コーディングから知識労働エージェントへ—Karan Vaidya氏、Composio

コーディングから知識労働へ：AI エージェントが「盲目」を脱却する 6 つの原則

ソフトウェアエンジニアリング分野で急速に進化した AI エージェントが、なぜサポートや営業などの「知識労働」領域ではまだ信頼性の低いままなのか。その答えはモデルの性能ではなく、背後にあるインフラ構造にあります。

Composio の共同創設者兼 CTO、Karan Vaidya 氏は、コーディング分野で確立された基盤が知識労働には欠落しているため、現在の AI エージェントは情報を断片化された環境で「盲目」に動作していると分析します。信頼性の高い自律化を実現するには、中央集約、履歴管理、文脈理解、自己検証、ガバナンス、そして取り消し可能性という 6 つの原則を構築することが不可欠です。

コーディング分野が特別だった理由：モデル以外に「エージェントに優しいインフラ」があった

3 年前までコーディング AI は単なる自動補完（Auto-complete）でしたが、今ではソフトウェアエンジニアリングは完全に自律化されています。多くの人はこの進化を「モデルの性能向上」のせいだと考えがちですが、Vaidya 氏はそうではないと指摘します。

「モデルが良くなったのは事実ですが、それだけでは不十分でした。成功したのは、コードを取り巻くシステム自体がエージェントのために設計されていたからです。」

コーディングには、エージェントが安全に動作するための強力なインフラが最初から存在していました。

• リポジトリ: 全ての情報が一元化された「唯一の真実（Single Source of Truth）」
• コミット履歴: 過去の変更や失敗を遡れる記録
• CI/CD とテスト: 実行前の自動検証とバグ検出
• レビュー・リンター: コード品質の標準化
• ロールバック機能: 失敗時の取り消し可能性

これらの要素が揃っていたからこそ、エージェントは「盲信」ではなく「信頼」を持って動作できました。しかし、サポート、財務、営業などの知識労働領域では、このような基盤が欠如しています。

知識労働の障壁：情報が散在する環境で「盲目」に動くエージェント

現在の知識労働における AI エージェントは、コーディングのエージェントと同じ性能を期待されていますが、状況は全く異なります。例えば、一つの商談に関する情報は Salesforce（記録）、Notion（ドキュメント）、Gmail（メール）、Slack（会話）、Zendesk（サポート履歴）など、5 つ以上の異なるプラットフォームに散らばっています。

「エージェントが作業を開始する前に、まずこれらの断片化された情報を手動で集め、つなぎ合わせる必要があります。これはコーディングのエージェントが最初から持っていたリポジトリの恩恵とは対照的です。」

各アプリごとにログインが必要であり、情報が一元化されていないため、エージェントは「何があるのか」「なぜその状態なのか」を把握できません。この情報の断片化こそが、知識労働における AI エージェントの失敗や誤動作の根本原因です。

解決策となる 6 つの原則：中央集約と記録層（Record Layer）の構築

Vaidya 氏は、知識労働でもコーディング並みの信頼性を実現するために、以下の 6 つの原則を基盤として構築する必要があると提唱します。その中でも特に重要なのが「中央集約」と「記録層」です。

1. 中央集約（Centralization）：唯一の真実を作る

全てのアプリケーション、接続、ログイン情報を一元化し、エージェントがどこからでも情報にアクセスできる環境を整える必要があります。これにより、エージェントは複雑な情報の統合作業をせずとも、必要なデータを一箇所で得ることができます。

2. 記録層（Record Layer）：記憶と信頼性の確保

コーディングでは Git が自動的に履歴を残しますが、知識労働にはその仕組みがありません。Vaidya 氏は、全てのアクションをログ化する「記録層」の構築を提案します。

• エージェントへの記憶: エージェントは過去の成功・失敗パターンを学習し、毎回ゼロから始めるのではなく、文脈に基づいて行動できるようになります。
• 人間への信頼: エージェントが何をしたか、どこで成功し、どこで失敗したかを人間が追跡・検証できます。これにより、「エージェントが言ったこと」を盲信するのではなく、実際のログを確認して信頼を築くことが可能になります。

文脈の理解とスキルの形成：組織の「作法」を学習させる

単に情報を集めるだけでなく、「文脈（Context）」を理解することも重要です。ここには二つの側面があります。

1. プラットフォームの構造: データがどう流れ、システムがどう連携しているかという全体像（シニアエンジニアが頭の中に持っている地図のようなもの）。
2. スタイルと作法: 「何が正解か」ではなく、「この組織では何が『良い』とされるか」という独自の基準です。例えば、特定の TypeScript デコレータの使用や、社内でのメールの書き方など、マニュアルにはない暗黙知が含まれます。

記録層に十分なデータを蓄積することで、エージェントは組織の動作パターンを学習し、「スキル」を形成します。これは「ツールがどう動くか」「会社がどう動くか」「個人の好みはどういうものか」という 3 つのレベルで機能し、エージェントが推測ではなく、確実な文脈に基づいて行動することを可能にします。

自己検証とサンドボックス：失敗を未然に防ぐ仕組み

コーディングでは、コードを書いた瞬間にテストやリンターが自動的にチェックしますが、知識労働にはこの「自己検証」の仕組みがありません。Vaidya 氏は自身の経験として、AI エージェントが不適切なメールを大量送信してしまい、社会的な批判を浴びた事例を紹介しています。

「その時、メール自体は有効で、宛先も実在していました。しかし、『本当に送るべきだったのか』という本質的な問いに答えるチェックがありませんでした。」

このギャップを埋めるために、以下の 2 つの対策が必要です。

• 事前スタイルチェック: エージェントが送信前に、過去のメールやドキュメントと照らし合わせ、社内の「良さ」の基準に合致しているかを確認します。
• サンドボックス環境: 本番環境への影響を防ぐため、実際のツールを模した模擬環境（サンドボックス）で実行し、失敗しても実害がない状態で検証できるようにします。これでエージェントは、人間が承認する前に「自分自身でループを閉じ」、安全に動作できるようになります。

ガバナンスと取り消し可能性：制御された自律化

最後に重要なのがガバナンス（Governance）です。これは単なる制限ではなく、エージェントの行動範囲を適切に定義し、信頼性を高めるための仕組みです。

コーディングでは、ブランチごとの権限やマージ承認プロセス、本番環境への直接アクセス禁止など、多層的なゲートが設けられています。知識労働でも同様に、エージェントが行えることとできないことを明確にし、リスクの大きい行動には人間の介入を挟む必要があります。

また、取り消し可能性（Reversibility）も不可欠です。一度実行されたアクションを取り消せる仕組みがなければ、エラーが発生した際に被害は拡大する一方です。これらのガバナンスラインを適切に引くことで、エージェントは安全な範囲で「暴走」せず、人間との協働が可能になります。

まとめ：アルゴリズムではなくインフラへの投資が次世代の鍵

AI エージェントの普及における最大の障壁は、モデルの性能不足ではなく、業務プロセスやデータ構造といったインフラの欠如にあります。企業は次世代の開発戦略において、単なる LLM の導入だけでなく、エージェントが安全に動作するためのガバナンス基盤と統合環境の構築へリソースをシフトする必要があります。

中央集約、記録層、文脈理解、自己検証、ガバナンス、取り消し可能性。この 6 つの原則を確立することで初めて、コーディング分野で成し遂げたような信頼性の高い自律化が、知識労働の領域でも実現されるでしょう。