ランチェーンのGTMエージェント構築方法

![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9b9e7ec0692a2d079af_gtm-agent-diagram-1--6-.png) Vishnu SureshとJess Ouによる寄稿 LangChainにおけるすべてのアウトバウンド（外部営業）は、かつて同じ手順から始まっていました。セールスレップがタブを切り替えながら作業を行います。アカウント情報の確認にはSalesforce、通話履歴の参照にはGong、連絡先情報の取得にはLinkedIn、そして会社概要の確認には企業ウェブサイトを使用します。たった1文を書くためにも15分間のリサーチが必要であり、チームメイトが昨日すでに連絡を取っていたかどうかを簡単に確認する方法はありませんでした。インバウンド（受注）のフォローアップも、新しい連絡先ごとに同じメッセージをApolloに手動で入力するという作業でした。 私たちは、このプロセスをエンドツーエンドで実行するGTM（Go-To-Market）エージェントを開発しました。このエージェントは、新しいSalesforceのリードをトリガーとして検知し、 outreach（営業アプローチ）を行うべきかどうかを判断し、コンテキスト情報（ミーティング履歴を含む）を集約し、レップが承認するためのSlackのドラフト（推論プロセスと出典情報付き）を送信します。私たちはこれを[Deep Agents](https://docs.langchain.com/oss/python/deepagents/overview?ref=blog.langchain.com)上で構築しました。これは、複数のツールと大量のデータを確実にオーケストレーションする必要がある、長時間実行されるマルチステップのプロセスであるためです。 ## 主要な成果 - 2025年12月から2026年3月の期間で、リードから合格見込み商談へのコンバージョン率が250%向上し、同じ期間のパイプライン金額が3倍に増加 - 12月以降、営業担当者は低意図のリードへのフォローアップを97%、高意図のリードへのフォローアップを18%増加させた - 営業担当者は月間40時間ずつ、チーム全体で合計1,320時間の時間を節約 - 営業チームメンバーのデイリーアクティブユーザー（DAU）比率は50%、ウィークリーアクティブユーザー（WAU）比率は86% **チームからの高い評価** GTMエージェントは当初SDR（セールス開発担当者）向けに設計され、その後より広範なGTMチームによって活用されるようになった。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d079f4_data-src-image-bd0d930c-3f79-45ec-a18f-7f61dcee8f4f.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d079fa_data-src-image-8135b29f-2698-4512-b56f-7dc099c75bc9.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a03_data-src-image-4474bd1f-1954-4ea6-81e6-1ff770264f37.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d079fd_data-src-image-c5528a22-ecdd-4d21-a90d-1a4e869bd568.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a00_data-src-image-5729db30-b848-48a9-b3aa-fcc0745c3206.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d079f7_data-src-image-4472e2ac-9cd2-48ec-a53b-cb2d8e84e8fa.png) ## 制約条件と成功基準 コードを書く前に、エージェントが実際に何を行うべきかを定義しました。 私たちの目標は2つありました。リード（見込み客）あたりの営業担当者の調査とドラフト作成に要する時間を削減すること、そしてマーケティング由来のインバウンド（受注）におけるコンバージョン率を向上させることです。アウトバウンド（能動的な営業）の調査とドラフト作成は、システムが安全で監査可能であり、使用することで改善されるという条件が満たされれば自動化するのに十分なほど体系的な作業です。 ## 譲れない要件 - ヒューマン・イン・ザ・ループ（人間による監視）：営業担当者の明示的なレビューと承認がない限り、何も送信されません。タイミングを誤った1通のメールが、数か月にわたる関係構築の成果を台無しにする可能性があります。 - 連絡履歴の知識：エージェントは何らかのドラフトを作成する前に、担当営業担当者やチームメイトがすでに連絡を取っていたかどうかを確認する必要がありました。 ## 中核機能 - 関係性を考慮したパーソナライズ：ドラフトは、アカウントの現在の状態（既存顧客か、温かい見込み客か、冷たい見込み客か）を反映し、すべてのリードを同様に扱うべきではありません。 - 説明可能性：営業担当者は主要な入力内容を確認し、エージェントが特定の角度を選んだ理由を理解できる必要があります。これにより、営業担当者はドラフトを調整し、フィードバックを提供できます。 - 学習ループ：エージェントは営業担当者の編集履歴から時間とともに学習し、プロンプトを手動で更新することなくドラフトが改善されるようにします。 ## 測定 すべての営業担当者のアクション（送信、編集、キャンセル）は [LangSmith](https://www.langchain.com/langsmith-platform?ref=blog.langchain.com) にログとして記録され、基盤となるトレース（追跡情報）に付加されます。これにより、品質の評価、回帰テストの検出、および何が機能しているかの定量化が可能になります。 ## スコープの拡大：アカウントインテリジェンス 単発の下書き作成だけでなく、私たちはエージェントがdealのリスク、拡大の可能性、競合他社の動きといったアカウントレベルのシグナルを能動的に提示することを望んでいました。これにより、営業担当者は毎週どこに注力すべきかを把握できます。 ## 私たちが構築したもの GTMエージェントは2つの役割を果たします。(1)リードの調査とパーソナライズされたメールの下書き作成、(2)ウェブアクティビティ、開発者エコシステム、製品使用状況、マーケティングの接点にわたるアカウントレベルのシグナルを集約し、営業担当者が注力すべき場所を示すことです。この意図データ（intent data）を営業担当者のアカウントに紐付けることで、意味のあるアクティビティを浮き彫りにし、dealのリスクや競合他社の動きにフラグを立て、次に誰に連絡するのが最適かを明確にします。 私たちはエージェントを以下のデータソースに接続しました： ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a06_gtm-agent-diagram-1--5-.png) ## 受信リードの処理 Salesforceに新しいリードが表示されると、エージェントは直ちに作業を開始します。まず初めに、何も送信しない理由がないかを確認します。サポートチケットが提出されたばかりの場合や、チームメイトがその週のはじめにすでに連絡を取っている場合など、自動化されたメールを送信するのは誤りとなります。エージェントは慎重に動作するようにプログラムされています。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a16_Group-1--3-.png) これらのチェックをクリアすると、エージェントはかつて営業担当者が手動で行っていたのと同じ調査を行います。Salesforce のレコード全体を取得し、Gong の会話録音を精読し、見込み客の LinkedIn プロフィールを確認します。社内の履歴が少ない場合は、Exa を使ってウェブを検索し、同社が現在 AI に対してどのような取り組みをしているかを把握します。 メール草案の作成方法は、関係性の状態によって異なります。エージェントは定義されたアウトバウンド [スキル](https://docs.langchain.com/oss/python/deepagents/skills?ref=blog.langchain.com) に従い、草案作成前にロードされるプレイブックを使用します。このスキルは、温かいケースと冷たいケースの両方をカバーするように設計されています。既存顧客には異なる内容が提供され、温かい見込み客にはまた別の内容が、冷たいコンタクトにはさらに異なる内容が提供されます。コールドアウトリーチの場合、エージェントは定義されたプレイブックに従い、簡潔かつ調査に基づいた内容に留めます。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d079f1_data-src-image-07e8ab2a-6b27-4016-a06e-a3cbf2c00915.png) 営業担当者は、送信、編集、またはキャンセルのボタン付きの Slack DM で完成した草案を確認できます。また、エージェントの推論プロセスも見えるため、特定の角度からアプローチした理由が明確になります。送信すると、エージェントはフォローアップメールのセットをキューに入れ、見込み客を任意でそのシークエンスに登録できるようにします。 エージェントの改良を進める中で、シルバーリードに対して48時間以内のSLA（サービスレベルアグリーメント）を導入しました。このルールにより、担当者がドラフトの承認または却下を行わない場合、48時間経過すると自動的に送信されるようになります。これにより、それまで返信なしで放置されていたリードへのフォローアップ率が有意に向上しました。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a2f_lead-processing-engine--3--1--1-.png) ## アカウントインテリジェンス チームの規模拡大に伴い、各担当者が管理するアカウント数は50から100以上へと増加しました。この規模になると、コミュニケーションが途切れたり、拡大の機会を見逃したりしやすい状況になります。 毎週月曜日の朝、エージェントはSalesforceとBigQueryからデータを取得します。その後、外部の世界で資金調達ラウンド、製品発売、新しいAIイニシアチブなどの情報を検索します。レポートは、異なるデータポイントに関心を持つ販売チームと展開エンジニアリングチームの2つの対象者に合わせてカスタマイズしています。 営業担当の場合、エージェントは製品の使用状況、開発者エコシステム、ウェブアクティビティ、採用動向、企業ニュースにわたるシグナルを統合し、拡大の機会を浮き彫りにします。執行部の異動、パッケージインストール数の急増、そして企業がAIエンジニアを積極的に採用しているか、あるいはエージェントシステムを構築中かどうかといったシグナルを特定します。これらは企業が拡大の準備ができていることを示す強力な指標です。また、新機能のローンチ時に、直近のアクティビティが新機能とよく一致するアカウントを特定し、潜在的な適合性を示します。さらに、アカウントがアクティブであることだけでは不十分であるため、最も関与度の高い個人を浮き彫りにし、次に誰に連絡すべきかの提案も行います。 デプロイされたエンジニアの場合の焦点はアカウントヘルス（状態）に移ります。エージェントはBigQueryから製品使用データを取得し、最近の顧客コールからのハイライト、今後の更新日、顧客がクレジットを使い果たす寸前であるケースを強調表示します。また、最近のコールからの未解決の質問やスレッドも浮き彫りにします。この目標は、実際に人間の介入が必要な事項を特定し、チームが日曜日の夜にダッシュボードを掘り下げる作業に時間を費やさないようにすることです。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a2c_account-intelligence-engine--1--1--1-.png) ## 構築方法 このエージェントは複数のソースからデータを取得し、それらに対して推論を行い、パーソナライズされた出力を生成する必要がありました。これは、単なるLLM（大規模言語モデル）の呼び出しでは確実に処理できる範囲を超えています。 マルチステップのオーケストレーションには Deep Agents を選択しました。その理由は、入力データが本質的に偏りがあるためです。ミーティングのデータ、CRM の履歴、Web 調査は、サイズや構造が大きく異なります。Deep Agents を使用することで、大きなツールの結果が自動的に仮想ファイルシステムにオフロードされるため、独自の切り捨ておよび検索レイヤーを構築する必要がありませんでした。また、ハarness のネイティブな計画ツールを使用して、一貫したチェックリスト（送信不可チェック → 調査 → 下書き作成 → 根拠の提示 → フォローアップ）を適用しました。これにより、実行のデバッグが容易になり、エージェントの逸脱（wandering）を減らすことができました。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a0c_deep-agents-diagram-1--2-.png) エージェントを [LangSmith](https://www.langchain.com/langsmith/observability?ref=blog.langchain.com) に接続し、営業担当者が実際にどのように使用しているかを把握し、エージェントが時間とともに改善されているかどうかを測定できるようにしました。つまり、後から追加するのではなく、初期段階から評価（evaluations）を設定する必要がありましたが、これはプロンプトの反復やモデルバージョンの交換時に回帰（regressions）を検出するために極めて重要でした。 ## エージェントパターン GTM エージェントを本番環境に移行する際、解決すべき2つの問題が浮上しました。それは、エージェントが利用者から学習する方法と、大規模な運用において実行を効率的に維持する方法です。 ## メモリ 営業担当者が Slack 上でドラフトを編集すると、システムは元の文書と改訂版を比較します。変更が実質的なものである場合、LLM（大規模言語モデル）は差分を分析し、構造化されたスタイルの観察結果を抽出します。具体的には、「何が変わったか」「それが担当者の好意について何を意味するか」、そして任意の引用例です。これらの観察結果は PostgreSQL に保存され、担当者ごとにキーが設定されます。その後、ドラフト作成のたびに過去のすべての実行結果からこれらを読み取ります。 各営業担当者は、トーンや簡潔さに関する独自のスタイル上の好みを持っています。フィードバックループは自動化されています。編集のたびにエージェントが学習し、次のドラフトにそれが反映されます。週次 cron ジョブにより、これらのメモリが圧縮され、時間が経つにつれて肥大化するのを防いでいます。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a09_memory-loop-diagram--6--1--1-.png) ## サブエージェントへの委任 アカウントインテリジェンスは、コンパイルされたサブエージェントを通じて実行されます。これらは限られたツールセットと構造化された出力スキーマを持つ軽量なエージェントであり、メインのエージェントとの契約として機能します。営業調査用サブエージェントは Apollo、Exa、BigQuery にアクセスでき、構造化された見込み顧客および市場のコンテキストを返します。デプロイ済みエンジニア用サブエージェントは Salesforce、Gong、サポートツールを使用し、使用状況のトレンド、オープンなチケット、および拡大のシグナルを返します。 親エージェントはアカウントごとに1つのサブエージェントを生成し、ツールを分離して出力を予測可能に保ちます。サブエージェントは独立して実行されるため、並列実行が可能です。[LangSmith デプロイメント](https://www.langchain.com/langsmith/deployment?ref=blog.langchain.com) が水平スケーリングと耐久性のある実行を処理するため、ボリュームが増大してもシステムは信頼性を維持します。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a1c_account-intelligence-diagram--1--1--1-.png) ## 評価とフィードバック 新しいワークフローの生産コードを書く前に、[LangSmith](https://smith.langchain.com/?ref=blog.langchain.com) において成功の基準を定義します。私たちは、営業担当者が実際に直面する状況に基づいた代表的なシナリオの小さなライブラリから始め、それらを使用して初期エージェントや機能を作成し、基本機能が動作することを確認してから拡張を行いました。 機能が実装された後、LangSmith での評価セットを拡大し、より困難なケースをカバーしました。これには、エージェント型 AI や自然言語処理（NLP）に精通した研究者、再エンゲージメントを試みる既存顧客、以前の Gong 会話録があるアカウント、医療業界のように専門用語が豊富な垂直市場などが含まれます。すべてのケースは外部 API をモックするテストハーネスを通じて実行され、実際のデータに触れる前に制御された環境で動作を観察できます。 評価は2つのレベルで行います。まず、ルールベースのチェックで基本事項を確認します：適切なツールが使用されているか、順序が正しいか、重複したドラフトがないかです。次に、[LLM ジャッジ](https://www.langchain.com/articles/llm-as-a-judge?ref=blog.langchain.com)を用いて、トーン、文字数、フォーマットをスコアリングします。これらはCI（継続的インテグレーション）内の完全な評価スイートの一部として実行され、エージェントの挙動に説明できない変化が生じた場合は調査対象のバグとして扱います。 しかし、評価結果は物語の一部しか語ってくれません。実際に重要なのは、営業担当者がドラフトを日常でどのように使用するかです。すべてのSlackアクション（送信、編集、キャンセル）を追跡し、LangSmithのトレースに直接関連付けます。これにより、時間とともにライティングパターンと実際の成果（どのスタイルがオープン率を高め、どの件名が返信を得るか）を相関させることができます。十分な数の営業担当者にわたって一貫して効果的なパターンが見られた場合、それをエージェントのデフォルト動作として定義します。 LangSmithの評価スイートと営業担当者のフィードバックループは互いに補完し合います。一方は回帰テスト（既存機能の再確認）で問題を捕捉し、他方は改善を牽引します。 ## 営業チームを超えた採用 GTMエージェントは、バックグラウンドプロセスとして動作する[アンビエントエージェント](https://blog.langchain.com/introducing-ambient-agents/)として始まりました。Salesforceにリードが表示されると、エージェントが実行され、ドラフトが営業担当者のSlackに届きます。トリガーも手動作業も不要です。 その後、SDR（営業担当）がエージェントと直接やり取りできる手段を提供することを主な目的として、会話型の Slack インターフェースをサイドプロジェクトとして構築しました。私たちが予想していなかったのは、それが社内の他の部門へどれほど急速に広がったかです。エージェントはすでに Salesforce、Gong、BigQuery、Gmail に接続されていたため、人々は私々が設計していなかった用途を見出しました。エンジニアは SQL を記述することなく製品利用状況を確認し、カスタマーサクセス担当者は契約更新の電話前にサポート履歴を参照しました。アカウントエグゼクティブは会議の前に Gong の会話録音の要約を作成しました。 これらのワークフローを意図的に構築したわけではありません。エージェントにはアクセス権があり、人々は最も抵抗の少ない道（＝手間のかからない方法）を見つけました。ボットと話す方が、6 つもの異なるタブを開くよりも簡単だったのです。 他のチームが GTM エージェントをどのように活用しているかについては、追って別の記事で解説します。 ## 学んだ教訓 ゼロから始めようとする人に伝えたい、いくつかの重要なポイントがあります： - コードを書く前に、成功の定義から始めます。新しいワークフローのための本番環境コードを作成する前に、どのような状態が「良い」のかを定義し、それに基づいた小さなシナリオライブラリを構築します。このセットはエージェントが成熟するにつれて拡大していきます。何かがリリースされる頃には、回帰テストをキャッチし、ドリフト（性能の低下や偏り）を検出し、CI 内で自動的に実行される評価テストスイートが用意されています。 - ヒューマン・イン・ザ・ループは安全性を超えたものです。それはデータ収集のメカニズムであることがわかりました。すべての営業担当者のアクション（送信、編集、キャンセル）は、私たちが学習できるシグナルとなりました。営業担当者が業務フローの中にいるからこそ、メモリシステムとフィードバックループが機能しています。 - 最初から記録系システム（systems of record）にエージェントを接続します。社全体での有機的な普及は、エージェントが人々がすでに必要としていたデータにアクセス可能だったためです。エンジニアやカスタマーサクセスチームがそれを使用する計画はありませんでしたが、アクセス権限がすでに存在していたため、その利用は広がっていきました。 - 長時間実行されるワークフローには適切なインフラストラクチャが必要です。このエージェントは、ツールを一つ二つ持つ単純な LLM（大規模言語モデル）呼び出し以上のものを必要としました。複数のソースからデータを取得し、それら間で推論を行い、サブエージェントを並列で実行し、会話間を通じて状態を維持する必要がありました。そのようなオーケストレーションのために構築されたエージェントハーネス「Deep Agents」を採用したことで、ゼロからインフラストラクチャを再構築する手間を省くことができました。 - 私たちはまだ初期段階にあります。GTM エージェントは現在、実際のワークフローを処理していますが、私たちが構築したフィードバックループ――メモリ、評価（evals）、トレースに紐づく営業担当者のアクションなどを含むもの――が、今後 6 か月でそれを意味のあるものへと改善していく鍵となります。 ## Slack においてもアクティブなメンバーです！ ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cba9bbe7ec0692a2d07a19_data-src-image-0c420a8f-051d-4256-98ad-7a751c9f063c.png) ## 関連コンテンツ ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cbaa2fcd1956c2e4fa1ff2_Evaluating-Deep-Agents.png) ディープエージェント（Deep Agents） エージェントアーキテクチャ（Agent Architecture） チュートリアルとハウツー ## ディープエージェントの評価：私たちの学び LangChain チーム 2025 年 12 月 3 日 7 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cbaa490b26292282bdb573_Rebuilding-Chat-LangChain.png) 会社のお知らせ チュートリアルとハウツー ## LangChain のチャットボットを再構築した理由、そして得られた教訓 LangChain チーム 2025 年 11 月 5 日 13 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cbaa69431a71bcb2864063_Agent-Auth.png) ディープエージェント（Deep Agents） チュートリアルとハウツー ## 認証と認可によるエージェントのセキュリティ強化 LangChain チーム 2025年10月13日 6分 ## エージェントの実際の動作を確認する LangSmith（エージェントエンジニアリングプラットフォーム）は、開発者がすべてのエージェントの意思決定をデバッグし、評価の変更を確認し、ワンクリックでデプロイできるように支援します。

ランチェーンのGTMエージェント構築方法

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト