F5 2025年テクノロジー展望

生成AIが2024年に企業へ最も大きな影響を与えた要因の1つであることは確かですが、注目を集めているトレンドやテクノロジーはそれだけではありません。コストと複雑さが渦巻く中、ワークロード、特にストレージとデータをパブリッククラウドから自社環境へ戻す動きが加速しています。この動きの背景には、AIがもたらす可能性を活用できるよう、企業内のデータ環境を整備する必要性もあることは間違いありません。

その結果、企業のIT環境は、パブリッククラウド、オンプレミス、エッジコンピューティングにまたがるハイブリッド構成となります。ワークロードがパブリッククラウドからオンプレミスへ大幅に移行すると予想される一方で、企業がいずれか1つの環境に全面的に移行するとは考えていません。企業はこれまでどおり、ハイブリッド構成を堅持するでしょう。

その結果、企業は異種環境全体でセキュリティ、デリバリー、運用を標準化するうえで、大きな課題に直面します。複雑に入り組んだAPIやツールは、依然としてデジタルビジネスの安定性と拡張性を脅かしています。

こうした状況を踏まえ、F5はさまざまなテクノロジーと、それらが企業に及ぼし得る影響、さらにはアプリケーションデリバリとセキュリティへの影響を検討しています。その結果は、F5の計画や戦略、そして新興テクノロジーのさらなる調査に反映されます。この観点から、F5のテクノロジーエキスパートの中から選ばれたメンバーが、2025年に企業、ひいてはアプリケーションデリバリに最も大きな影響を与えるとF5が考える5つの主要テクノロジーについて、知見を紹介します。

2025年の注目テクノロジー #1：WebAssembly

この現実を背景に、2025年に注目すべきテクノロジーの1つ目としてWebAssembly（Wasm）が挙げられます。Wasmは、ハイブリッドマルチクラウド環境全体でのポータビリティを実現する手段となり、Wasmランタイムが動作する場所であればどこでもアプリケーションをデプロイして実行できるようにします。しかし、Wasmはコードのクロスポータビリティという可能性を具現化するだけのものではありません。パフォーマンスとセキュリティに関するメリットをもたらすとともに、ブラウザベースのアプリケーション機能を拡充する新たな可能性を切り開きます。

Oscar Spencer（プリンシパルエンジニア）は次のように説明します。

ブラウザにおけるWebAssemblyは、2025年を通じて大幅に変化するとは予想されていません。最も重要なアップデートは、すでにChromeに統合されているWebAssembly Garbage Collection（GC）のサポートが継続されることです。これは、GCへの依存度が高く、ブラウザ環境での利用拡大を目指すDartやKotlinなどの言語にメリットをもたらします。また、ブラウザでのPythonの利用が改善される可能性もありますが、その影響の全容を予測するにはまだ時期尚早です。

しかし、より大きな進展は、WASI（WebAssembly System Interface）Preview 3のリリースに伴い、ブラウザの外で起きています。このアップデートではasyncとストリームが導入され、プロキシなど、さまざまなコンテキストにおけるストリーミングデータの大きな課題が解決されます。WASI Preview 3は、Wasmモジュールに出入りするデータを効率的に移動する手段を提供します。また、リクエスト本文全体を処理せずにヘッダーを変更するなど、データ処理をきめ細かく制御できます。さらに、asyncの導入により言語間のコンポーザビリティが向上し、非同期コードと同期コードをシームレスに連携できるようになります。これは特にWasmネイティブ言語に有益です。WASI標準が安定するにつれてWasmの採用が大幅に拡大し、開発者は堅牢なツールと信頼性の高いプラットフォームを活用して、こうした進展を基盤に開発を進められるようになると期待されます。

Wasmが従来のテクノロジーに内在する移植性の問題の一部を解決できるとすれば、現在95%の組織が直面している移植性の問題は、運用など、ITテクノロジースタックの別の重要なレイヤーへと移ることになります。

その課題の解決に向けて急速に進化しているのが、生成AIと、現実味を増しつつあるAIOpsです。フルスタックのオブザーバビリティから得られる情報に基づくAI分析によって変更やポリシーを決定するという、かつては夢物語だった運用の姿が、生成AIの驚異的な進化の速さによって日々現実に近づいています。

2025年のテクノロジー第2位：エージェント型AI

わずか1年足らずの間に、AI機能に代わるエージェントが登場しました。Agentic AIと呼ばれるこの機能は、業務のあり方を一変させるだけでなく、エンタープライズソフトウェア市場全体を置き換える可能性も秘めています。20年近くにわたりSaaSが主流だったワークフローをAIで自動化する動きを見れば、この機能がいかに大きな変革をもたらすかが分かります。

Laurent Quérel（Distinguished Engineer）は次のように説明します。

自律型コーディングエージェントは、コード生成、テスト、最適化といった主要なタスクを自動化し、ソフトウェア開発に変革をもたらそうとしています。これらのエージェントにより、開発プロセスが大幅に効率化され、手作業が減り、プロジェクトの進行が加速します。一方、大規模マルチモーダルエージェント（LMA）の登場により、AIの能力はテキストベースの検索を超え、より複雑なインタラクションへと広がります。これらのエージェントはWebページを操作し、テキスト、画像、動画などのさまざまな形式から情報を抽出することで、オンラインコンテンツへのアクセス方法や処理方法を向上させます。

AIエージェントがインターネットを再構築するにつれ、Webサイトとの安全かつ効率的なやり取りを促進する、エージェント専用のブラウジングインフラストラクチャが開発されるでしょう。この変化により、複雑なWebタスクが自動化され、よりパーソナライズされたインタラクティブなオンライン体験が実現することで、eコマースなどの業界に大きな変革がもたらされる可能性があります。一方、こうしたエージェントが日常生活に深く浸透するにつれ、AI認証、データプライバシー、潜在的な悪用に関する懸念に対処するため、新たなセキュリティプロトコルと規制が不可欠になります。2028年までには、企業向けソフトウェアの相当な割合にAIエージェントが組み込まれ、業務プロセスが変革されると予想されています。また、反復型ワークフローでトークン生成が高速化され、リアルタイムの意思決定が可能になります。この進化は、エージェント主導のWeb開発に向けた新たなツールやプラットフォームの創出にもつながり、デジタル環境における重要な節目となるでしょう。

しかし実際には、AIのメリットを最大限に活用するには、大量のデータが必要です。これは大きな課題です。なぜなら、約半数（47%）の組織が、AI向けのデータ戦略を策定していないと認めているためです (https://www.f5.com/state-of-application-strategy-report)。決して簡単な課題ではありません。組織が保有する構造化データ、非構造化データ、リアルタイムの指標は、途方もない量に上ります。これらのデータをカタログ化するだけでも、多額の投資が必要です。

2025年のテクノロジー #3：データ分類

攻撃対象領域の急激な拡大に伴うセキュリティ上の懸念、データプライバシーとコンプライアンスをめぐる新たな規制、さらに新しいデータソースや脅威ベクトルの出現が重なり、堅牢なリアルタイムデータ分類技術が台頭する条件がそろっています。実際、企業データの検出と分類において、生成AIモデルは従来のルールベースシステムを上回ると予想されています。

James Hendergart（テクノロジーリサーチ担当シニアディレクター）は次のように説明します。

複数のトレンドが重なったことで、2024年にはデータ分類の重要性が急速に高まりました。デジタルトランスフォーメーションが進む中、データ、デバイス、アプリケーションが爆発的に増加し、サイバー脅威にさらされる攻撃対象領域が大幅に拡大しました。脆弱性の増加に加え、データ侵害が後を絶たない状況から、堅牢なデータ保護が不可欠であることが浮き彫りになりました。同時に、データプライバシーの保護とコンプライアンスの確保を目的とする規制が拡大し、プライバシー保護の出発点となるデータ分類を組織が優先する動きがさらに強まりました。また、生成AIの台頭によって新たなデータソースと攻撃ベクトルが生まれ、データセキュリティの課題は一層複雑になりました。

企業データの約80%は非構造化データです。今後、生成AIモデルは、95%を超える精度で企業の非構造化データを検出・分類するための有力な手法となるでしょう。これらのモデルは時間の経過とともに効率が向上し、必要な計算能力が低減するとともに、推論時間も短縮されます。Data Security Posture Management（DSPM）、Data Loss Prevention（DLP）、Data Access Governanceなどのソリューションでは、さまざまなセキュリティサービスを提供する基盤として、機密データの検出と分類への依存が一層高まるでしょう。ネットワークサービスとデータ配信サービスの融合が進む中、プラットフォームの統合を背景に、ベンダーは変化する企業ニーズに対応する包括的で費用対効果が高く、使いやすいプラットフォームを提供し、市場シェアの獲得を目指して、自社製品やサービスの強化を進めるでしょう。

生産性向上からワークフローの自動化、コンテンツ作成に至るまで、生成AIを幅広く活用したいというニーズが組織の間で共通して高まっています。こうした中、各組織がAI機能の導入を開始するのに伴い、新たなアプリケーションアーキテクチャパターンが登場しています。このパターンでは、従来の3つの主要階層であるクライアント、サーバー、データに、推論処理を実行する新たなAI階層が加わります。

2025年のテクノロジー #4：AIゲートウェイ

この新たな階層によって、注目すべきテクノロジーの第4位である「AI Gateways」の定義が形作られつつあります。AIゲートウェイは、単なるAPIゲートウェイやWebゲートウェイではありません。基本機能はAPIゲートウェイと似ていますが、双方向の非構造化トラフィックに固有のアーキテクチャ要件や、「善良な」ボットのユーザー基盤の拡大に対応するには、新たな機能が必要です。

Ken Arora（Distinguished Engineer）は次のように説明します。

AIゲートウェイは、AIアプリケーションのニーズに対応するために特化した、APIゲートウェイの自然な進化形として登場しつつあります。Cloud Access Security Broker（CASB）が企業向けSaaSアプリのセキュリティ確保に特化しているのと同様に、AIゲートウェイは、望ましくないデータ開示につながることが多いハルシネーション、バイアス、ジェイルブレイクといった固有の課題に重点を置くことになります。AIアプリケーションの自律性が高まるにつれ、ゲートウェイには、堅牢な可視性、ガバナンス、サプライチェーンセキュリティを提供し、潜在的な攻撃経路となっているトレーニングデータセットやサードパーティモデルの完全性を確保することも求められます。また、AIアプリが拡大するにつれ、従来のアプリケーションと比べて運用コストが高いことから、分散型サービス拒否（DDoS）攻撃やコスト管理などの問題が重大になります。さらに、要約やパターン分析などのタスクでAIアプリと共有するデータが増えることで、より高度なデータ漏洩対策が必要になります。

今後、AIゲートウェイはリバースプロキシとフォワードプロキシの両方をサポートする必要があります。短期的には、AIの利用がAIの開発を上回るため、フォワードプロキシが重要な役割を果たします。また、ベクトルデータベースと大規模言語モデル（LLM）の間など、AIアプリケーション内のコンポーネント間のやり取りを管理するうえで、ミドルプロキシも不可欠になります。脅威の性質が変化する中、セキュリティへのアプローチも転換が必要です。人間に代わって動作する自動エージェントがクライアントの多くを占めるようになると、現在のボット対策モデルは、正当なボットと悪意のあるボットを識別できるよう進化していきます。AIゲートウェイには、ゼロトラストの原則を取り入れ、委任認証、行動分析、最小権限の適用といった高度なポリシーを組み込む必要があります。これには、リスクを考慮したポリシーと可視性の強化が含まれ、堅牢なガバナンスを維持しながら、AIに起因するセキュリティ侵害を効果的に封じ込められるようにします。

最も差し迫っているのは、データに関する従来のセキュリティ上の懸念（流出、漏えい）だけでなく、ハルシネーションやバイアスに伴う倫理的な問題にも対処できる能力です。後者が、このテーマに関するほぼすべての調査で重大なリスクとして挙げられていることは、驚くに当たりません。

2025年のテクノロジー第5位：小規模言語モデル

ハルシネーションやバイアスの問題を踏まえると、検索拡張生成（RAG）とSmall Language Models（SLM）の利用拡大を無視することはできません。RAGは、大規模言語モデルが生成する情報の具体性と正確性を高められることから、生成AIの基盤となるアーキテクチャパターンとして急速に普及しています。検索システムと生成モデルそれぞれの強みを組み合わせることで、RAGはAIにおける主要な課題の1つであるハルシネーション、すなわち誤った情報や誤解を招く情報の生成に対する解決策となります。

RAGをAI戦略にまだ組み込んでいない組織は、特にリアルタイムの情報検索や文脈に応じた応答が求められるタスクにおいて、データの正確性と関連性を大幅に向上させる機会を逃しています。しかし、生成AIのユースケースが広がるにつれ、RAGだけでは解決できない問題もあることが明らかになっています。

Lori MacVittie（Distinguished Engineer）は次のように説明しています。

LLMの限界、特にドメイン固有または組織固有の知識を扱う際の精度不足が顕在化するにつれ、小規模言語モデルの導入が加速しています。LLMは一般知識を扱う用途では非常に強力ですが、専門分野で正確かつ微妙なニュアンスを捉えた情報を提供するよう求められると、十分に対応できないことが少なくありません。このギャップを埋めるのがSLMです。SLMは特定の知識領域に合わせて調整されているため、より信頼性が高く、焦点を絞った出力が可能です。さらに、SLMは消費電力やコンピューティングサイクルの面で必要なリソースが大幅に少ないため、あらゆるユースケースでLLMの幅広い機能を必要としない企業にとって、より費用対効果の高いソリューションとなります。

現在、SLMは業界に特化する傾向があり、医療や法律などの分野のデータでトレーニングされることが一般的です。こうしたモデルの対象領域は限定的ですが、コストと複雑さの両面で、LLMよりもトレーニングと導入がはるかに容易です。専門的なデータニーズにより適したソリューションを求める組織が増えるにつれ、検索拡張生成の手法だけではハルシネーションを十分に軽減できない状況では、SLMがLLMに取って代わると見込まれています。今後、高い精度と効率が最優先されるユースケースではSLMがますます主流となり、LLMに代わる、より高精度でリソース効率に優れた選択肢を組織に提供すると予想されます。

今後の展望：Transformerの先へ

膨大なコンピューティングリソースを必要とせず、最新アプリケーションの複雑化に対応できる、より効率的なAIモデルへのニーズが急速に高まっています。Transformerモデルは強力である一方、特にAIモデルの大規模化に伴い、スケーラビリティ、メモリ使用量、パフォーマンスの面で限界があります。そのため、高い精度を維持しながら計算オーバーヘッドを削減するアーキテクチャの開発が強く求められています。さらに、さまざまなデバイスやユースケースでAIを利用できるようにする「AIの民主化」への需要も、ハードウェア要件を最小限に抑えつつ精度を最適化するよう設計された1ビット大規模言語モデルなどのイノベーションの導入を加速させています。

こうしたニーズが、トランスフォーマーの枠を超えたAIの進化を後押ししています。

最高イノベーション責任者、Kunal Anandは次のように説明します。

新たなパラダイムが生まれつつあります。斬新なニューラルネットワークアーキテクチャと革新的な最適化手法を融合することで、さまざまなアプリケーションやデバイスへのAI導入を広く可能にすることが期待されています。

AIコミュニティでは、ニューラルネットワーク設計におけるポストTransformer時代のイノベーションの兆しが、すでに現れ始めています。これらの新しいアーキテクチャは、コンテンツの理解と生成における優れた能力を維持または向上させながら、現在のTransformerモデルが抱える根本的な制約の解消を目指しています。なかでも特に有望な進展として、高度に最適化されたモデル、とりわけ1ビット大規模言語モデルが登場しています。これらのイノベーションは、モデル効率に対するアプローチを根本から変えるものであり、精度を下げてもモデルの性能を維持しつつ、メモリ要件と計算オーバーヘッドを大幅に削減します。

こうした進展の影響は、複数の波となってAIエコシステム全体に広がっていきます。まず、AIの導入に必要なリソースが削減され、その効果がすぐに現れるでしょう。これまで大量の計算リソースとメモリを必要としていたモデルも、オーバーヘッドを大幅に抑えながら効率的に動作するようになります。この最適化によってコンピューティングアーキテクチャが変化し、GPUはトレーニングやファインチューニングのタスクに特化する一方、CPUは新たに獲得した処理能力で推論ワークロードを担うようになる可能性があります。

こうした変化は、AIの民主化と持続可能性を中心とする第2の波を引き起こします。必要なリソースが減少するにつれ、さまざまなアプリケーションやデバイスでAIを導入できるようになります。インフラストラクチャコストも大幅に低下し、これまで現実的ではなかったエッジコンピューティングが可能になります。同時に、計算負荷の軽減によってエネルギー消費量とカーボンフットプリントが削減され、環境面でのメリットが生まれることで、AI運用の持続可能性が高まります。

こうした進展により、エッジデバイスでこれまでにない機能が実現し、リアルタイム処理が向上するとともに、さまざまな業界で費用対効果の高いAI統合が可能になります。コンピューティング環境は、特定のワークロード向けに最適化された複数の処理アーキテクチャを組み合わせるハイブリッドソリューションへと進化し、より効率的で汎用性の高いAIインフラストラクチャが構築されます。

こうした進展がもたらす影響は、技術的な改善にとどまりません。パフォーマンスを維持しながら、AIの導入がより柔軟で環境に配慮したものになる未来を示唆しています。2025年に向けて、こうした変化により日常的なアプリケーションへのAI統合が加速し、さまざまな業界でイノベーションと効率化の新たな機会が生まれる可能性があります。

今や唯一変わらないのは、変化そのもの

この1年、テクノロジーの世界では大きな変化と進化が起こり、驚くような出来事もありました。来年も同様の動きが続くと考えるのが妥当でしょう。生成AIの可能性はまだ十分に探究されていません。そのため、この注目すべきテクノロジーを活用した、さらなる革新的なユースケースが登場する可能性があります。

まだ生成AIを試していない組織は、今こそ取り組むべきです。サービスの利用は、チャットボットやレコメンデーションエンジンといった基本的なユースケースを始めるうえで確かな足掛かりとなります。しかし、生成AIの可能性は、会話や新しい猫の動画の生成にとどまりません。

AIがテクノロジーの根幹を変革し続ける中、さらなる変化が起こり、AIを活用する新たな方法が次々と登場すると予想されます。