フロンティア CX エージェント構築 | LangChain

Cisco が挑む「AI ネイティブ」の壁：チャットボットから自律型チームメイトへ、そして失敗を加速させないための設計思想

Cisco の顧客体験部門は、単なる効率化ツールとしてのチャットボットを超え、複雑なビジネスワークフローを自律的に実行・計画できる「AI ネイティブなチームメイト」へと進化を遂げました。この転換の背景には、既存の破綻した業務プロセスに AI を後付けするだけでは失敗が加速するという深刻な教訓があります。本記事では、LangChain や LangGraph を活用し、文脈の曖昧さを解消し自己修正機能を持つ堅牢なシステムを構築した Cisco の実践と、その成功の鍵となる設計思想を解説します。

既存ワークフローへの AI 後付けは「失敗の加速」になる

Cisco は年間 560 億ドル規模のビジネスを展開しており、その半分以上が再契約（リニュー）収益です。この巨大な組織において、AI 導入の初期段階では多くの企業が「チャットボット」から始めます。しかし、Cisco の経験則は明確です。

「既存のワークフローに AI を後付け（ボルトオン）するだけでは、むしろ失敗が加速します。」

多くの企業は、効率化やコスト削減を目的として、AI を古い業務プロセスの上に載せようとします。しかし、もしそのベースとなるプロセス自体が欠陥を抱えていれば、AI はその欠陥をより高速に実行し、顧客を怒らせるスピードを劇的に上げてしまうことになります。

そのため Cisco が目指したのは、AI を既存のワークフローに埋め込むことではなく、ビジネスロジックそのものを再設計する「AI ネイティブなワークフロー」への転換です。これは単なるパフォーマンス指標の追求ではなく、ROI（投資対効果）を駆動する本質的な価値創造を目指すアプローチでした。

自律的な「チームメイト」としての進化

Cisco の顧客体験チームがたどり着いたのは、「チャットボット」や「Q&A システム」ではなく、業務を委任され結果を出す「チームメイト」という概念です。初期段階では、システムへの信頼を得るためにガイド付きインターフェースを採用し、ユーザーに制限のある質問を促す運用をしていました。

しかし、ユーザーからは「インターフェースの奴隷にはなりたくない」「もっと自由に話したい」という要望が寄せられました。そこでチームは、AI にタスクを委任し、価値を生み出す方法を模索する自律的なパートナーへと進化させます。

この「チームメイト」モデルでは、エージェント単体の能力だけでなく、その背後にあるワークフロー全体に焦点を当てています。エージェントはビジネスを回すための手段であり、最終的には人間の判断が必要なポイントで介入し、信頼性の高い支援体制を確立することが目的です。

LangGraph による「プランナー」と「スーパーバイザー」の二重構造

この自律的なシステムを実現するために Cisco が採用したのが、LangChain のフレームワークであるLangGraphを活用した階層的アーキテクチャです。単一のモデルにすべての判断を任せるのではなく、「プランナー（計画者）」と「スーパーバイザー（管理者）」という 2 つの役割を分離・統合しています。

1. プランナー：文脈の曖昧さを解消する設計者

複雑な質問や分析、推論が必要になる場面では、単にエージェントをルーティングするだけでは不十分です。そこで登場するのが「プランナー」です。

ユーザーからの質問には、社内用語や略語による曖昧さが潜んでいることが多いものです。例えば、Cisco の顧客が「Q1 決算で ATR が上位 10 の顧客を教えて」と尋ねた場合、ATR という略語の意味は文脈によって異なります（ここでは「更新可能」を意味します）。プランナーはこの瞬間に、質問の意図を解析し、まず略語の曖昧さを解消するステップを動的に計画します。

「モデルが賢くなればなるほど、推論能力や創造性が高まります。その結果、ビジネス要件から外れた回答を出すリスクも生まれます。」

プランナーは、このリスクを防ぐために、質問をサブタスク（小さな作業）に分解し、どのエージェントが何を行うべきかを事前に設計します。

2. スーパーバイザー：実行の監視と再計画

プランナーによって作成された計画を実行する際、その進捗を監視し、必要に応じて修正を加えるのが「スーパーバイザー」の役割です。LangGraph のグラフ構造を用いることで、システムは以下のような動的な挙動が可能になります。

• 正常時: ステージ 1（更新確認）→ ステージ 2（感情分析）と順次進行し、結果を要約して次のサブグラフへ移行する。
• 異常時: 計画が破綻した場合や、予期せぬエラーが発生した場合は、即座に「再計画」を実行します。スーパーバイザーはプランナーに対して「予定通りにはいきませんでした。もう一度計画し直してください」と指示を出し、グラフを拡張・修正させます。

この構造により、システムは事前にすべてのルールをコード化するのではなく、状況に応じて柔軟に対応する自己修正機能を備えています。

実用化への教訓：モデル性能より「品質基盤」と「軽量化」

本番環境で数百万ものトラフィックを捌く中で、Cisco はいくつかの重要な教訓を得ました。それは、最新の高性能な LLM をそのままスーパーバイザーに使うことが正解ではないという点です。

「スーパーバイザーは賢くあるべきだと考えがちですが、最良のモデルを使うと数万行ものコードになり、管理不能になります。」

そのため、Cisco はスーパーバイザーを可能な限り軽量に保つ設計を採用しました。複雑な推論やコード生成ではなく、メタデータやポリシーに基づく「ルーティング」に集中し、その判断には LangGraph のルーティング機能を活用しています。

また、AI と予測モデルの相性についても言及されています。LLM は直感的ですが、統計的なリスク予測には従来の機械学習（ML）モデルの方が優れている場合があります。Cisco では、高レベルな予測には ML モデルを、詳細な分析には LLM を使い分け、両者の組み合わせで 95% の精度を実現しています。

まとめ：信頼できる AI 支援体制の確立が鍵

Cisco の事例は、生成 AI が単なるチャットツールから、複雑なエンタープライズ業務を自律的に処理するインフラへと進化するための具体的な指針を示しています。成功の鍵は「モデルの性能」そのものではなく、「ワークフローの再設計」と「信頼性の高いオーケストレーション（調整）」にあります。

AI を導入する際、既存の悪いプロセスに AI を乗せるのではなく、AI が自律的に計画・実行・修正できる「ネイティブな構造」へと再構築することが、真の意味での ROI 達成と顧客体験の向上につながります。人間が最終判断を下すための信頼できるパートナーとして AI を位置づけることが、これからの企業に必要なマインドセットです。