LinkedIn の AI エージェント戦略：微調整不要で 500 技能を習得

LinkedIn の AI エージェント戦略：微調整不要で 500 以上の技能を習得する「プレイブック」の秘密

大規模企業において、汎用 AI モデルを社内システムに統合する際の最大の壁は「文脈の欠如」でした。LinkedIn はこの課題に対し、モデル自体を微調整（ファインチューニング）するのではなく、外部ツールと実行手順を構造化した「プレイブック」という仕組みを導入することで解決しました。

その結果、AI エージェントは社内独自のフレームワークや 1,300 以上のツールを理解し、8,000 名以上のエンジニアが日常的に活用できるレベルまで進化しています。このアプローチの核心は、外部モデルを「微調整」するのではなく、「文脈」と「手順」で補完する点にあります。

汎用 AI が大企業で失敗する理由：文脈とハルシネーション

LinkedIn のエンジニア Ajay Prakash 氏は、AI エージェントの導入初期に直面した課題をこう説明します。多くの企業が期待するように、GitHub Copilot や Cursor といった汎用モデルは、オープンソースのリポジトリで学習された知識しか持っていません。

「大企業である LinkedIn では、1,000 以上のリポジトリから成る数千のマイクロサービスが存在し、独自のデータベースや実験管理プラットフォーム、厳格な設定管理システムが動いています。汎用 AI はこれらを一切知りません。」

文脈がないまま指示を出すと、AI エージェントは「ハルシネーション（もっともらしい嘘）」を生成したり、途中で立ち止まったりする危険性がありました。最悪の場合、間違ったコードを提案し、エンジニアがそれを修正するために手作業で時間を費やすことになり、結果として「手書きの方が早い」という逆転現象が起きました。

「エンジニアは AI に正しい指示を出すために手間をかけなければならず、結局は手動コーディングに戻るしかありませんでした。」

MCP を活用した「プレイブック」の登場

この問題を解決するために LinkedIn が着目したのは、2025 年に Anthropic から発表されたMCP（Model Context Protocol）です。これは AI エージェントが外部ツールやデータに安全かつ構造的にアクセスするための業界標準プロトコルです。

LinkedIn は MCP を基盤に、単なるツールの接続を超えた「プレイブック」システムを構築しました。従来のアプローチでは、AI にツールへのアクセス権限を与えるだけで、「どのように使うか」という手順（トリビア）は人間が教える必要がありました。しかし、プレイブックでは「ツールへのアクセス権限」と「その実行手順を示す指示」の両方を MCP 経由で提供します。

「AI エージェントは、特定のタスクを実行する際、まず『プレイブック』を呼び出します。そこには、Airflow DAG の設定方法やエラーログの確認手順など、具体的な業務遂行のための知識が詰め込まれています。」

例えば、「LinkedIn 内で Airflow DAG をセットアップするにはどうすればいいか？」と質問すると、AI は該当するプレイブックを読み込み、そこで定義された手順に従って必要なツール（コード検索、ドキュメント参照、Jira 連携など）を順次呼び出します。これにより、AI は「何をするべきか」だけでなく、「社内ではどのように行うべきか」という文脈を理解した上で行動できるようになります。

自己改善サイクル：ナレッジベースの陳腐化を防ぐ仕組み

プレイブック導入の最大の成果は、「自己改善サイクル」の実現にあります。大規模組織において、ドキュメントや Wiki は常に古くなりやすく、これが AI の誤動作の原因となりがちです。

LinkedIn のアプローチでは、AI エージェント自身がタスク完了時に得た知見を基にプレイブックを更新する仕組みを導入しました。

「エージェントはセッションの最後に、自分が学んだ新しい知見や修正点を特定し、それをプレイブックに反映させます。これにより、ナレッジベースが動的に更新され続ける循環構造が生まれました。」

また、プレイブックの設計には以下の 2 つの原則が徹底されています。

1. 自己完結性: 各プレイブックは非常に特定のタスク（例：Airflow の調整）のみを担い、単一目的に特化させる。
2. 階層化と再利用: 大規模な作業は複数の小さなプレイブックに分割し、必要に応じてそれらを組み合わせることで、コンテキストの過負荷を防ぎます。

これにより、AI は一度に大量の情報を処理する必要がなくなり、必要な情報だけを段階的に読み込むことができます。これは「スキル」の概念に近いですが、MCP を介して社内システムとシームレスに連携できる点でより高度です。

結論：微調整不要で実現する信頼性の高い AI エージェント

LinkedIn の事例は、大規模企業における AI エージェント導入の新たな標準を示しています。モデル自体を社内向けに微調整してコストや時間をかけるのではなく、MCP を活用したプレイブックという「文脈レイヤー」を追加することで、汎用モデルの能力を最大限に引き出すことに成功しました。

「このアプローチにより、AI エージェントは 1,300 以上のツールと 600 以上のスクリプトを扱い、8,000 名以上のユーザーが日常的に信頼して利用できるようになりました。」

静的なドキュメントの束ではなく、AI の実行フィードバックを通じて常に更新され続けるナレッジベース。この「自己改善サイクル」こそが、組織の AI エージェントを真に使いこなすための鍵となるでしょう。