スキルが新 SDK に - DataRobot エリヴン・アガマドザダ

「無限の文脈」は嘘だった：AI エージェントが「コンテキスト・ロト」に陥る理由と、解決策となる「スキル」の登場

最新の大規模言語モデル（LLM）には「無限の文脈窓（コンテキストウィンドウ）」があると信じている開発者が多いですが、それは危険な誤解です。実際には、文脈が増えすぎると性能が急激に低下する「コンテキスト・ロト」という現象が発生しており、すべての情報を一度に読み込む従来のアプローチは限界を迎えています。

この課題を解決し、エンタープライズ AI の新たな標準となるのが「スキル（Skills）」という概念です。スキルは不要な情報を排除し、必要な時だけメタデータを動的にロードする仕組みにより、ユーザー体験を最適化する「フルエンスモード」を実現します。

「無限の文脈」という幻想と「コンテキスト・ロト」の現実

業界では最近のモデルが 100 万トークン、500 万トークン、あるいは「無限」のコンテキスト窓を持つと宣伝されています。この前提は、RAG（検索拡張生成）や MCP（Model Context Protocol）の設計において、「ドキュメントをすべてコンテキストに放り込めば魔法のように機能する」という誤った思考を生んでいます。

しかし、現実には文脈が長くなるほど、モデルが混乱したり、情報がノイズとして作用して性能が低下したりします。これを「コンテキスト・ロト（Context Rot）」と呼びます。

実際、ある研究論文によると、コンテキスト窓の使用率が 25% を超えると、パフォーマンスは低下し始めます。

例えば、100 万トークンの窓を持つモデルでも、25.6 万トークンを超えた時点で性能は劣化します。会話が進み、プロンプトとレスポンスのやり取りが数百回繰り返され、さらに外部ツール（MCP）への呼び出しが中盤で失敗すると、コンテキスト自体が自己を侵食し始めます。

結果として、最新かつ高性能なモデルであっても、最終的には非常に低い性能のモデルと同じように振る舞ってしまうのです。これは、開発者が「Cloud Code」のようなツールを使ってコードを書き換える際にも同様の現象が見られる通り、現実の問題です。

文書（ドキュメント）と AI のミスマッチ

もう一つの大きな課題は、ドキュメンテーションの扱い方です。昨年から今年にかけて、コーディングエージェントから来るドキュメントサイトのトラフィックが 10% から 50% に急増しています。

しかし、ドキュメントは人間のために書かれています。人間なら「理解できないときは Google で検索する」「次の質問を投げかける」といった直感的な行動が取れますが、AI モデルにはその能力がありません。文脈エンジン（Context Engine）を構築しない限り、モデルは人間の直感に頼ったドキュメントの解釈に失敗します。

フリクションからフルエンスへ：エンタープライズ AI のパラダイムシフト

ソフトウェア業界の歴史を振り返ると、競争優位性は「乗り換えコスト（フリクション）」によって築かれてきました。ハードウェア、データ、SaaS 時代の統合機能を掌握している企業が市場を支配し、ユーザーが他社に乗り換えるのを困難にするのが常套手段でした。

しかし現在、コードの書き換えや言語の切り替えは AI によって数日で可能になっています。ツールや API が改善され、スイッチングコストは劇的に低下しています。

この状況下で、「スキル」は全く異なる生態系を構築します。それは「乗り換えにくくする（フリクション）」のではなく、「使い心地が良すぎて乗り換えたくなる（フルエンス）」という攻撃的な戦略です。

フルエンスモードとは、ユーザーの意図から結果に至るまでの摩擦を最小化し、満足度を最大化することです。スキルは、この体験層をコモディティ化する最有力なツールとなります。

エンタープライズ AI の評価基準には、セキュリティやコンプライアンスに加え、「教示性（Teachability）」という新しい項目が加わりました。これは、新規の AI エージェントがプラットフォームに接続された際、いかに短時間で運用知識を習得し、結果を出せるかを問う指標です。

スキルによる「段階的開示」で文脈を最適化する

従来のエージェントアーキテクチャでは、システムプロンプト、外部データ、実行履歴、メモリ、出力スキーマなど、すべての情報を一度に LLM に読み込ませようとします。これは「M 倍 N 倍の複雑さ」を生み、LLM の処理能力を圧迫します。

スキルはこれを解決するために「段階的開示（Progressive Disclosure）」を採用します。必要な時だけ、メタデータのみを動的に LLM にロードする仕組みです。

典型的なエージェントでは、システム指示や MCP サーバーへの接続定義だけでコンテキストの 40% を消費してしまいます。これを「賢いゾーン」と呼びますが、これを超えると「愚かなゾーン（Dumb Zone）」に入り、回答品質が急落します。スキルを使えば、不要なツール定義を初期ロードせず、必要な時にのみメタデータを取得するため、15 個の MCP サーバー接続でも消費トークンを従来の 10 分の 1 に抑えることが可能です。

MCP とスキルの役割分担とセキュリティリスク

MCP とスキルは競合するものではなく、補完関係にあります。しかし、LLM が自律的にスキルを生成したり、市場で流通させたりする際には注意が必要です。

LLM による自動生成や外部からのスキル導入には、プロンプトインジェクションなどのセキュリティリスクが伴います。

標準化された「React のような瞬間」はまだ到来していませんが、スキルという概念は、長期的なプロジェクトや複雑なエンタープライズシステムにおいて、パフォーマンスと信頼性を維持するための重要な指針となります。開発者は基盤となるエージェントエンジンに特化した知識（スキル）を追加するだけで多様なドメインに対応できるようになり、ソフトウェア開発の効率とスケーラビリティが劇的に向上するでしょう。

まとめ

「無限の文脈」への依存は、AI エージェントの性能低下を招く最大の要因です。スキルという概念を通じて、情報を必要な時だけ最適にロードするアプローチへ転換することで、真に信頼性の高いエンタープライズ AI を実現できます。これは単なる技術的な改良ではなく、ユーザー体験そのものを再定義するパラダイムシフトなのです。