本ブログはグローバルで公開された「The agentic AI development lifecycle」の抄訳版です。
台本通りのデモでは見栄えの良いPoC（概念実証）段階のAIエージェントですが、その多くは決して本番環境（プロダクション）に到達することはありません。Gartner社の予測によれば、コストの肥大化やビジネス価値の不明確さ、あるいは不十分なリスクコントロールを理由に、2027年末までに40%以上のエージェント型AIプロジェクトが中止されると言われています。
この失敗のパターンは予測可能なものです。人材や予算、ベンダーの選択が原因となることはほとんどなく、問題の核心は「規律（ディシプリン）」にあると言えるでしょう。サンドボックス環境で適切に動作するエージェントを構築するのは簡単です。しかし、複雑なエンタープライズシステム内において、実際のワークロードや厳しい規制のプレッシャーに耐えうるものを構築するのは、決して容易ではありません。
経営陣が認めるかどうかにかかわらず、リスクはすでに存在しています。今日、ガバナンスの効いていないエージェントが本番環境で稼働しているのが現実なのです。たとえば、マーケティングチームはAIラッパーを展開し、営業チームはSlackボットを導入しており、オペレーション部門はSaaSツール内に軽量なエージェントを組み込んでいることでしょう。可視性が共有されず、明確な所有者も、強制力のあるコントロールもないまま、意思決定が行われ、アクションがトリガーされ、機密データにアクセスされている状態です。
エージェント型AI開発ライフサイクルは、このようなカオスに終止符を打つために存在します。すべてのエージェントを、ガバナンスとオブザーバビリティ（可観測性）が確保されたフレームワークに統合し、単なる「賢い実験」ではなく、「労働力の拡張」として扱うことが可能になります。
本記事の重要ポイント
- エージェント型AIの取り組みの多くが停滞する原因は、デモから展開（デプロイ）へ移行するために必要なライフサイクルのプロセスをスキップしてしまうことにあります。 境界を強制し、アーキテクチャを標準化し、動作を検証し、統合を強固にする明確な道筋がなければ、PoCが都合よく隠していた弱点が、規模の拡大（スケール）とともに露呈することになるのです。
- ガバナンスの効いていない不可視なエージェントは、現在、企業にとって最も深刻なリスクの一つとなっています。 エージェントが一元化されたディスカバリー、オブザーバビリティ（可観測性）、ガバナンスの枠外で動作すると、組織は意思決定を追跡し、動作を監査し、安全に介入して障害を迅速に修正する能力を失ってしまいます。
- 本番環境レベル（プロダクション・グレード）のエージェントには、変化に対応できるアーキテクチャが求められます。 モジュール化された推論および計画レイヤーを、オープンスタンダードやMCP（Model Context Protocol）、A2Aのような新たな相互運用性プロトコルと組み合わせることで、相互運用性と拡張性がサポートされ、長期的にはベンダーロックインからの解放が実現可能になります。
- エージェント型AIシステムのテストには、従来のアプローチをリセットする必要があります。 機能テストだけでは意味がありません。行動の妥当性確認、大規模なストレステスト、マルチエージェントの連携チェック、そしてリグレッションテストを実施してこそ、エージェントが明示的に訓練されたことのない環境においても信頼性を獲得できるようになるのです。
AI開発ライフサイクルの各フェーズ
従来のソフトウェア開発ライフサイクルは決定論的なシステムを前提としていますが、エージェント型AIはその前提を覆すものです。これらのシステムは自らアクションを起こし、コンテキストに適応し、複数ドメインにまたがって調整を行うため、最初から信頼性を組み込み、それを継続的に強化していかなければなりません。
このライフサイクルは、設計の段階から統合されています。開発者（ビルダー）、運用者（オペレーター）、管理者（ガバナー）を別々のフェーズや担当領域として分断することはありません。開発、展開、ガバナンスが一体となって進むのは、これらの分離こそが、脆弱なエージェントを本番環境に紛れ込ませる原因となるからです。
すべてのフェーズは、早期にリスクを吸収するために存在します。いずれか一つでもスキップしたり急いで済ませたりすると、後になって手戻りやシステム停止、コンプライアンス違反、統合の失敗という形で、大きなコストが跳ね返ってくることになります。
フェーズ1：課題と要件の定義
効果的なエージェント開発は、データ分析とステークホルダーからのインプットを通じて、人間が明確な目的を定義することから始まります。同時に、以下のような明確な境界線を設けることも不可欠です。
- どの意思決定を自律的に行うか？
- 人間の監視や介入はどこで行うべきか？
- 許容可能なリスクはどれか？
- 失敗（エラー）をどのように封じ込めるか？
KPIは、見栄えだけの指標ではなく、測定可能なビジネス成果と紐づいている必要があります。エージェントの「精度」だけでなく、コスト削減、プロセスの効率化、顧客満足度などを考慮してください。ビジネスへのインパクトを伴わない精度は、単なるノイズに過ぎません。たとえエージェントがリクエストを正しく分類できたとしても、ルーティングを間違えたり、エスカレーションが遅れたり、誤った後続アクションをトリガーしたりすれば、ビジネスとしては失敗と言えるでしょう。
明確な要件は、大規模展開時にエージェントの行動を制御するガバナンスロジックを確立し、多くのプロジェクトが本番環境に到達する前に頓挫する原因となる「スコープの肥大化」を防ぐ役割を果たします。
フェーズ2：データの収集と準備
エージェント型AIにおいて、データの規律が欠如していることは、他のどのコンテキストよりも大きなコストを伴います。なぜなら、これらは実際のビジネスプロセスや顧客体験に直接影響を与える意思決定を下すシステムだからです。
AIエージェントは、マルチモーダルかつリアルタイムなデータを必要とします。構造化されたレコードだけでは不十分です。エージェントは、以下の要素を理解するために、構造化データベース、非構造化ドキュメント、リアルタイムフィード、そして他のシステムからのコンテキスト情報にアクセスできなければなりません。
- 何が起きたか
- いつ起きたか
- なぜそれが重要なのか
- 他のビジネスイベントとどう関連しているのか
多様なデータに触れることで、エージェントの行動カバレッジは広がります。さまざまなシナリオにわたってトレーニングされたエージェントは、本番環境に移行する前にエッジケースに遭遇するため、動的な条件下でもより適応力が高く、信頼性の高いものとなります。
フェーズ3：アーキテクチャとモデルの設計
開発初日のアーキテクチャの選択が、エージェントがスムーズにスケールできるか、あるいは自らの複雑さに押しつぶされて崩壊するかを決定づけます。
推論、計画、アクションの各レイヤーを備えた「モジュール型アーキテクチャ」は妥協できない必須要件です。全体を再構築することなく、エージェントを進化させられるようにする必要があります。オープンスタンダードや、MCP、A2Aなどの新しい相互運用性プロトコルは、モジュール性を強化し、相互運用性を向上させ、統合時の摩擦を軽減するものであり、企業が選択肢を維持しながらベンダーロックインを回避するのを強力にサポートします。
APIファーストの設計も同様に重要です。エージェントは、制限された独自のインターフェースに閉じ込められるのではなく、プログラムによってオーケストレーションされる必要があります。APIを通じてエージェントを制御できなければ、大規模なガバナンスを効かせることは不可能です。
イベント駆動型のアーキテクチャが、このループを完結させます。エージェントは、システムをポーリングしたり手動のトリガーを待ったりするのではなく、ビジネスイベントにリアルタイムで対応すべきです。これにより、誰も責任を持たないような副次的なワークフローに逸脱することなく、エージェントの行動を実際のオペレーションと常に同期させることが可能になります。
そして、ガバナンスはアーキテクチャの中に組み込まれていなければなりません。オブザーバビリティ、ロギング、説明可能性、および監視機能は、最初からコントロールプレーン内に存在すべきものです。標準化されたオープンなアーキテクチャこそが、エージェント型AIを長期的な技術的負債に陥らせず、企業の資産として維持するためのカギとなるのです。
ここで下されたアーキテクチャの決定は、フェーズ5で「何をテストできるか」、フェーズ7で「何をガバナンスできるか」を直接的に決定づけることになります。
フェーズ4：トレーニングと検証
「機能的に完成した」エージェントは、「本番稼働の準備が整った」エージェントと同義ではありません。多くのチームは、エージェントが制御された環境下で1回、あるいは100回正常に動作するという段階までは到達します。しかし真の課題は、予測不可能な条件下や持続的な負荷がかかる状況において、100倍の規模でも信頼性を維持できるかどうかにあります。このギャップこそが多くのプロジェクトが立ち往生する原因であり、本番環境という壁を乗り越えられるPoCがごくわずかである理由なのです。
強化学習や転移学習を用いた反復的なトレーニングは有効ですが、意思決定の品質やビジネスへの影響を検証するためには、シミュレーション環境や人間（ヒューマンインザループ）によるフィードバックループが不可欠です。精度をテストするだけでなく、プレッシャーのかかる実環境下において、エージェントが的確なビジネス判断を下せるかどうかを確認することが求められます。
フェーズ5：テストと品質保証（QA）
エージェント型AIシステムのテストは、従来のQAとは根本的に異なります。静的な動作をテストするのではなく、意思決定のプロセス、マルチエージェント間の連携、そしてコンテキストに依存する境界線をテストする必要があるのです。
本番環境での稼働準備が整っているかを判断するには、以下の3つのテスト規律が重要になります。
- 行動テストスイート： 代表的なタスクにわたって、パフォーマンスのベースラインを確立します。
- ストレステスト： 本番環境に移行する前に、数千のシナリオを同時並行で実行し、エージェントに負荷をかけます。
- リグレッションテスト： 新機能の追加によって、既存の機能が密かに劣化していないことを保証します。
従来のソフトウェアは「動くか、動かないか」の二択でした。しかしエージェントは、さまざまな度合いの確信度と精度を持って意思決定を下す、いわば「グレーゾーン」で動作するものです。テストフレームワークは、この特性を考慮しなければなりません。タスクの完了度と同等に、意思決定の信頼性、エスカレーションの適切さ、連携の正確さといった指標が極めて重要となります。
マルチエージェントの相互作用は、さらに綿密な精査を必要とします。なぜなら、不完全な引き継ぎ、リソースの競合、情報漏洩などが起きれば、ワークフローは瞬く間に破綻してしまうからです。
たとえば、営業エージェントから受注処理エージェントへ業務を引き継ぐ際、重要な情報も一緒に伝達されているでしょうか？ それとも、途中で情報が欠落してしまったり、最悪の場合は外部に公開されてしまったりしていないでしょうか？
テストは継続的であり、かつ現実世界のユースケースに沿ったものであるべきです。評価パイプラインは、オブザーバビリティとガバナンスの仕組みに直接フィードバックされなければなりません。これにより、障害が即座に表面化し、適切なチームに通知され、ビジネスに深刻な影響が及ぶ前に修正アクションをトリガーすることが可能になります。
本番環境では、どんなテストスイートでも予測できなかったシナリオが必ず発生するものです。予期せぬ事態を検知して適切に対応し、必要に応じて人間のチームへエスカレーションできるシステムを構築してください。
フェーズ6：デプロイと統合
デプロイフェーズは、それまでのアーキテクチャの決定が功を奏するか、あるいは適切に解決されていなかった問題が露呈する場となります。エージェントは、ハイブリッド環境やオンプレミス環境にまたがって動作し、レガシーシステムと統合し、予期せぬコスト増やパフォーマンスの低下を招くことなくスケールできなければなりません。
このフェーズでは、CI/CDパイプライン、ロールバックの手順、およびパフォーマンスのベースラインが不可欠です。エージェントのコンピュートパターンは、従来のアプリケーションよりも要件が厳しく、予測も困難です。そのため、リソースの割り当て、コスト管理、キャパシティプランニングは、エージェントが大規模に自律的な意思決定を行うことを想定して設計する必要があります。
パフォーマンスのベースラインを定めることで、自社のエージェントにとっての「正常な状態」が明確になります。やがてパフォーマンスの低下が発生した際（それは必ず起こります）、それを迅速に検知し、問題の原因がデータにあるのか、モデルにあるのか、あるいはインフラにあるのかを特定できるようになります。
フェーズ7：ライフサイクル管理とガバナンス
不都合な真実として、すでに多くの企業でガバナンスの効いていないエージェントが本番環境で稼働しています。ラッパー、ボット、組み込みツールなどが、一元的な可視化の枠外で動作しているのです。従来の監視ツールではこれらの多くを検知することすらできず、それがコンプライアンスリスク、信頼性のリスク、そしてセキュリティの死角を生み出しています。
継続的なディスカバリーとインベントリ機能により、承認されているかどうかにかかわらず、展開されているすべてのエージェントを特定できるようになります。また、リアルタイムのドリフト検知により、エージェントが意図されたスコープを逸脱した瞬間にそれを捉えることが可能です。
さらに異常検知は、パフォーマンスの問題やセキュリティの脆弱性を、本格的なインシデントに発展する前に表面化させる重要な役割を担います。
開発者、運用者、管理者の統合
ほとんどのプラットフォームは責任を断片化しています。開発はあるツールで行われ、運用は別のツールで、ガバナンスはさらに別のツールで行われているのが実情です。このような断片化は死角を生み、責任の所在を曖昧にし、チーム間で「誰のダッシュボードが正しいのか」という不毛な議論を引き起こします。
エージェント型AIが真価を発揮するのは、開発者、運用者、管理者が同じコンテキスト、同じテレメトリ、同じコントロール、そして同じインベントリを共有している場合のみです。これらを統合することで、障害が潜んだりプロジェクトが頓挫したりするギャップを排除することが可能になります。
具体的には、以下の環境を整える必要があります。
- 開発者： エージェントが実際にどう稼働するかと切り離された環境ではなく、CI/CDが完全に統合された本番レベルのサンドボックスを利用できる。
- 運用者： エージェント群全体の動きを正確に反映する、動的なオーケストレーションと監視機能を利用できる。
- 管理者： 後付けではなく同じシステム内に組み込まれた、エンドツーエンドのデータリネージ、監査証跡、コンプライアンスコントロールを利用できる。
これらの役割が共有された基盤の上で機能するようになれば、障害はより早く発見され、責任の所在は明確になり、大規模な展開も確実に管理できるようになるのです。
適切なガバナンス、セキュリティ、コンプライアンスの確保
ビジネスユーザーやステークホルダーが、「エージェントは定義された境界内で安全に動作している」と確信できれば、エージェントの機能や自律性を拡大することに対してより前向きになります。
これこそが、ガバナンスが最終的にもたらす最大のメリットです。後付けでガバナンスを追加しようとすると、新しいユースケースのたびにコンプライアンス審査が必要となり、展開のスピードを著しく低下させることになります。
追跡可能性と説明責任は事故によって生まれるものではありません。プレッシャーの下で急ごしらえするのではなく、監査ロギング、責任あるAI（Responsible AI）の基準、厳しい規制の監査にも耐えうるドキュメンテーションを、最初からシステムに組み込んでおく必要があるのです。
ガバナンス・フレームワーク
承認ワークフロー、アクセス制御、そしてパフォーマンス監査は、よりコントロールされた自律性へと移行するための構造を作り出します。役割ベースの権限設定により、進捗を遅らせるサイロ化を招くことなく、開発、展開、監視の各責任を明確に分離することが可能になります。
一元化されたエージェントレジストリは、どのようなエージェントが存在し、何をしており、どのようなパフォーマンスを発揮しているかを可視化します。この可視性により、作業の重複が減り、エージェント同士が連携する新たな機会を見出すことができるでしょう。
セキュリティと責任あるAI
エージェント型AIのセキュリティは、従来のサイバーセキュリティの枠を超えます。データや周辺インフラだけでなく、意思決定プロセスそのものを保護しなければなりません。ゼロトラストの原則、暗号化、役割ベースのアクセス、異常検知などを連携させ、エージェントの意思決定ロジックと、エージェントが操作するデータの両方を守る必要があります。
説明可能な意思決定やバイアス検知は、アルゴリズムの透明性を求める規制の遵守を維持する上で不可欠です。エージェントが顧客や従業員、ビジネスの成果に影響を与えるような決定を下す場合、その決定を説明し、正当性を証明する能力はもはやオプションではなく必須要件となります。
また、透明性の確保は経営層からの信頼にも繋がります。リーダー層が「エージェントがどのように意思決定を行っているか」、そして「どのような安全装置が機能しているか」を理解できれば、エージェントの機能拡張は、ガバナンス上の障害としてではなく、戦略的な議論のテーマへと昇華されるはずです。
パイロット版から「AI労働力」への拡張
規模の拡大は、急速に複雑さを増幅させます。ほんの一握りのエージェントを管理するのは簡単ですが、数十のエージェントを自社の労働力の一員として連携して機能させるのは至難の業です。
これは「プロジェクトとしてのAI」から「本番運用としてのAI」へのシフトを意味します。つまり、エージェントが機能することを証明する段階から、エンタープライズ規模でも確実に機能することを証明する段階へと移行しているのです。
エージェント連携における課題は、非常に具体的です。
- 金融業界: 不正検知エージェントは、リスク評価エージェントとリアルタイムでインテリジェンスを共有する必要があります。
- ヘルスケア業界: 診断エージェントは、情報を欠落させることなく、治療推奨エージェントと連携しなければなりません。
- 製造業界: 品質管理エージェントは、問題が複雑化する前に、サプライチェーン最適化エージェントと情報伝達を行う必要があります。
初期段階での連携・調整に関する決定が、スケール拡大時に「レバレッジ」を生むか、「競合」を生むか、あるいは「リスク」を生むかを左右します。複雑さが倍増する前に、オーケストレーションのアーキテクチャを正しく構築しておくことが肝要です。
エージェントの改善とフライホイール効果
デプロイ後の学習プロセスが、「良いエージェント」と「優れたエージェント」を分ける決め手となります。ただし、そのフィードバックループは偶発的なものではなく、体系的でなければなりません。
そのサイクルは非常にシンプルです。
観察 → 診断 → 検証 → デプロイ
自動化されたフィードバックは、パフォーマンス指標や白黒はっきりした結果データを捕捉します。一方、人間が介在するフィードバックは、自動化システム単独では生み出せないコンテキストや定性的な評価を提供します。これらを組み合わせることで、エージェント群が拡大するにつれてより賢くなっていく、継続的な改善のメカニズムを生み出すことができるのです。
インフラとコンピュートリソースの管理
リソースの割り当てやキャパシティプランニングでは、エージェントが従来のアプリケーションとどのように異なる形でインフラを消費するかを考慮しなければなりません。従来のアプリは負荷曲線を予測しやすいですが、エージェントは何時間もアイドル状態だったかと思えば、ビジネスイベントが発生した瞬間に数千件のリクエストを処理し始めることもあります。
このような予測不可能性を慎重に管理しなければ、インフラ計画自体がビジネスリスクになりかねません。エージェントのポートフォリオが拡大するにつれて、コストは直線的に増えるわけではなく、適切なガードレールが事前に設けられていない限り、何の警告もなく跳ね上がることがあるのです。
規模の拡大によって生じる違いは深刻です。
- 毎日1,000件のリクエストを処理する3つのエージェントの運用コストは、月額500ドル程度かもしれません。
- しかし、毎日10万件のリクエストを処理する50のエージェントの場合、月額5万ドルのコストがかかる可能性があります。ただし同時に、数百万ドルの追加収益やコスト削減をもたらす可能性も秘めています。
目標とすべきは、ビジネス価値を推進するスケーリングを阻害することなく、予期せぬコストの高騰を防ぐインフラ制御です。それには、自動化されたスケーリングポリシー、コスト超過のアラート、そしてエージェントの行動パターンから継続的に学習して最適化を図るリソース管理が不可欠となります。
エージェント型AIがもたらす「働き方」の未来
エージェント型AIが最も効果を発揮するのは、人間のチームを強化し、人間が本来得意とする「戦略立案、創造性の発揮、関係構築」に専念できるようにサポートする時です。
エージェント型AIを成功裏に導入した組織では、既存の役割を排除するのではなく、以下のような新しい役割を生み出しています。
- AIスーパーバイザー： エージェントの行動を監視し、ガイドします。
- オーケストレーション・エンジニア： マルチエージェントのワークフローを設計します。
- AI倫理専門家： 責任あるAIのデプロイと運用を監督します。
これらの役割は、より大きなパラダイムシフトを反映しています。つまり、エージェントがより多くの実行タスクを担うようになるにつれ、人間の役割は監視、設計、そして説明責任へと移行していくのです。
エージェント型AIライフサイクルを「チェックリスト」ではなく「システム」として扱う
エージェント型AIをパイロット版から本番環境へと移行させるには、単に優れたテクノロジーがあるだけでは不十分です。経営層の強力なスポンサーシップ、既存のAIイニシアチブとレガシーシステムの誠実な監査、慎重に選定されたユースケース、そして組織の野心に合わせて拡大できるガバナンスが求められます。
コンポーネント同士の「繋がり」は、コンポーネントそのものと同じくらい重要です。開発、デプロイ、ガバナンスがサイロ化して機能していると、脆弱なエージェントを生み出してしまいます。これらがシームレスに統合されて初めて、エンタープライズの真の責任を担うことができる強力なAI労働力を創出できるのです。
エージェント型AIの拡張に成功する組織と、「パイロット版の煉獄」から抜け出せない組織との違いは、個々のツールの洗練度にあるわけではありません。その真の違いは、開発から運用に至るライフサイクル全体を、単なるチェックリストではなく、ひとつの統合された「システム」として捉え、扱っているかどうかにかかっていると言えるでしょう。
よくある質問（FAQ）
エージェント型AIの開発ライフサイクルは、標準的なMLOpsやソフトウェア開発のライフサイクルとどう異なるのでしょうか？
従来のSDLC（ソフトウェア開発ライフサイクル）やMLOpsのライフサイクルは、固定されたコードパスや単一モデルの予測に従う「決定論的なシステム」向けに設計されていました。一方でAgentic AIのライフサイクルは、自律的な意思決定、マルチエージェント間の連携、そして本番環境における継続的な学習を前提としています。そのため、自律性の境界線の設定、行動のテスト、新しいエージェントの継続的なディスカバリー、そしてモデルの出力結果だけでなく「エージェントが取るすべてのアクション」をカバーするガバナンスに焦点を当てた、新たなフェーズとプラクティスが追加されることになります。
実際のところ、エージェント型AIプロジェクトの多くはどの段階で失敗してしまうのでしょうか？
大半のプロジェクトは、初期のプロトタイピングの段階で失敗することはありません。成功した概念実証（PoC）から本番環境（プロダクション）へと移行しようとするまさにその瞬間に、壁にぶつかるのです。この段階に至って初めて、アーキテクチャ、テスト、オブザーバビリティ（可観測性）、そしてガバナンスにおける致命的なギャップが露呈します。制御された環境下では適切に動作していたエージェントが、大規模な展開（スケール）に伴ってドリフトを起こし始めたり、システムの統合を破綻させたり、あるいはコンプライアンス上のリスクを生み出したりする結果となります。本記事で解説したライフサイクルは、まさにこの「機能的に完成している状態」と「本番稼働の準備が整っている状態」との間に存在するギャップを埋めるために設計されたものと言えるでしょう。
すでにガバナンスの効いていないエージェントが本番環境で稼働してしまっている場合、企業はどう対応すべきでしょうか？
最初のステップは、システムをシャットダウンすることではなく、「ディスカバリー（発見・特定）」です。ガバナンスを適用する前に、まずは重要なシステムにアクセスしているすべてのエージェント、ラッパー、およびボットを正確に把握し、インベントリ（目録）化する必要があります。その基盤ができて初めて標準化のプロセスへと進むことが可能になります。具体的には、自律性の境界線を定義し、モニタリングとドリフト検知を導入して、これらのエージェントを一元化されたガバナンスモデルの管理下に置くのです。DataRobotを活用すれば、新規エージェントだけでなく既存のエージェントも含め、すべてを一つのプラットフォーム上で登録、監視、コントロールできるようになります。
このライフサイクルは、開発チームが現在使用しているツールやフレームワークとどのように連携するのでしょうか？
このライフサイクルは、特定のツールに依存しない（ツールアグノスティックな）アプローチと、オープンスタンダードとの親和性を重視して設計されています。開発チームは、使い慣れたフレームワークやIDEでの開発を継続しながら、オープンスタンダードやMCP、A2Aといった新たな相互運用性プロトコルを活用した、APIファーストかつイベント駆動型のアーキテクチャを目指すことができます。DataRobotは、既存のワークフローにシームレスに組み込めるCLI、SDK、ノートブック、そしてコードスペース（開発環境）を提供することでこのプロセスを補完し、同時に複数チームにまたがるオブザーバビリティとガバナンスの中央集権化を実現します。
すでに独自の監視ツールやガバナンスツールを導入している場合、DataRobotはどのような役割を果たすのでしょうか？
多くの企業は堅牢な技術スタックを部分的に構築していますが、それらがサイロ化してしまっているケースが散見されます。例えば、あるチームがインフラ監視を担当し、別のチームがモデルの追跡（トラッキング）を行い、さらに別のチームがポリシー管理や監査を担うといった具合です。DataRobotのエージェントワークフォースプラットフォームは、こうした分断された取り組みを横断的に繋ぎ合わせ、エージェントのライフサイクルを中心として一つに統合するように設計されています。複数環境をまたぐクロス環境のオブザーバビリティに加え、予測AI、生成AI、そしてAgentic AIのワークフローすべてを網羅するガバナンスを提供します。さらに、開発者、運用者、管理者が共有できるビューを提供するため、プロジェクトごとに新しいツールチェーンをその都度つなぎ合わせることなく、エージェントの運用をスムーズにスケールさせることが可能となるのです。