AIエージェントは「増やせば賢くなる」のか　Metaとハーバード大の研究が示す“分業の条件”（2/5 ページ）

分業向きの仕事と、そうでない仕事

　まず前提を整理しておこう。ここでいうAIエージェントとは、与えられた目標に向けて手順を考え、検索やファイル操作などの道具を使いながら作業するシステムを指す。こうしたエージェントが複数で協力する構成を「マルチエージェントシステム」（複数のAIエージェントが役割や情報を分担しながら1つの目標に取り組む仕組み）と呼ぶ。

　同じモデルを別々の実行環境で動かす場合もあれば、部署名のような役割を与える構成や、各エージェントが自分で仕事を見つける構成もある。AIの数、モデルの種類、仕事の分け方は、それぞれ別の設計事項である。

　どのような仕事を分けるべきかについては、Googleの研究部門Google Researchが26年1月に解説記事で示した比較研究が参考になる。180通りの構成を評価したところ、並行して進めやすい仕事と、厳密な順序で進める仕事で傾向が分かれた。

　金融分析の評価では中央のエージェントが調整する方式が有効だった一方、順序に依存する計画課題では、評価した複数エージェント方式がいずれも単一方式を下回ったという。ある処理の結果を見て次の操作を決める仕事は、担当を増やしても先に進められる範囲が小さく、むしろ「前の担当は何を確認したか」という情報の受け渡しが増えるためだ。

AIの「読む負担」がネックに

　では、分けやすい仕事を分けたとして、なぜ数を増やしても伸び悩むのか。全員が全員の報告を読む方式なら、負担の増え方は想像しやすい。仮に10体が1回ずつ報告し、自分以外の9体が全て読むとすると、読み手と報告の組み合わせは90になる。100体なら9900だ。これは全員に毎回配布する場合の単純計算だが、「働き手を増やす」操作が、同時に「読む仕事を増やす」操作でもあることは分かるだろう。

　ここでは、この現象を「読む負担のわな」と呼んでみたい。中心に管理役を置いて報告を集約すれば全員への配布は避けられるが、今度はその管理役が大量の報告を読み、矛盾を解き、追加作業を指示しなければならない。構成を変えれば負担の置き場所も変わるが、調整の仕事そのものが消えるわけではない。

　問題は費用だけでもない。米カリフォルニア大学バークレー校の研究者などによる複数エージェントの失敗を分析した論文「Why Do Multi-Agent LLM Systems Fail？」は、14種類の失敗を、設計や仕様の問題、エージェント間の不整合、検証や終了判断の問題という3分野に整理した。

　最終的に出力された文章だけを読むと、役割から逸脱する、必要な情報を引き継がない、十分な確認をせずに完了する、といった作業途中の失敗は見えにくい。誤りがあっても、もっともらしい表現に整えられてしまうからだ。

小林啓倫のエマージング・テクノロジー論考

生成AIやメタバース、新たなサイバー攻撃など、テクノロジーの進化が止まらない。少しずつ生活の中に浸透し、その恩恵を預かれることもある一方、思いもよらない問題を生み出すこともある。このコーナーでは、さまざまな分野の新興技術「エマージング・テクノロジー」について、小林啓倫氏が解説する。

この連載の記事をもっと見る

この記事の著者

関連記事

• 

  「長く働くAI」が裏目に？　OpenAIの“脱走事件”が示すリスクの変化　企業に求められる対応は

• 

  「AIが勝手にやった」は通用しない？　AIエージェントにも“社員証”と“委任状”が要るワケ　今からできる対策も解説

• 

  Googleが“自社AIの裏切り”に備え始めた　異例の構想「AI Control Roadmap」とは

• 

  【徹底入門】AIエージェントで注目の「AX」とは何か　人間だけじゃなく“AI視点の使いやすさ”も重要に？

• 

  最新AI「ミュトス」を使えても「バグマゲドン」に？　Firefox開発元に学ぶセキュリティ対策