デルのエージェント型AI戦略：900件の候補から本番運用の13施策へ

デルが「The Six Five Summit: AI Unleashed 2026」で示したメッセージは明快だ。企業向けAIは、情報を検索・要約・生成する段階から、実際の業務を動かす段階へ移りつつあるという。1

同社は、約900件あったAIプロジェクトの候補を、明確な事業価値を持つ13件の重点施策に絞り込んだと説明した。初期の生産性向上については、約20～40％という数字も示している。1

ただし、これらはデルが自社の経験として示した主張であり、すべての企業に当てはまる業界標準の測定値ではない。それでも、AIを実験から本番運用へ移す際に何が変わるのかを考えるうえで、ひとつの具体的な視点を提供している。

エージェント型AIは「答える」のではなく「仕事を進める」

第1世代の生成AIは、社内データから情報を探し出したり、文書を要約したり、コンテンツを作成したりするチャットボットやアシスタントが中心だった。

一方、エージェント型AIは、業務プロセスそのもののデジタル化を目指す。タスクを推論し、外部ツールを呼び出し、複数の手順を調整し、人間の直接的な関与を抑えながら仕事を完了させる仕組みだ。1

この違いは、AIモデルだけの問題ではない。デルによれば、本番環境でエージェント型AIを動かすには、技術スタック、インフラ、ガバナンス、組織設計まで見直す必要がある。狙いは、人員の余力と企業が処理できる仕事量の結び付きを弱めることにある。1

デルが本番運用する3つの業務

デルは、約2年にわたってエージェントを開発し、直近の1年間で本番環境への移行を進めてきたと説明した。具体例として挙げたのは次の3分野だ。1

• CRMデータの整理： 顧客レコードにまたがる反復的なデータ品質管理を処理する
• ソフトウェア開発： 定型的なコーディングやアノテーション、CI/CDの一部の調整を支援する
• 特別価格設定： 迅速な処理とルールの一貫した適用が求められる業務を支援する

これは、企業全体が完全自律化するという話よりも、対象を絞った業務自動化に近い。重要なのは、既存のアプリケーションにAIモデルを組み込むだけではなく、入力、利用可能なツール、権限、完了条件を定義したワークフローとして設計することだ。

900件を13施策に絞った理由

デルは、候補となる約900件のAIプロジェクトを、明確な事業価値を持つ約13件の重点施策に絞り、経営層主導で優先順位を管理していると述べた。1

この判断から得られる実務的な教訓は、実験の数が多いことと、企業の競争力が高まることは同義ではないという点だ。期待する成果を測定できる業務に資源を集中し、その業務を安定運用するための統制とインフラを整えることが、企業向けAIには求められる。

デルは、対象を絞ったアシスタントの導入によって、初期段階で約20～40％の生産性向上が得られたと説明した。また、エージェントが業務カテゴリー全体を引き受けるようになれば、効果はさらに大きくなる可能性があるとした。さらに、この重点施策が、売上成長とコスト構造の連動を弱めることに寄与したとも主張している。1

ただし、これらはデルが報告した成果であり、導入条件の異なる企業が同じ数字を再現できることを意味しない。

「エージェント・ウォッシング」に注意

デルのジョン・ローズ氏は、あらゆるAI機能を自律型エージェントと呼ぶ風潮に警鐘を鳴らした。チャットボット、限定的なアシスタント、自律的に実行できるシステムを同じものとして扱うことを、デルは「エージェント・ウォッシング」と表現している。1

整理すると、違いは次のようになる。

• チャットボット： 指示に応じて、主に情報やコンテンツを返す
• 対象特化型アシスタント： 人間が近くで関与しながら、範囲を限定した業務を改善する
• 自律型エージェント： 計画を立て、ツールを呼び出し、複数の処理を調整し、人間の直接監督を大幅に減らしてワークフローを実行する1

自律性が高まるほど、失敗の影響も大きくなる。誤った要約なら修正で済む場合があるが、業務システムに接続されたエージェントは、記録の変更、後続処理の起動、機密情報の漏えいにつながる可能性がある。

本番運用ではメモリーとCPUの重要性が増す

Marvell Technologyのマット・マーフィーCEOは、本番環境でのエージェント推論は、従来のAI学習とは異なるインフラ負荷を生むと説明した。エージェントは、モデルを繰り返し呼び出しながら、キー・バリュー・キャッシュを使ってワークフローの状態を保持する必要がある。大規模なコンテキストや長時間にわたる複数エージェントのやり取りでは、演算能力より先にメモリー容量や帯域幅が制約になる可能性があるという。1

また、分岐処理、検索、ツール呼び出し、サンドボックス実行、エージェント間の調整など、オーケストレーションの負荷によってCPUの重要性も高まる。議論では、従来型AIのCPU対GPU比率が約8～16対1だったのに対し、エージェント型ワークロードでは約1～2対1へ移行する可能性が示された。1

企業が導入を評価する際、モデル性能やGPUの台数だけを見てはいけない。メモリー、ネットワーク、CPUによる制御、可観測性、繰り返し推論のコストまで含めて、業務が本番で採算に合うかを判断する必要がある。

すべてを単一モデルで統一しない

デルは、単一モデルや単一の実行場所に依存する「モノカルチャー」にも否定的だ。選択肢として、オンプレミスのオープンモデル、デルがホストする最先端モデル、管理された仮想プライベートクラウド（VPC）、外部API、端末上で動くモデルを組み合わせるアプローチを示した。1

どの構成が適切かは、性能、コンプライアンス、機能、コストによって変わる。

採算性は、処理する業務によっても大きく異なる。経営層向けの意思決定支援エージェントなら、月額で大きな費用をかける合理性があるかもしれない。一方、大量のCRMレコードを整理するエージェントでは、1件あたりのコストを非常に低く抑える必要があり、議論ではおおむね0.50ドル未満という水準が示された。1

したがって、企業が問うべきなのは「最も優れたモデルはどれか」だけではない。必要な成果を、許容できるコストとリスクで実現するモデル、配置場所、自律性の水準はどれか、という問いが重要になる。

自律型エージェントにはデジタルIDが必要

デルは、社内外を問わずデータにアクセスする自律型エージェントすべてに、デルが発行するデジタルIDを付与すべきだと説明した。これにより、細かな権限管理が可能になり、必要な場合にはアクセスを取り消す「停止スイッチ」としても機能する。1

セキュリティ上の難しさは、エージェントが必ずしも利用者のIDを引き継ぐとは限らない点にある。利用者継承型のエージェントは、特定の従業員の認証情報で動作する。一方、「ヘッドレス・エージェント」はより独立して動くため、誰が管理し、どの権限を持ち、いつ停止・更新するのかを把握しにくい。デルは、将来の導入の約70％をヘッドレス・エージェントが占めると予想している。2

デルはこのほか、エージェント間、あるいはエージェントとツールの通信プロトコル、ポスト量子暗号への対応も、本番運用に向けたセキュリティモデルの要素として挙げた。1

エージェントは、目に見えないチャットボットの拡張機能ではない。所有者、権限範囲、監査記録、停止手段を持つソフトウェア上の主体として扱う必要がある。

仕事はなくなるより先に分解される

デルは、6,800件の職務を、生産性向上、データや業務の整理、調整、専門業務、人間との接点を伴う業務などに分解して分析した。その結論は、エージェントが職務全体を一気に消すというより、職務の一部を取り除き、残る仕事の構成を変える可能性が高いというものだ。1

ソフトウェア開発であれば、定型的なコーディング、アノテーション、CI/CDの一部の調整をエージェントが担い、人間はアーキテクチャ、要件定義、判断、顧客とのやり取りにより多くの時間を振り向けることになる。1

これは、職務が従来のまま残るという意味ではない。自動化できるタスクが切り出されることで、専門知識、文脈理解、判断力、人間関係に依存する仕事へと役割が再設計されるということだ。

本番導入を判断する4つの条件

デルの主張を要約すれば、エージェント型AIが本番運用に進めるのは、次の条件を満たした場合だ。

1. 成果を測定できる明確な事業目的がある
2. 対象となるワークフローと権限範囲が定義されている
3. 処理量に見合ったコスト構造がある
4. ID管理、アクセス制御、監査、障害時の復旧・停止手段が整っている

約900件の候補を13件に絞ったデルの戦略は、エージェント型AIが単なる「会話しやすいAI」ではないことを示している。ソフトウェアが仕事を実行する運用モデルへ移行するなら、モデルだけでなく、インフラ、セキュリティ、ガバナンス、そして仕事の設計そのものも変えなければならない。