Harmonic、Deep Agents で Scout を再構築しリテンションを4倍に

スタートアップの発見や調査をお考えなら、Harmonic が最適なプラットフォームです。もともとベンチャーキャピタル向けに開発されたソーシングツールとして設立されましたが、現在ではプライベート市場での動向を追跡する多様な投資家をサポートしています。

*Scout* は Harmonic の AI です。創設チームの背景理解からニッチな技術分野における資金調達トレンドの分析まで、ユーザーは対話型インターフェースを通じて Harmonic のデータに質問できます。この Scout を Deep Agents と LangSmith 上で再構築したことで、製品の反復開発期間が数ヶ月から数日へと劇的に短縮されました。これにより、チームはユーザーにとって「投資アドバイザー」のような新たな価値を創出し、市場規模（TAM）も新たな領域へ拡大することが可能になりました。

手動パイプライン維持のコスト

Harmonic の膨大な公開データと非公開データを扱うユーザーのオンボーディングや対話を簡素化した Scout の初版 [1] は、各ノードに LangSmith の評価機能を備えたコンポーザブルなサブグラフ上で構築されました。Scout V1 自体も、LangGraph を駆使した能力の高いエージェントでした。投資家は自然言語で検索するだけでよく、Scout が複雑なクエリ（例：「昨年にトップの投資家から資金調達を行い、私のチームのメンバーとつながりがある SF または NY の AI 企業を見せて」）を、Harmonic のデータインデックス全体にわたる正確なフィルタ設定に変換しました。

ユーザーはもはや手動で詳細なフィルタパラメータを設定・作成・保存する必要はありませんでしたが、アーキテクチャ的には硬直的でした。定義されたワークフロー外の意図は失敗し、維持には数百もの評価が必要で、新たな機能ごとに新しいサブグラフを追加しなければなりませんでした。

ユーザーがパーソナライズされた outreach ドラフトや抽象的な投資論理の検索などを求めるようになると、Scout は対応しきれなくなりました。Harmonic が必要としたのは、基盤となるモデルの進化に合わせて絶え間ない調整を行わずとも、開かれた範囲のタスクを処理でき、かつ能力が向上するアーキテクチャでした。

新しいエージェントハネス：Deep Agents を活用した Scout の再構築

Scout のリードエンジニアである Austin Berke 氏は、Scout V2 がこれまでのアプローチとはほぼ正反対のものであると説明しています。

「以前は、堅苦しい構造の構築や評価指標（evals）の作成、そして各ノードごとの退屈な反復作業に多くの時間を費やしていました。しかし今回のバージョンでは、『最も優秀で賢いモデルを使い、データと連携する思考深いツールへのアクセスを与え、Deep Agents がどう動くかを見てみよう』と考えました。その結果、即座に驚くべき改善が見られました。」

新しいアーキテクチャは意図的にシンプルです。2 つのカテゴリのツールにアクセスできる Deep Agents ハーネス内に、単一の最先端モデルを配置します。1 つ目のセットは、Harmonic のグローバルデータレイヤー（4,000 万社、2 億人の人物、23 万人の投資家）を検索するものです。もう 1 つのセットは、パイプラインリストや CRM ノート、過去のメールや LinkedIn のつながりなど、各企業固有の文脈にアクセスします。

Deep Agents ハーネスは、長期的なタスクの実行とコンテキストウィンドウの管理を、そのままの状態で提供します。以前の V1 のマルチグラフパイプライン と比較すれば、複雑さはほんの一部です。

「モデルには行き止まりに陥らないための自律性が必要です。私たちは常に、グラフが可能な限りシンプルになるよう自己チェックを行っています」と、Harmonic のプロダクトマネージャーであるセス・ウィーラー氏は強調しました。

チームは以前、内部目標として「Scout の成果が良好な確率を 80% にする」という OKR を掲げていました。しかし現在では、「Scoutcome（Scout の成果）」という指標はもはや積極的に議論されていません。品質の安定性がデフォルトとなっています。

UX: 検索ツールから信頼できるアドバイザーへ

Scout V1 は、多くのデータツールのように動作しました。ユーザーは検索語を入力し、結果リストを確認し、条件を絞り込んで再度検索する——このサイクルを繰り返す仕組みです。

一方、Scout V2 は単なる検索ボックスというよりは、「信頼できるアドバイザー」のような存在です。投資の仮説（インベストメント・シナリオ）を提示して「それに合致する企業を 5 つ選んで」と指示できますし、「10 分後にこの創業者と面談するので、知っておくべきことをすべて教えて」と尋ねることも可能です。Scout は CRM や過去のメール、LinkedIn のつながり、企業の公開プロフィールなどから情報を引き出し、記録システム全体を横断して統合した回答を提供します。

Scout V2 が解決したのは、エージェント UX における重要な課題です。Austin はこう述べています：*「エージェントはコードのように見えるものを好むが、ユーザーはコードのようなものには嫌悪感を抱く」*。フロンティアモデルが視覚的アーティファクトを生成する際の自然な出力形式は、構造化された技術的なデータ（SVG、HTML、JSON など）です。しかし、ユーザーはリッチで直感的な要素を持つクリーンなチャットウィンドウを期待します。

この二つをつなぎ合わせるには、Scout が生成する各アーティファクトについて、「どこに配置するか」「誰が見られるか」「モデルがユーザーの注目点をどう把握し続けるか」を決める必要があります。

チームのデザイン原則はこうです：「ユーザーが目にするものは、すべてモデルが発見可能でなければならない」。そうでなければ、エージェントはユーザーが追跡質問をした瞬間に文脈を失ってしまいます。

例えば、可視化機能や企業検索の場面を考えてみてください。

可視化機能

テスト初期段階で、ユーザーが Scout に市場マップの可視化を求めた際、チームは断られると予想していました。しかし実際には、Scout は SVG コードを返却しました。当時のフロントエンドではこれを直接レンダリングする機能が備わっていませんでした。

この事態に対し、チームは単なる失敗事例として片付けるのではなく、意図的な機能へと昇華させる方法を模索しました。

現在、可視化機能は Scout 上の会話における主要なプリミティブ（基本要素）となっています。モデルがメッセージの一部としてインラインで可視化を記述し、フロントエンドがその場でレンダリングします。これにより、モデルとユーザーは同じ会話内で同一の成果物を共有できます。

チャート機能やタイムライン機能、市場マップ機能を個別に設計する必要はありませんでした。このパターン（会議準備、調査レポート、チーム構築のタイムラインなど）が繰り返し利用されるのは、エージェントと UX が共通の真実（ソース・オブ・トゥルース）を共有しているからです。

企業検索機能

ユーザーは、Scout を使って一度に数千社規模の企業を検索したいと考えています。これはチャットメッセージとしてストリーミングして返すにはあまりにも膨大な量です。

従来の設計では、Scout が検索を実行し、結果をサイドパネルに表示して次に進むという流れでしたが、「なぜこれら 3 つが上位に来るのか？」とユーザーが質問した瞬間にこの仕組みは機能不全に陥ります。モデル自体が結果セットを見ていないため、回答できないからです。

Scout はこれを解決するため、検索結果をエージェントが必要に応じて読み取れる共有ファイルシステムに書き出す方式を採用しました。これにより、モデルはユーザーと同じデータをページ送りできるツールを活用できるようになります。フロントエンド側では、データが到着するたびに行単位でレンダリングされます。会話の文脈に応じて、モデルはいつでも任意の結果に戻って参照することが可能です。

この共有ファイルシステムの設計により、Scout はあらゆるユースケースごとにカスタムワークフローを構築する必要がなくなります。「個々のユースケースや顧客のために独自のワークフロー体験を構築する必要がないことは、大きな突破口です」と Austin は指摘しています。

プロダクト開発への影響については、Seth が以下のように補足しました。

「Scout 以前は、ユーザーが製品とどのように相互作用すると予想されるかを基準に機能を開発していました。機能リクエストを受け取り、優先順位をつけ、トレードオフを決めるというプロセスでした。しかし、このアジェンシー（自律型エージェント）モデルでは、ユーザーがデータを好きなように操作できる能力を与え、その使い方を観察します。毎日、予期せぬ新たなユースケースを発見しています。」

LangSmith デプロイメント上で Scout を本番環境で運用

Scout の開発チームは少人数で製品開発に注力しています。LangSmith Deployment は、スレッド実行の耐久性を担保するプラットフォーム層を管理し、利用量の増加に応じて無限にスケール可能な信頼性の高いデプロイメントと、観測機能を提供します。Austin 氏はこれを「一度設定すれば後は放置（set and forget）」と表現し、チームがインフラ構築から解放され、Harmonic の製品独自性を支える要素——すなわち、グローバルな企業・個人データに自社のコンテキストやコネクションを組み合わせるインターフェースの開発に集中できる環境を作っています。

改善サイクルのため、チームは会話の完全なトレースを可視化する内部ダッシュボードを構築しました。これによりエンジニアは、生成されたアーティファクトも含め、ユーザーが実際に目にした内容を正確に把握できます。また、AI コーディングツールと併せて LangSmith MCP も活用しています。

「LangSmith のトレースを取得し、実行中のコードとの相互作用を確認しながら、実際の動作に基づいた変更を加えることができます。これは緩やかな自己改善のループです。変更を加え、グラフを実行し、トレースを確認し、その結果を再び取り込んで改善するサイクルを回しています」

LangSmith Engine の早期採用者として、同チームはさらに明確な自己改善ループの恩恵も受けています。Engine は失敗モードを特定・クラスタリングし、その場でコードの改善案や評価指標を提案します。

「Deep Agents のトレースには数十回、あるいは数百回のターンが含まれることもあり、レビューやパターン特定が面倒になりがちです。LangSmith Engine は、新たな失敗モードを特定するだけでなく、評価やコード修正の提案も積極的に行うことで、チームの調査時間を大幅に短縮しています」と Austin は語ります。

Deep Agents への移行でリテンションが4倍に

ユーザーからの反応は非常に好意的です。投資家からは「極めて有用」「まさに天国のような存在」「ゲームチェンジャー」といった評価が寄せられています。さらに示唆的なのは、他社との比較を通じてあるシード期パートナーが指摘した点です。「すべての企業の秘密兵器が Scout になりつつある」。投資家たちは、同僚と必須ツールを議論する際にも、Scout が業界標準となりつつあることを認識しています。

この口コミの評価は利用指標にも反映されています。Scout ユーザーの1週目から4週目のリテンション率は、V1 当時の4倍に急上昇。また、平均セッション時間も10倍に増加しました。ユーザーは単発的な企業検索ではなく、より長く多段階の対話を行うようになっているためです。

次なるステップ：市場規模の拡大

Scout がもたらす価値により、Harmonic は新興市場への展開が可能になりました。独自のスタートアップデータベースを備えた Scout なら、スタートアップに関するあらゆる質問に答えることができます。これにより、投資以外の用途も開拓されています。

イノベーション担当やコーポレート・デベロップメントチーム、人材採用チーム、そしてスタートアップ向け営業（GTM）チームなど、多様な組織が「最新情報をキャッチしたい」というニーズに応えるために Scout を活用しています。Harmonic チームは、依然としてスタートアップに機会を提供するというミッションに対して、以前にも増して情熱を持っています。

*ご自身の独自データレイヤー上で本番環境のエージェントを構築したい方へ：*

*Deep Agents* の概要をご覧ください。または、*ドキュメント* をお読みください。

関連コンテンツ

ケーススタディ

Deep Agents を活用して社全体向け AI エージェント「Kai」を構築した Stripe の事例

Sofia Sulikowski

2026 年 8 月 3 日

10 分

ケーススタディ

Deep Agents 上で AI アシスタントを再構築し、GTM ループ全体を駆動する Apollo の事例

ソフィア・スリコフスキー

2026年7月21日

6 分

ケーススタディ

パートナー

モデルではなくハネスを調整する：Nemotron 3 Ultra の運用プレイブック

N. ホロン、

S. タンゲディパッリ

2026年7月8日

11 分

エージェントが実際に何をしているかを確認する

LangSmith は、エージェントエンジニアリングプラットフォームです。開発者はこれを使って、すべてのエージェントの意思決定をデバッグし、変更の評価を行い、ワンクリックでデプロイできます。