Computer Agent Studio：ノーコードでAIエージェントを構築・展開・監視する

この2年間で、業界はAIエージェントの構築が驚くほど得意になりました。

ワークフローを記述し、モデルを接続し、いくつかのツールを追加すれば、数時間のうちにいかにも知的に見えるものが手に入ります。しかし本当の課題は、信頼性・セキュリティ・ガバナンス・スケールが実際に問われる環境へ、そのエージェントを展開しようとしたときに始まります。

これは多くのチームが手遅れになってから気づくギャップです。デモで見栄えのするエージェントを作るのは比較的簡単です。しかし、顧客とのやり取りや業務プロセス、そしてエンタープライズデータを安心して任せられるエージェントを作ることは、まったく別次元の問題です。

結果は予測どおりです。MITの調査「GenAI Divide: State of AI in Business 2025」によれば、生成AIパイロットの95%はP&L（損益）に測定可能なリターンをもたらしていません。問題はモデルそのものにあることはまれです。多くの場合、組織はモデルの周囲に必要となるすべて、すなわち展開、可観測性、ガバナンス、評価、権限管理、継続的な改善を過小評価しているのです。

私たちはこうした現実を踏まえてComputer Agent Studioを構築しました。

構築・展開・監視を別々のプロジェクトとして扱うのではなく、Agent Studioはエージェントのライフサイクル全体を単一の環境にまとめます。チームはノーコードで、エージェントを設計し、安全にテストし、自信を持って展開し、本番環境での挙動を監視できます。目的は単にエージェントをより速く作れるようにすることではありません。実際に信頼できるエージェントを作れるようにすることです。

Computer Agent Studioとは何か？

Computer Agent Studioは、デモのためではなく、初日から本番運用のために設計されたAIエージェントビルダーです。構築・テスト・展開・観測というエージェントのライフサイクル全体を、ひとつのノーコード環境でカバーし、監視機能を後付けではなく最初から組み込んでいます。

この設計上のたったひとつの選択が、この記事全体の主張です。AIエージェントが失敗することが多いのは、業界がデモに最適化される一方で、展開・監視・信頼を無視しているからです。営業の場での「おっ」という瞬間は簡単です。実際の顧客課題を何か月も解決し続け、アクセス制御を尊重し、あらゆる判断を追跡できるエージェントは難しく、そしてそここそ、多くのプラットフォームがあなたに丸投げする部分なのです。

DevRevが提供するComputerは、エージェントをインフラとして扱います。Agent Studioで構築したエージェントは、稼働を開始した瞬間に、顧客の履歴、チケット、製品コンテキストを引き継ぎます。なぜなら、それらのデータをすでに保持しているのと同じAIエージェントプラットフォーム上で動作するからです。

ゴールを定義し、ナレッジとスキルを付与し、ガードレールを設定し、指示を書けば、エージェントは各やり取りを推論しながら進めていきます。

プロンプトエンジニアリングのツールはこちら、ベクトルデータベースはあちら、オーケストレーションフレームワークはまた別のどこか、といった具合ではありません。ひとつの環境、4つのステージ、ひとつの信頼できる情報源です。

デモ優先の罠と、Agent Studioが違う理由

これほど多くのエージェントプロジェクトが行き詰まる理由には名前があります。「デモ優先の罠」です。業界は「おっ」と思わせる瞬間に最適化しています。それが売れるからです。

展開・監視・ガバナンス・信頼という地味な作業である本番運用は、後回しにされてしまいます。その結果、買い手は完成しているように見えるエージェントを目にし、数か月後に、それを完成させることこそが本当のプロジェクトだと気づくのです。

データもこれを裏付けています。MITのNANDAイニシアチブは、生成AIパイロットの95%が測定可能なP&Lへの影響をもたらさないこと、そしてその障壁がモデルの品質にあることはまれで、統合・学習・展開の規律にあることを明らかにしました。

同じ調査では、ベンダーが構築したソリューションが67%の確率で成功するのに対し、内製は33%にとどまることが分かりました。だからこそ、その提言の見出しは率直でした。「作るのではなく、買え」と。

私たちの関連分析では、エンタープライズAIエージェントを社内で構築するのに実際に何が必要かの全容を読むことができます。

Agent Studioは異なる前提から出発します。エージェントは実験ではなくインフラである、という前提です。インフラは運用され、観測され、改善されるために作られるものであり、一度デモをして放置されるものではありません。

この前提は、ビルダーが備えるべきものを変えます。デモは、エージェントがひとつの質問にうまく答えられることを証明します。一方、本番運用が問うのは、1万件の質問にうまく答えられるか、扱うべきでないものは適切にエスカレーションできるか、そして問題が起きたときに監査できる記録を残せるか、ということです。

これらは同じテストではありません。そして後者こそ、パイロットがひそかに失敗する場所なのです。

要するに、優れたデモと機能するエージェントの間にあるギャップは、モデルの問題ではありません。インフラと展開の問題であり、それこそがAgent Studioが解決するために作られた問題です。

戦略的な要点：評価がデモのテストにとどまるなら、あなたは簡単な5%をテストしているにすぎません。その後に起きること、すなわち展開・監視・そしてエージェントを1年間運用するコストをテストしてください。

Agent Studioの仕組み：構築・テスト・展開・観測

他のAIエージェントビルダーは、エージェントのライフサイクルのうち1つか2つのステージしか扱いません。Computer Agent Studioは、その4つすべてをひとつの環境で扱います。そして競合がめったに実現できないのは、可観測性がエージェントを構築したのと同じ場所に存在するという点です。エージェントが何をしているかを見るために、別のベンダーへ費用を払う必要はありません。

これがひとつの場所で完結するAIエージェントの完全なライフサイクルであり、継続的なループとして回り続けます。観測（Observe）で学んだことが、次の構築（Build）へと反映されるのです。ここでは各ステージで何を行い、Agent Studioが何を代わりに処理してくれるのかを紹介します。

ステップ1：ビジュアルキャンバスで構築する

優れたAIエージェントビルダーは、サポートリードと開発者が同じエージェントに取り組めるようにすべきです。Agent Studioはまさにそこから出発します。

ノーコード・ローコード・フルコードの選択肢を備えたビジュアルキャンバス上で構築します。ゴールを設定し、ナレッジソースを付与し、エージェントができることを組み立てていきます。

以前は、この最後の部分はばらばらのツールを使い分けることを意味していました。Agent Studioはその使い分けを「Skills」に置き換えます。Skillsは一度作れば複数のエージェントで再利用できる、組み合わせ可能な機能です。

Skillsには3つのタイプがあります。Tools（アトミックなAPIアクション）、Workflows（ワークフロービルダーで構築するマルチステップの自動化）、そしてNL Skills（自然言語の目標を受け取り、段階的に推論して進めるサブエージェント）です。

Trusted Answersは、ハルシネーションを防ぐために応答を検証済みのソースに基づかせます。一方、ガードレールと指示が境界とプレイブックを定めます。

エージェントはComputer上で動作するため、Computer Memoryが初日からエージェントに業務コンテキストを与えます。顧客の履歴、チケット、製品データといったものです。

ステップ2：実データでテストする

エージェントが顧客と接する前に、テストを行います。Playgroundは、その場限りの会話ができるインタラクティブなチャットパネルで、スキルが正しく発火するか、トーンが適切かを確認するのに役立ちます。

各Playgroundセッションは実行トレースを記録するため、エージェントがどのように推論したかを正確に確認できます。

スケールで確信が必要なときは、バルクテストによって、入力と出力のペアからなるデータセットに対してエージェントを一括で実行し、各応答を正確性・網羅性・タスク成功・ソースナレッジへの忠実性の観点で採点します。

何でも試して、何もリスクを負わない。これが、本番環境ではなくビルダー内で実データを使ってテストすることの狙いです。

ステップ3：チャネルをまたいで展開する

Agent StudioにおけるAIエージェントの展開は、段階的かつ可逆的です。ステージごとにロールアウトし、バージョン管理がすべての変更を自動的に追跡するため、問題を起こした新しいバージョンは、履歴を上書きすることなく、正常だった状態へロールバックできます。

エージェントは、同じ設定のまま、メール・Slack・WhatsAppといったチャネルをまたいで展開されます。

機密性の高い操作については、Safe Actionsが確認レイヤーと監査証跡を追加し、ヒューマン・イン・ザ・ループの承認によって、返金やアカウント変更といったリスクの高いアクションを人がコントロールし続けられるようにします。

Skillsは「実行ユーザーとして（execute-as-user）」の権限モデルの下で動作します。そのため、エージェントは常に、代行している本人が持つ権限の範囲でのみ動作します。

Computer AirSyncは、すでに運用中のシステム、すなわちSalesforce・Zendesk・Jiraとエージェントを同期させ続けます。そのため、展開されたエージェントは古いコピーではなく、最新のデータに基づいて動作します。

ステップ4：本番環境で観測する

エージェントが稼働を始めたら、観測（Observe）ステージが、それが実際に何をしているかを示します。トレースはすべての判断を一段階ずつ記録します。どのスキルを呼び出したか、どのナレッジを取得したか、ガードレールがどう評価したか、そして最終的な応答は何だったか、といった具合です。

可観測性ダッシュボードは、時系列での総合的なパフォーマンスを追跡し、アラートが劣化を通知し、完全な監査証跡が「誰が・何を・いつ」変更したかを記録します。

これがループを閉じるものです。ここでエージェントを構築し、ここで監視します。第2のベンダーも、別々の統合も、エージェントを作ったツールとそれを見張るツールの間の死角も、一切ありません。

監視についてより深く知りたい場合は、AIエージェントの可観測性に関する完全ガイドをご覧ください。

戦略的な要点：ライフサイクルこそが堀（moat）です。展開（Deploy）で止まるビルダーは、運用リスクをあなたに丸投げします。観測（Observe）まで担うビルダーは、そのリスクを共有します。

チームがAgent Studioで構築するもの

Agent Studioのエージェントはサンドボックスの中で暮らしているわけではありません。フィンテック、ゲーム企業、セキュリティスタートアップの本番環境で稼働し、測定可能な規模で実際の課題を解決しています。ここでは4つのパターンを紹介します。いずれも、エージェントがチームから引き受ける仕事によって定義されています。

カスタマーサポート：ティア1のボリュームを削減する

サポートチームは、チケットのトリアージ、繰り返されるFAQ対応、エスカレーションの振り分けという重荷を背負っています。人が答える繰り返しの質問ひとつひとつは、本当に判断を要する案件に使えなかった時間です。

Agent StudioのエージェントはComputer Memoryからチケットのコンテキストを読み取り、対応できるものを解決し、残りを振り分け、記録を更新します。

BILLは、実際のサポートクエリでの検証において73%の削減率を達成しました。しかも既存のサービススタックを置き換えるのではなく、それと並行して稼働させながらです。（この数値は実クエリでの検証を反映したものであり、継続的な本番運用を保証するものではありません。）

サポートリーダーにとっての戦略的な要点：そのレベルの削減は、応答時間だけでなく人員計画の計算式そのものを変えます。

ITとサービスデスク：繰り返し作業のキューをさばく

ITやサービスデスクのチームは、パスワードのリセット、アクセス申請、インシデントのトリアージに日々を費やしています。いずれもボリュームが大きく、バリエーションの少ない作業です。エージェントは申請の種類を特定し、Skillsを通じて承認済みのアクションを実行し、ガードレールの範囲外のものはエスカレーションします。

セキュリティ企業のDescopeは、このパターンで解決時間を54%短縮しました。アイデンティティとアクセスの申請こそ、サービスデスクのエージェントが得意とするルールに基づく作業であり、ふさわしい例といえます。

CIOにとって、解決時間の短縮は目に見える成果ですが、あらゆるアクションの背後にある監査証跡こそが、契約更新のときに本当に効いてくるものです。

エンジニアリング不要で構築されたリスク監視

ある金融サービスチームは、危険な顧客との会話がエスカレートする前に検知する必要がありました。エージェントはあらゆる会話から重大なエスカレーションのフレーズを検出し、適切なチームに自動で通知します。

この例が重要なのは、誰が作ったかという点です。エンジニアリングの支援なしに、業務担当者が作ったのです。これこそがノーコードの実践的な意味です。リスクを理解している人が、四半期にわたってエンジニアリングのバックログで順番待ちすることなく、それを見張るエージェントを自ら作れるのです。

コンテンツと自動化：多言語スケールで処理する

コンテンツや運用のチームは、手作業の振り分けや多言語処理に何時間も費やしています。エージェントはこのパイプラインをエンドツーエンドで自動化できます。

Deepdubは、多言語コンテンツのワークフロー全体で65.8%のサポート自動化率を達成し、かつては絶えず人手を要していた振り分けと処理を担わせました。

このパターンは一般化できます。作業が繰り返し的でルールに基づくものであればどこでも、このAIエージェントプラットフォーム上で構築したエージェントがそれを担えます。

戦略的な要点：価値の単位は「エージェント」ではありません。特定のチームから取り除かれた、特定の繰り返し作業です。それは機能の数ではなく、削減率と解決時間で測られます。

エンタープライズのチームがAgent Studioを選ぶ理由

その代替案を思い描いてみてください。エージェントインフラを内製するということは、ビルドツール、オーケストレーション、セキュリティ、ガバナンス、そして可観測性をすべて自分たちで所有するということです。AIエージェントを内製するコストの完全な内訳によれば、そのコストは500万〜2,000万ドルにのぼり、本番稼働に至るまでに18〜36か月を要します。

CISOやCFOにとって、これこそが本当の意思決定です。そして3つの点が、記録に残るエンタープライズAIエージェントプラットフォームとしてのAgent Studioへと天秤を傾けます。

• 価値実現までのスピード。Agent Studioは、構築を数年がかりのプログラムから数日へと短縮します。インフラはすでに整っています。あなたが設定するのはエージェントであって、その下のプラットフォームではありません。
• 組み込み済みのエンタープライズガバナンス。SOC 2、ロールベースアクセス制御、GDPRへの準拠、そして監査証跡は、後からの統合ではなくプラットフォームに標準で備わっています。Skillsは実行ユーザーとしての権限の下で動作するため、エージェントはあなたがすでに持つアクセス制御を尊重します。
• 継ぎ接ぎのスタックではなく、ひとつのプラットフォーム。典型的な自前構築のアプローチでは、ビルドツール、別々の可観測性ベンダー、そしてガバナンスレイヤーが必要になります。つまり3つの契約、3枚の請求書、そして壊れる可能性のある3つの継ぎ目です。Agent Studioは、ひとつの請求書で済むひとつのAIエージェントプラットフォームです。

正直な但し書き：Agent Studioは、カスタマーエクスペリエンス、サポート、そしてオペレーションに最適化されています。あらゆるエンタープライズのワークフロー向けの汎用的・横断的なビルダーではありません。もしそれが必要なのであれば、最初にはっきりお伝えしておく価値があります。

しかし、ほとんどのCX・IT・運用チームにとって、その特化こそが要点です。エージェントは、あなたの顧客をすでに理解した状態で到着するからです。

また、Computerはあなたのアプリを置き換えるのではなく、AIによる解決レイヤーとしてCRMと共存します。そのため、このビジネスケースは何かを引き剥がす必要がありません。

Agent Studioがどう評価されるかは、AIエージェントビルダーの完全比較でご確認ください。

戦略的な要点：可観測性とガバナンスを勘定に入れれば、作るか買うかの計算は僅差ではありません。エージェントプラットフォームで高くつく部分こそ、デモでは見えない部分なのです。

Agent Studioの比較

Agent Studioは、競合がめったに両立できない2つの点で勝ります。構築から観測までの完全なライフサイクルをひとつの場所で実現すること、そしてエージェントが初日から引き継ぐCXネイティブなコンテキストです。他のツールを選ぶ正当な理由も存在します。この表はそれらを率直に示します。

注：Google CloudのGemini Enterprise Agent Platformにも、Agent Studioという名称の製品が含まれています。DevRevの製品はComputer Agent Studioであり、別の会社による別のプラットフォームです。

Agent Studioのリソース：さらに深く

エージェンティックAIを構築・比較・監視・理解するために必要なものは、すべてここにリンクしています。

• AIエージェントの作り方：ステップバイステップのノーコード解説。ビルダー向け。
• 最良のAIエージェントビルダー比較：プラットフォーム横断の客観的な評価。評価者向け。
• AIエージェント可観測性の完全ガイド：本番環境でエージェントを監視する方法。実務者向け。
• エンタープライズにおけるエージェンティックAIとは何か、そしてなぜ重要か：その概念を解説。戦略担当者向け。
• エンタープライズAIエージェントの内製：その真のコストと複雑さ。意思決定者向け。
• Multiplayer AI：チームがエージェントで協働する方法：リアルタイムで共有されるAIコンテキスト。チーム向け。