスト管理の改善が必要な点です。

ソフトウェアエンジニアリング上のギャップ

AIエージェント設計でソフトウェアエンジニアリングの原則を軽視すると、この見えにくい問題はさらに深刻になります。多くのAIプロジェクトはプロンプトエンジニアリングやモデルのチューニングに注力する一方で、状態管理、オブザーバビリティ、エラー処理といった不可欠なエンジニアリングの実践を見落としています。これらがなければ、AIエージェントは脆弱になり、保守も困難になります。

AIエージェントは、厳密なエンジニアリングを必要とする複雑なソフトウェアシステムとして扱う必要があります。そのためには、明確なワークフローを構築し、エージェントの状態を慎重に管理するとともに、パフォーマンスや障害を追跡するための監視ツールを導入することが必要です。多くのAIワークフローは、こうした基盤が欠けているために脆弱なままです。頻繁な障害やエッジケースを検出するには人による監視が必要になり、それが自動化を遅らせ、品質を低下させます。

AIエージェントを含むワークフローは複雑になりがちで、頻繁な障害やエッジケースのために継続的な人による監視が必要になることが多く、LLM中心のAIシステムを展開する際の運用上の課題が浮き彫りになっています。

こうしたエンジニアリングの工程を省くと、AIエージェントは規模を拡大したり、新しいシナリオに適応したりすることが難しくなります。デバッグやテストも困難になり、システムの振る舞いを制御できなくなります。このソフトウェアエンジニアリング上のギャップは、AIへの投資を損なう見えにくい問題を生み出します。

AIパフォーマンスへの影響

この見えにくい問題は、AIエージェントのパフォーマンスに直接影響します。応答時間の遅延、判断精度の低下、予期しない入力への適応力の低さといった問題が見られるかもしれません。これらの問題は、AIシステム全体の品質を下げ、ユーザーのストレスにもつながります。

パフォーマンス面でよく見られる課題は次のとおりです。

• 予期しない新しい入力を迅速に処理することの難しさ
• LLM呼び出しの待ち時間が長く、応答が遅れること
• エージェントの振る舞いのテストと評価の難しさ
• 複雑なマルチエージェント間の相互作用のデバッグの難しさ

これらの問題は、強固なエンジニアリングによる制御がないまま、AIエージェントがLLMの確率的な出力に過度に依存することで生じます。信頼性と品質を高めるには、LLMの創造的な力と、決定論的なソフトウェアエンジニアリングとのバランスを取る必要があります。

このバランスを無視すると、AIエージェントは本番環境で信頼できなくなったり、有害にさえなったりするおそれがあります。企業は一貫性があり信頼できるシステムを求めています。適切なエンジニアリングがなければ、AIエージェントはこうした期待に応えることができません。

適応性の課題、応答時間の問題、判断精度の問題、そして全体的な信頼性への懸念は、LLM中心のAIエージェントで最も多く報告されているパフォーマンス上の問題であり続けています。

この隠れた問題を認識し、堅実なソフトウェアエンジニアリングの手法をAIエージェント開発に取り入れて解決する必要があります。そうすることで、一貫した品質を提供し、効果的に拡張できるシステムを構築できます。

AIエージェントのためのソフトウェアエンジニアリングの原則

信頼性の高いAIエージェントを構築するには、堅実なソフトウェアエンジニアリングの原則を適用する必要があります。これらの原則は、エンジニアリング上の制約を乗り越え、拡張や適応が可能で、一貫した結果をもたらすシステムの構築に役立ちます。ソフトウェアエンジニアは、シンプルで透明性が高く、保守しやすいシステムの設計に注力します。AI搭載のエンジニアリングシステムを扱う際には、これらの価値を優先する必要があります。

オーケストレーションと状態管理

オーケストレーションを使うと、複雑なタスクを小さなステップに分割できます。各ステップを専門のエージェントに振り分けられます。この方法により、単一のエージェントでは扱えない複雑さに対応できます。状態管理は、長時間にわたるワークフローの中でエージェントが重要な情報を記憶し続けることを保証します。中断後もエージェントが作業を再開できるよう、共有状態を永続化する必要があります。ソフトウェアエンジニアは、オーケストレーションを使ってタスクを分離し、信頼性を高めます。また、すべての操作を記録することで、自然な監査証跡も作成します。これにより、問題の調査や コンプライアンスの維持に役立ちます。

コンテキストのサイズを監視し、要約を使って管理しやすい状態に保つ必要があります。ソフトウェアエンジニアは、プライバシーリスクを減らすため、必要最小限の状態だけを永続化します。

評価と可観測性

AIエージェントの信頼性には、継続的な評価が欠かせません。デプロイ後も、システムのコスト、応答時間、パフォーマンスを追跡する必要があります。ソフトウェアエンジニアは、可観測性ツールを使って遅延のパターンやリソース消費を把握します。これにより、ユーザーに影響が出る前に問題を特定できます。内部の状態や判断を監視すると、根本原因の分析に役立ち、診断にかかる時間を短縮できます。エージェントがどのように判断しているかを把握できるため、リスク管理と運用効率の確保に不可欠です。

• 継続的な評価により、コストと応答時間を追跡します。
• 可観測性により、遅延とリソース使用状況を把握します。
• 監視により、ガバナンスとリスク管理をサポートします。
• 意思決定の可視化により、運用面の統制が向上します。

このようなソフトウェアエンジニアリングの手法は、安定して信頼できるシステムの維持に役立ちます。

統合とスケーラビリティ

統合により、AIエージェントをエンタープライズシステム、LLM、APIに接続します。円滑に運用するには、明確なAPIと十分に文書化されたインターフェースが必要です。ソフトウェアエンジニアは、クリーンなコードの記述、アルゴリズムの最適化、スケーラブルなシステムの設計に注力します。Azure AI Foundry は、AIのライフサイクル全体を管理するための統合プラットフォームを提供します。エンタープライズアプリケーションとのシームレスな統合や、大量のトランザクションに対応できるスケーラブルなインフラストラクチャをサポートします。Kinectify や H&R Block などの企業は、Azure AI Foundry を使って複雑なワークフローを自動化し、リアルタイムデータを処理しています。

• 統合型のプラットフォームにより、統合の課題を軽減します。
• スケーラブルなインフラストラクチャにより、エンタープライズのニーズに対応します。
• APIベースのアクセスにより、既存システムへの容易な接続が可能になります。

環境はモジュール性と関心の分離を考慮して設計する必要があります。この方法により、システムアーキテクチャ全体を再設計することなく、エージェントを追加または更新できます。ソフトウェアエンジニアは、AI搭載のエンジニアリングシステムが信頼性と適応性を保ち、将来の成長に備えられるようにします。

AIにおけるエンジニアリングを軽視するリスク

信頼性の低い出力

エンジニアリングを軽視してAIプロジェクトを進めると、信頼性の低い出力を生むシステムを作るリスクがあります。こうしたシステムの多くは、統計モデルを使うAIコーディングツールに依存しています。それらは扱う情報を本当に理解しているわけではありません。過去のデータに基づいて、おそらく正しいと思われるものを推測しているだけです。この方式では、特にシステムがこれまで経験したことのない状況で、予測できない障害につながる可能性があります。これらのシステムにおけるchain-of-thoughtのステップは、実際の推論ではなく学習されたパターンであることに気づくかもしれません。その結果、AIコーディングツールは知性を模倣できても、予測や説明が難しい誤りを犯すことがあります。

こうしたシステムが熟練の専門家に取って代わりながら、その判断力に及ばない場合、専門知識の価値が低下する可能性もあります。その結果、AIコーディングツールへの信頼が下がり、成果の品質も低下しかねません。

コンプライアンスとセキュリティの課題

エンジニアリングを軽視すると、コンプライアンスやセキュリティのリスクにもさらされます。多くの企業は、データガバナンスへの懸念からAIの導入をためらっています。適切な統制を欠くAIコーディングツールでは、独自のコードや機密情報が不適切に扱われる可能性があります。システムを制御できなくなり、予測不能な動作をしたり、取り消しのできない行動を取ったりするおそれもあります。クラウドワークロードで過剰な権限が与えられていると、サイバー犯罪者に新たな攻撃経路を与えかねません。さらに、一部のシステムはサイバー攻撃や偽情報の拡散に悪用される可能性もあります。

AIエージェントに関わるセキュリティまたはプライバシーのインシデントについて、確認済みまたは疑いがあると報告した組織は約88%に上ります。医療分野ではこの割合が92%を超えます。これらの数字は、安全でコンプライアンスに適合したシステムを実現するうえで、堅実なエンジニアリングがいかに重要かを示しています。

経済and生産性への影響

信頼性の低いAIシステムは、大きな経済損失を招き、生産性を低下させかねません。エンジニアリングの厳密さを欠くAIコーディングツールに依存すると、高コストな誤りや手作業による検証の負担が生じるおそれがあります。2024年には、信頼性の低いAIによって確認された経済損失が674億ドルに達しました。また、チームがAIの生成したコンテンツを確認・修正する必要があったため、企業では生産性が22%低下しました。これは時間の浪費につながるだけでなく、AIがもたらすはずの生産性向上という期待そのものを損ないます。

また、熟練の作業者の正確さに及ばないままシステムがタスクを自動化すると、専門知識の価値が低下していることにも気づくかもしれません。その結果、判断にばらつきが生じ、組織のシステムへの信頼が下がるおそれがあります。実際の生産性向上を実現するには、AIを堅実なエンジニアリングと信頼できるデータと組み合わせる必要があります。

実際のAIエージェントの課題

事例：本番環境で失敗するAIエージェント

エンジニアリングが十分でないままAIエージェントを展開すると、多くの組織が苦戦する場面が見られます。こうした失敗は、チームが言語モデルに頼りすぎて、重要なソフトウェアの実践を省いてしまうことで起こることが多いのです。よくある課題は、信頼性、可観測性の不足、そして人による監督の喪失です。以下の表にこれらの問題を示します。

特に小規模な導入では、コストの懸念に直面することもあります。利用頻度の高いエージェントでは、遅延や信頼性の問題が生じる可能性があります。十分な評価と監視がなければ、問題を早期に発見することはできません。医療や金融といった重大な影響を伴う分野では、こうしたシステムへの過度な依存が不適切な判断につながりかねません。運用の透明性と説明責任を保つには、倫理的ガバナンスが必要です。

多くのチームが、オブザーバビリティ(可観測性)が不十分だと、エージェントの判断過程を追跡しにくいと感じています。この可視性の欠如により、実害が生じるまで気づかれない誤りが発生することがあります。

事例: エンジニアリング主導の成功事例

AI とエンジニアリングを組み合わせることで、より良い成果が得られます。エンジニアリングのベストプラクティスを採用している企業では、信頼性、効率、ビジネス成果の向上が見られます。たとえば、Synera のエンジニアリングチームは、スケーラブルなクラウドインフラストラクチャにエージェントを展開しています。これらのエージェントは大規模なワークロードを処理し、反復的なタスクを自動化します。このアプローチにより、ワークフローが合理化され、自動車や航空宇宙などの業界で生産性が向上します。

ベストプラクティスの事例として、Azure AI Foundry も参考になります。NTT DATA は、このプラットフォームを使用して、Microsoft Fabric Data Agent やその他のエンタープライズツールと連携するエージェントを構築しました。人事部門や業務部門の従業員は、自然な方法でデータとやり取りし、リアルタイムの洞察を得て、迅速に行動できるようになりました。このソリューションにより市場投入までの時間が半分に短縮され、非技術系のユーザーもエンタープライズインテリジェンスに簡単にアクセスできるようになりました。

• Azure AI Foundry は、エンタープライズグレードのガバナンスを実現するため、デフォルトでセキュアなツール管理を採用しています。
• 組み込みコネクタが認証と ID を管理するため、セキュリティチームはアクセスを簡単に制御できます。
• このプラットフォームは外部 ID システムとの統合をサポートしており、組織全体へのスケールアウトに役立ちます。

エンジニアリング主導のアプローチにより、実際の価値をもたらす、信頼性が高く、スケーラブルで、安全な AI システムを構築できることがわかります。

より優れた AI エージェントの構築

LLM とエンジニアリングのバランス

大規模言語モデル(LLM)と堅実なエンジニアリングの実践をバランスよく組み合わせることで、より優れた AI エージェントを構築できます。多くのチームはモデルの性能だけに注目しがちですが、信頼性の高い結果を得るには両方のアプローチを組み合わせる必要があります。まずは、協調的な監督を取り入れましょう。AI エージェントに作業を支援させつつ、その出力は必ず検証してください。データ品質にも注目しましょう。信頼性を高めるために、多様で高品質なデータセットでエージェントを学習させます。チームが信頼できるよう、意思決定の過程を透明にしてください。プロジェクトの拡大に合わせて拡張できるようエージェントを設計します。また、バイアスの有無を確認し、公平性を確保することで、倫理的な懸念にも対処しましょう。

次の 5 つの実行可能なステップに従うことができます。

1. 協調的な監督を用いて、エージェントの出力を定期的に検証します。
2. 高品質で多様なデータでエージェントを学習させます。
3. チームのために、意思決定の過程を透明にします。
4. 組織とともに拡張できるようエージェントを設計します。
5. 倫理的な懸念に対処し、説明責任を果たします。

Azure AI Foundry は、エンジニアリングと LLM の統合を支援します。このプラットフォームは、モデルのオーケストレーションとライフサイクル管理のためのツールを提供します。プロンプトエンジニアリング機能や再利用可能なテンプレートを活用して、インテリジェントなワークフローを構築できます。Azure AI Foundry は、REST API と SDK を通じてエンタープライズシステムとのシームレスな統合をサポートします。これにより、実際の業務アプリケーションに AI エージェントを展開しやすくなります。

分野横断型チーム

分野横断型のチームを構築すると、より良い成果が得られます。このようなチームには、研究者、臨床医、規制当局の担当者など、さまざまな分野の専門家が参加します。それぞれのメンバーが固有の知識をもたらし、複雑な課題の解決に役立ちます。定型業務を自動化することで、チームは創造的で戦略的な作業に集中できます。推論エージェントは最終監査役として機能し、異なるモデルの出力を確認・統合します。このプロセスにより、透明性と信頼性が高まります。チームが協力すると、精度の向上、バイアスの低減、モデルのドリフトに対する堅牢性の向上が見られます。

• 分野横断型のコラボレーションは、多様な専門知識を結びつけます。
• 自動化により、創造的で戦略的なタスクに充てる時間が生まれます。
• 推論エージェントは、透明性と信頼性を高めます。

ベストプラクティスとガバナンス

AIエージェントが適切に機能し、安全性を保てるよう、ベストプラクティスと強固なガバナンスモデルに従う必要があります。精度率やタスク完了率など、測定可能なKPIを設定してください。従業員がAIエージェントの役割を理解できるよう、変更管理プログラムを策定します。意思決定の階層とリスク管理プロトコルを備えたガバナンスフレームワークを作成します。設計、トレーニング、監視の構造化されたプロセスによって、エージェントのライフサイクルを管理します。データを保護し、アクセスを制御するためにセキュリティフレームワークを使用します。罰則を避けるために、規制への準拠を確実にします。エージェントのパフォーマンスをリアルタイムで監視し、障害や侵害に備えて危機管理計画を用意します。データパイプラインを清潔に保ち、データ品質を検証します。シームレスな通信を実現するため、APIファーストの統合に重点を置きます。マルチエージェントのオーケストレーションと高可用性を計画します。監視システムでエージェントの動作と準拠状況を追跡します。ID システムでアクセスを管理し、トラブルシューティングのために監査証跡を保持します。エージェントのライフサイクル全体を通じて、安全な開発を実践します。

ヒント: Azure AI Foundry などのプラットフォームを使用すると、統合とガバナンスを簡素化できます。オーケストレーションツール、プロンプトエンジニアリング機能、エンタープライズ向けの拡張可能なデプロイオプションを利用できます。

AIエージェント開発においてLLMに過度に依存すると、深刻なリスクに直面します。

堅牢なソフトウェアエンジニアリングとLLMを組み合わせるべきです。現在、多くの組織がAzure AI Foundry などのプラットフォームを利用して、信頼性が高く拡張可能なシステムを構築しています。まずは明確なKPIを設定し、データ品質を向上させ、危機管理を計画することから始めてください。エンジニアリングとLLMのバランスを取ることで、より賢く信頼できるAIエージェントがビジネスの未来を形作るようになるでしょう。

よくある質問

AIエージェントでLLMに過度に依存する場合の主なリスクは何ですか?

予測できない出力、目標の逸脱、説明責任の欠如といったリスクがあります。LLMへの過度な依存は、AIエージェントを信頼性に欠け、重要な業務タスクには安全でないものにする可能性があります。

ソフトウェアエンジニアリングは、AIエージェントの信頼性をどのように向上させますか?

エンジニアリングは、オーケストレーション、状態管理、可観測性によって構造をもたらします。これらの手法により、AIの動作を制御し、パフォーマンスを追跡し、エラーに効果的に対処できます。

AIエージェントは人の監督なしで動作できますか?

完全には動作できません。特に複雑な環境や重大な影響を伴う環境では、エラーを発見し、判断を導き、信頼を維持するために、人による監督が引き続き不可欠です。

AIエージェントの開発において、Azure AI Foundry はどのような役割を果たしますか?

Azure AI Foundry は、オーケストレーション、評価、ガバナンスのためのツールを提供します。拡張性、セキュリティ、信頼性に優れたAIエージェントを構築し、エンタープライズシステムと円滑に統合する支援をします。

マルチエージェントシステムは、AIのパフォーマンスとコストにどのような影響を与えますか?

マルチエージェントシステムは機能を向上させることができますが、リソース使用量と複雑さが増えることがよくあります。適切なエンジニアリングがなければ、ワークフローが遅くなり、コストが上昇する可能性があります。

AIプロジェクトでLLMとエンジニアリングのバランスを取るには、どのような手順を踏めばよいですか?

協調的な監督を行い、データ品質に注力し、拡張性を考慮して設計し、透明性を確保し、強固なガバナンスを適用してください。これらの手順を組み合わせることで、信頼できるAIエージェントが実現します。

🎧 このエピソードを聴く

実務的な視点で「Enterprise AI Agent Engineering」を理解したいですか？このエピソードでは、このテーマをわかりやすく解説し、Microsoft 365、Azure、Power Platform、セキュリティ、AI、そしてモダンワークにとってなぜ重要なのかを紹介します。

この会話をさらに掘り下げ、予測しづらいLLMを扱うための専門家の知見を知りたい方は、Enterprise AI Agent Engineering with Karthikeyan VK [MVP]のフルインタビューをご覧ください。

このエピソードが次のような方に役立つ場合:

• Enterprise AI Agent Engineering with Karthikeyan VK [MVP]の背景にある主要な概念を理解したい
• それがMicrosoftの技術エコシステム全体のなかでどこに位置づけられるかを知りたい
• 組織のどこで実務的な価値を生み出せるかを学びたい

あわせて聴いていただきたい関連するM365 FMのエピソード:

• Microsoft AI エージェント ランタイム：エンタープライズ向けチャットボットの先へ
• エンタープライズ AI エージェント ファブリック：チャットボットを超えるアーキテクチャ
• データからインテリジェント エージェントへ：Microsoft AI Foundry で信頼できるエンタープライズ AI を構築（Shubhangi Goyal [MVP] 出演）
• AI ハイプから AI ハーネス エンジニアリングへ：人が本当に信頼できる AI を構築（Gentleman Programming の Alan Buscaglia [MVP] 出演）
• エージェント間（A2A）通信をわかりやすく解説

M365 FMで、実務的なMicrosoftの話題をさらに探してみてください。