Works Human Intelligence（WHI）は、人事システム「COMPANY」の業務自動化を目指し、当初LangGraphやECSを用いた独自構成でAIエージェントを開発していた。しかし、モノリシックなアーキテクチャによる拡張性の限界や運用監視コストの増大という課題に直面した。こうした背景のもと、AWSの生成AIイノベーションセンター（GenAIIC）の支援を受け、Amazon Bedrock AgentCoreへの移行を決断した。この転換とモデル最適化の組み合わせにより、運用コストを最大97%削減することに成功したと見られる[出典1]。AgentCoreは、AIエージェントの構築、デプロイ、運用を安全かつ大規模に行うためのプラットフォームである[aws.amazon.com]。
コスト削減の具体的なアプローチとして、ブラウザ操作エージェントにおいてプロンプトキャッシュの活用が挙げられる。さらに、基盤モデルをClaude 3.5 SonnetからHaikuへ切り替えるなど、タスクに応じたモデルの最適化も実施された。運用面では、独自実装のLangfuseに代わりAgentCore Observabilityを導入することで、監視負荷が大幅に軽減された。AgentCoreはエージェントのパフォーマンス最適化機能も提供しており、監視、評価、改善のサイクルを支援する[aws.amazon.com]。また、柔軟な自律判断を可能にする「Strands Agents」の採用も、少ない実装工数でのエージェント構築に寄与した。
AIエージェントの開発は、概念実証（PoC）から実運用フェーズへの移行期にある。この段階において、従来のような「何でも自作する」開発手法は限界を迎えつつある。Gartnerの予測では、2027年までにAIエージェントプロジェクトの40%以上がコスト超過やビジネス価値の不明確さにより中止される可能性があるという[futurumgroup.com]。生成AIの真の企業価値は、会話能力だけでなく、オーケストレーションと実行にあると認識され始めている[futurumgroup.com]。AWSはAmazon BedrockをエンタープライズAIのバックボーンと位置付け、データプライバシー、モデルガバナンス、コスト管理、既存システムとの統合といった課題に対応している[futurumgroup.com]。
Amazon Bedrock AgentCoreのようなマネージド基盤の活用は、開発効率とコスト最適化に貢献する一方で、特定のクラウドベンダーへのロックインのリスクを深める可能性も指摘される。また、人事データのような機密性の高い情報を扱うAIエージェントにおいて、自律的な判断がどの程度のガバナンスを維持できるかは重要な課題である。AgentCoreはエージェントの行動に境界を設定し、品質を継続的に検査するためのポリシーや評価機能を提供している[aboutamazon.com]。企業は、こうしたマネージドサービスの機能を最大限に活用しつつ、マルチエージェントAIの連携を通じて、複雑な業務ロジックに対応するアーキテクチャ設計の知見を深める必要があるだろう[futurumgroup.com]。
