企業は、導入するエージェント型AIソリューションが運用に及ぼす影響を把握する必要があります。現在、エージェント型メモリのイノベーションは加速しており、運用への影響を示す次の先行指標となっています。なぜでしょうか。エージェント型AIの「長期記憶」におけるイノベーションが、エージェント型AIそのもののイノベーションを直接加速させ、さらにエージェント型AIがネットワークに直接影響を及ぼすためです。
According to S&P Global Dataの最新レポートによると、「推論、マルチエージェントシステム、検索の進歩がエージェント型AIをけん引しています。エージェント型AIは、高度な推論フレームワーク、動的なマルチエージェント連携モデル、インテリジェントな検索技術によって急速に進化しています。これらのイノベーションにより、エージェントは自律的に認識、計画、行動できるようになり、複雑な実環境におけるスケーラビリティ、適応性、パーソナライゼーションが向上します」
長期記憶技術の進歩が、エージェント型AIのイノベーションを加速させています。高度な推論フレームワークとも呼ばれる選択肢には、LangMem、Memobase、Mem0などがあります。これらは新しいタイプのメモリ機能を利用し、エージェント型フローの実行中およびフロー間で、情報の状態、コンテキスト、変化にアクセスできるようにします。こうしたデータの作成、保存、更新、移動、共有により、ネットワーク需要が増大します。
さらに、エージェント型メモリシステムは、企業情報や個人情報を共有・更新する必要がある複数のエージェントからアクセスされる可能性のある、新たなデータ保存場所となります。そのため、他のあらゆる企業資産と同等の厳格さで、維持、ガバナンス、監査、セキュリティ確保を行う必要があります。この状況は、ネットワークトラフィックに3つの影響をもたらします。
1. エージェント型AIによりネットワークトラフィックが増加
「Nokia Global Network Traffic Report」によると、企業のAIトラフィックは2033年まで年平均成長率（CAGR）57%で増加すると予測されています。なぜでしょうか。エージェントを導入すると、それまで存在しなかった新たなトラフィックが発生し、帯域幅の消費量が増えるとともに、遅延が生じる可能性も高まるためです。このトラフィックはAPI呼び出しとして現れます。より多くのエージェントがより多くのアクションを実行すれば、API呼び出しも増え、APIエンドポイントの応答性に影響します。検索拡張生成（RAG）も、エージェントの普及に伴って増加する可能性が高いAPI呼び出しの発生源です。動的な検索メモリによって、変化するコンテキストを認識できるようになるためです。つまり、RAGは静的なものではなくなり、リアルタイムで更新されるようになります。RAGの利用が増えるほど、データの更新や推論の強化を目的としたベクトルデータベースへのAPI呼び出しも増加します。
2. エージェント型AIによりトラフィック密度が増加
IDCの報告によると、企業は、エージェント型AIのワークロードをサポートするため、GenAIのロードマップとネットワークのモダナイゼーションの取り組みを連携させています。ネットワークトラフィックの経路があらゆる方向に増え、エージェントやリソースが追加されるにつれて指数関数的に拡大するデータパスメッシュが形成されます。コンテナ間のトラフィック、コンテナホストに出入りするトラフィック、コンテナのポッドやクラスターに出入りするトラフィックも増加します。ネットワーク経路の増加に伴い、ポリシーの追加、ネットワークコンポーネントの追加設定、さらなる自動化が必要になります。ネットワークマップは複雑になり、監視作業も増加します。その結果、これらすべてが、保守、セキュリティ、ガバナンスのプロセスを必要とする、より大規模な環境、すなわちデータパスメッシュへと集約されます。
3. エージェント型AIには、より多くのテレメトリが必要
経路が増えるほど、運用テレメトリの送信と収集も増やす必要があります。このテレメトリは、運用管理やトラブルシューティングからセキュリティやガバナンスまで、あらゆる種類のオブザーバビリティを支えます。エージェント、モデル、リソースが集中すると、集中型アーキテクチャではネットワーク輻輳が発生する可能性があります。インテリジェントルーティングによってある程度は緩和できますが、そのためにはネットワークのあるセグメントと別のセグメントの輻輳を均衡させる必要があります。ネットワーク容量が不十分な場合、実際には効果が得られない可能性があります。
幸い、企業はマイクロサービスの導入から得た教訓をエージェント型AIに応用できます。同様に運用テレメトリが急増するため、どのテレメトリをどの程度、送信、収集、分析、保存する必要があるかを判断するなど、同じコスト管理策が求められます。
影響に備える方法
エージェント型AIは、まだ構築段階にあります。開発者がツールや開発キットの作成を進める一方で、IT運用担当者は、自社のネットワークに避けられない影響が及ぶことに備える必要があります。
最も準備の整った組織では、開発者によるプロトタイプと初期段階のインフラストラクチャテストを組み合わせ、ネットワークへの影響を監視・測定することで、本番環境への導入に間に合うよう機能強化を実施できる体制を整えています。部門間の連携とコミュニケーションそのものが、ある部門だけが先行するリスクの軽減につながります。さらに、エージェント型メモリのイノベーションの進展を追跡することで、ネットワーク運用担当者はイノベーションの進展を先取りできます。
エージェント型メモリのイノベーションが落ち着けば、IT運用担当者は、初のエンタープライズ規模のエージェント型ソリューションを自社ネットワークに導入する時期が近づいていると判断できるようになります。
著者について
関連するブログ記事
SOAS 2025：足並みの乱れが凡庸さを招く
AI導入における方針の不一致は、非効率を招きます。セキュリティ、自動化、導入の各戦略を整合させ、AIの可能性を最大限に引き出す方法をご紹介します。
WebAssemblyが重要な理由
WebAssembly（Wasm）は、あらゆるプラットフォームで高性能なアプリケーションを実現する、ポータブルで高速かつセキュアなバイナリ命令セットです。
インフラストラクチャは依然として格好の攻撃経路
クラウドコンピューティングでは、APIやドラッグ＆ドロップ式の設定ツールを活用し、ネットワークやインフラストラクチャを敬遠する人がそれらを直接扱わずに済むようにすることで、インフラストラクチャへの対応を不要にすることが長年追求されてきました。しかし、インフラストラクチャを無視することも、攻撃の主要な標的であるという事実を見過ごすこともできません。
堅牢なデータアーキテクチャがもたらす戦略的メリット
適切に構築されたデータアーキテクチャがもたらす効果は、業務プロセスの改善にとどまりません。戦略的な業務効率の向上、より深いビジネスインサイトの獲得、隣接するビジネス機会への展開にもつながり、これらすべてをより俊敏に実行できるようになります。
デジタルワークフローにおける不正検知には、データだけでは不十分
2019年には、業界全体でクレジットカード詐欺の試みが約25万件確認されました。これは約2分に1件の割合です。今日、不正を検知するには、デジタルワークフロー上のできるだけ多くのポイントから収集したデータを相互に関連付け、手作業によるデータ処理をはるかに上回る速度で分析する能力が求められます。