既存APIをエージェント対応へ:MoEngageがAmazon Bedrock AgentCoreで実現した顧客エンゲージメント


ADVERTISEMENT

既存APIをMCPツールへ変換し、会話から実行へつなぐ

MoEngageは、マーケティング・顧客エンゲージメント基盤に「エージェントが操作するための層」を追加した。1,350超の消費者ブランドが利用する同社のプラットフォームでは、キャンペーン、分析、セグメント、コンテンツ、顧客ジャーニーを扱う既存APIを、MCP(Model Context Protocol)対応のエージェントから呼び出せるようにしている。

設計上の要点は、既存のAPI群を作り直さなかったことだ。MoEngageのAPIはOpenAPI 3.0互換であり、同社はFastMCPのfrom_openapiを使って仕様からMCPツールを生成した。各API操作は、構造化スキーマ、説明、パラメーター検証を備えたツールとなる。ツールはキャンペーンの作成・編集・配信、配信ファネルやCTRの分析、行動・属性条件によるセグメント管理、コンテンツ管理、顧客ジャーニーの参照・変更などをカバーする。仕様が更新されればツール定義も追随するため、APIとエージェント向けインターフェースの二重管理を抑えられる。

MCPサーバーはAmazon Bedrock AgentCore Runtime上でホストされるが、サーバー自体はモデル推論を行わない。推論とツール呼び出しの計画はAmazon Bedrock上のモデルを利用するエージェントが担い、MCPサーバーはMoEngage APIへの標準化された接続点として機能する。記事が明記する推論・生成モデルはAnthropic Claude Sonnet 4.6、Claude Sonnet 5、Claude Sonnet 5.5。モデルやエージェントフレームワークを変更しても、API接続を担うMCPサーバーを切り離して維持できる構成である。

この基盤上でMerlin AIは4種類のエージェントを提供する。ワークフローに埋め込まれるエージェントは、コピー生成、画像制作、自然言語からのセグメント条件生成、Jinja/Liquidの生成、インアプリ用HTMLテンプレート作成、顧客ジャーニー構築を支援する。会話型エージェントはキャンペーン、分析、セグメント、フローを横断してツールを使い、分析エージェントは複数指標の分析、低調指標の原因診断、期間・セグメント比較などを分担する。カスタムエージェントはユーザー定義のルール下で継続稼働し、アクティビティログを通じて取得データ、判断、利用チャネル、送信コンテンツを示す。意思決定エージェントは顧客ごとに、内容・タイミング・頻度・チャネルを選択する。

テナント境界をモデルから切り離すセキュリティ設計

マルチテナント環境で、モデルにデータの帰属先を判断させないことが重要になる。MoEngageの設計は、認証、テナントコンテキスト、セッション分離をそれぞれ異なる境界で扱う。

ユーザーが既存のMoEngage認証を通じてサインインすると、リクエストには既存のJSON Web Token(JWT)が付与される。AgentCore RuntimeのJWT認可機構がトークンを検証し、ユーザーごとの分離セッションを開始する。MCPサーバーはそのユーザーのテナントコンテキストで既存APIを呼び出し、API側の既存権限とデータレジデンシー規則を適用する。

特に重要なのは、ワークスペースやユーザーのコンテキストをツール引数にせず、AgentCore Runtimeが転送するリクエストヘッダーに保持する点である。モデルが参照・書き換え可能なツール入力からアイデンティティ情報を分離することで、プロンプトやツール呼び出しを介したテナント指定の混入を抑える。さらに、ユーザーごとに独立した実行環境を持たせ、会話状態が別ユーザーのセッションにまたがらないようにしている。

出力側ではAmazon Bedrock Guardrailsがコンテンツ安全性と個人識別情報(PII)フィルターを適用し、バックエンド・フォー・フロントエンド層が生成コンテンツの構造を検証してから画面に表示する。実行権限も一律に自動化せず、チームはエージェントのガードレールを定め、完全自律実行か、人による確認後の実行かを選択できる。記事の例では、オンボーディングフローのSMS分岐を停止する操作は、エージェントが状態を調べた後、ユーザー確認を経て実行される。

運用基盤と導入効果:推論からアクションまでを一つの会話に

AgentCore Runtimeを選んだ理由として、MoEngageは需要変動に応じたセッションのスケーリング、ユーザー単位の隔離、既存IdPに対するJWT検証、フレームワーク非依存性、Amazon CloudWatchによるメトリクス・ログ・トレースを挙げる。これらにより、チームはホスティング基盤の運用よりもエージェントロジックとマーケティング知識に集中できるとしている。

Amazon Bedrockによる推論では、同じAPIを通じてモデルのバージョンを切り替えられること、GPU基盤を自前運用せずトークン単位で課金されることも利点として説明されている。また、記事によればAmazon Bedrockは顧客のプロンプトや応答を基盤モデルの学習に使用しない。顧客エンゲージメントデータを扱うシステムにおけるデータ取扱い上の考慮点となる。

会話型キャンペーン作成では、ユーザーが「高価値セグメント向けに、過去の好成績キャンペーンと同じトーンで週末セールのプッシュ通知案を作成して」と依頼すると、エージェントは分析ツールで過去の成果を調べ、セグメントツールで対象条件を確認し、コンテンツツールからブランドのトーンを取得して複数案を提示する。続けて低CTR通知の共通点を分析したり、フローの離脱状況を確認したうえで分岐の停止を提案したりできる。ユーザーは画面を移動せず、既存製品UIを支えるものと同じAPIを通じて分析から操作まで進められる。

本構成を利用したMerlin AIエージェントは、記事掲載時点で6か月超にわたり本番稼働している。顧客のGlanceでは、キャンペーンの本番投入までの時間が50%短縮され、プッシュ通知のCTRが38%向上し、Copywriterによるキャンペーン当たりのコンテンツ案は約3倍になった。プラットフォーム全体では、チャネル・配信時刻・頻度の意思決定に関する手作業が60~70%減少し、目標ベースの意思決定によるコンバージョン率が20~30%改善したと報告されている。Amazon Bedrockのマネージド推論により、セルフホスト型モデルと比べたAIインフラコストは50%超低下したという。

開発者・エンジニア視点での考察

  1. API仕様をエージェント向け契約として運用する。 OpenAPIからツールを生成する方式は、既存APIを資産として再利用できる一方、API仕様の説明品質がツールの選択精度に直結する。操作名・説明・入力制約を、API利用者だけでなくエージェントのツール選択にも適した契約として整備し、仕様更新時には生成ツールと実APIの互換性をテストする設計が有効である。

  2. 認証コンテキストはツールスキーマに含めず、実行境界で注入する。 テナントIDやユーザーIDをモデルに渡す引数にすると、誤指定や意図しない変更の余地が生まれる。記事のようにJWT検証をランタイムに置き、テナントコンテキストをヘッダー経由でサーバーへ渡し、最終的な権限判定を既存APIに委ねる分離は、モデルの推論能力とデータアクセス権限を明確に切り分けるパターンとなる。

  3. 副作用を伴うツールは、確認段階と実行段階を分けて評価する。 分析や下書き生成と、キャンペーン配信・フロー変更のような状態変更では、失敗時の影響が異なる。アクティビティログ、ユーザー定義のガードレール、人による承認を組み合わせ、どの操作を自動化できるかを段階的に設定することが重要だ。運用評価では回答品質だけでなく、誤ったツール選択、権限拒否、承認後の実行結果まで追跡できる監査性を含めるべきである。

Source / 元記事

この記事について

著者
AIBloom AI編集部
初回公開
最終更新

この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。

元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。

重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。

About AIBloom

ADVERTISEMENT