BMW Groupに学ぶ、数百のAIエージェントを統治するエンタープライズ設計
数百のエージェントを支える「自由と統制」の設計
BMW GroupのR&Dでは、12,500人を超える開発者が約5億行の車載ソフトウェアに携わる。さらに、BMW Connected Vehicleのバックエンドは1,300超のマイクロサービスで構成され、稼働中の2,400万台の車両にデジタルサービスを提供する。この規模と規制環境では、個々のチームによるエージェント開発を許容しながら、安全性、セキュリティ、品質、コストを一貫して管理しなければならない。
同社が掲げる前提は、エージェントを最初から協調可能な構成要素として設計することだ。単一のフレームワークやツールチェーンへの統一ではなく、多様な実装を共通ルールのもとで接続・運用できるアーキテクチャを目指す。その実行基盤となるのが、LLMの周囲に置かれるエージェントハーネスである。ハーネスは実行ループ、ツールディスパッチ、メモリ管理、可観測性フックを担い、自律動作を運用可能な単位にする。
重要なのは、ガバナンスを個別エージェントのプロンプトや実装に閉じ込めないことだ。認証・認可、レート制限、コンテンツフィルタリングなどは、MCPゲートウェイ、中央エージェントレジストリ、オーケストレーション境界といった統合層で適用する。こうすれば、フレームワークの移行、モデルの交換、チーム再編が起きても、統制ルールを維持しやすい。
自律性はエージェント単位ではなく、処理ステップごとに設定する。レベル0はすべての操作に人間の明示承認を求めるHuman-in-the-loop、レベル1は自律実行後に非同期レビューを行うHuman-on-the-loop、レベル2は決定論的なポリシー境界の内側で自律実行する方式だ。たとえば、同じワークフローの中でも、文書作成はレベル2、顧客記録の変更はレベル1、本番データベースへの書き込みはレベル0にするといった段階的な設計が可能になる。
CI/CDとレジストリをガバナンスの実行基盤にする
エージェントの品質は、HTTP 200の応答だけでは測れない。出力が正確で、ポリシーに準拠し、どの実行経路を経て生成されたかを説明できる必要がある。そのため、BMW Groupは設計初期から代表的な問い合わせやエッジケースを含むグラウンドトゥルースデータセットを用意し、評価基準と品質閾値を定義する。合成プロンプトだけに依存せず、実際の用途を反映した評価データで継続的に検証する考え方だ。
CI/CDでは、まずハーネスの決定論的な部分をテストし、その後に非決定的な出力を評価する。プロンプト変更、ツール追加、モデル変更などがあるとパイプラインが起動し、コンポーネントテストと相互作用テストによるVerificationを実行する。これを通過したビルドだけが、グラウンドトゥルースデータセットに対するEvaluationへ進む。評価スコアが品質閾値を満たさなければ、デプロイを止める。この順序により、壊れた構成に対して高コストな評価を実行する無駄を避けられる。
可観測性は、ユーザー要求から最終出力までのエージェントの軌跡を記録する。具体的には、推論過程の観測可能な記録、ツール呼び出し、コンテキスト取得を追跡し、OpenTelemetryのスパンで実行系譜を検索可能にする。複数モデル間のルーティングがある場合は、最終結果だけでなく、ルーティング判断とその根拠も記録する。タスク種別ごとの評価結果からモデルの適用層を決め、失敗事例を新たな評価ケースへ戻すことで、評価と運用を循環させる。
本番前の参照パイプラインは4段階で構成される。第1段階は、承認済みレジストリの利用、テスト、評価ライブラリ参照、計測設定などの高速かつ決定論的な検査。第2段階は、静的解析、隔離ステージングでのセキュリティテスト、外向き通信制御、最小権限の検証、権限と宣言された自律性レベルの整合性確認、ポリシー・アズ・コード検査を並行実行する。第3段階では、評価スコアに加えてレイテンシやトークン消費を測定する。第4段階で重複機能を確認したうえで、エージェント、サブエージェント、ツール、スキルをレジストリに登録する。いずれかの検査失敗や指標悪化があればデプロイを停止し、原因分析用のログを残す。
レジストリは単なる一覧ではない。機能とメタデータによる探索、承認済み資産の確認と監査、プロンプトインジェクションなどに対するセキュリティ検査、既存機能との重複検出を担う。登録情報には、識別子、名前、説明、バージョン、業務・IT責任者、機能、状態、仕様書へのリンク、ホスティング形態に加え、可用性目標、P95応答時間、情報分類、個人データ処理、保持方針、ログ記録、PIIのマスキング、人間の介在要件などを含める。
MCPツール、スキル、フローで複雑性を分割する
BMW Groupは、エージェント構成を3層に整理する。最下層のMCPツールはAPI呼び出しやデータベース検索などの単一機能を包む、ワークフロー前提を持たない安定した統合契約だ。スキルは複数のMCPツールを束ねるドメイン固有の構成で、コードレビューなら静的解析、スタイル検査、LLMによる推論を組み合わせられる。最上層のフローは、スキルを組み合わせてPRレビューや要件からデプロイまでのような業務プロセス全体を表す。
層ごとに検証責任も分ける。ツールとスキルにはコンポーネントテストを適用し、それらをフローに組み合わせたときの挙動は相互作用テストで確認する。この分離により、低レベルの機能を再利用しながら、業務固有のロジックを上位層に保てる。MCPやAgent Skills、エージェント間通信プロトコル、OpenTelemetryといった標準を接続の基盤にすることで、単一ツールチェーンへの依存を抑える。
単一の汎用エージェントに機能を積み上げると、プロンプトが肥大化し、毎回の実行で不要なツールや例示がコンテキストを消費する。その結果、精度低下、レイテンシ増加、コスト上昇を招きうる。複雑性は二つの方向で減らせる。エージェント内部では機能をスキルに分割し、選択頻度や入力による挙動差を観察して、統合・分割の粒度を実測で決める。エージェント間では、担当範囲外の作業をA2Aプロトコル経由で専門エージェントに委譲する。各エージェントが役割に必要なデータとツールだけにアクセスする設計は、最小権限の実装にもつながる。
インフラはTerraformやAWS CloudFormationなどを用いてコード化し、エージェントやツールごとの細粒度な権限、アカウント・リージョンをまたぐ一貫したCI/CD、デプロイ済み構成を検査するポリシー・アズ・コードを、パイプラインのゲートとして適用する。運用モデルはボトムアップの開発と中央集約的な基準策定を組み合わせる。各チームが現場の課題に合わせてツールやスキルを作り、中央チームがガバナンス検査と再利用可能なガバナンス・モジュールを提供する。新しい要件が現れた際に、各チームがアーキテクチャを一から再設計せずに対応できる点が狙いだ。
本番稼働後は、クエリ分布の変化や上流APIの変更として現れるデータドリフトと、エラー率の上昇やツール選択精度の低下として現れるモデルドリフトを監視する。顧客からの指摘も調査のトリガーとなり、イベントは人間のレビューへ送られる。ガバナンスエージェントは、スコープ逸脱、プロンプト肥大化、ツール誤用、精度・レイテンシ・コスト効率の低下を検出して具体的な改善案を提示する。ただし、提案の適用には人間の確認を要求し、説明支援と最終責任を分離する。
開発者・エンジニア視点での考察
-
自律性レベルを権限・評価と結び付ける。 自律性をプロンプト上の宣言だけで決めず、CI/CDで実際の権限と照合する。処理ステップごとに必要な承認、ロールバック手段、評価実績を定義すれば、リスクに応じて段階的に自動化を進められる。
-
評価データとトレースを同じ開発資産として管理する。 グラウンドトゥルースデータセットは開発初期に作り、失敗や顧客指摘を継続的に追加する。OpenTelemetryの実行系譜と評価ケースを結び付ければ、出力品質の変化を、プロンプト、ツール、コンテキスト取得、ルーティングの変更に関連付けて調査しやすい。
-
再利用単位を明確にし、責任境界を狭く保つ。 MCPツールには単一機能、スキルにはドメインロジック、フローには業務プロセスを担わせる。責務が明確なら、各層を独立にテスト・更新できるうえ、エージェントの権限も必要最小限に絞れる。レジストリで既存資産を探索し、重複とアクセス範囲をデプロイ前に検査することが、チーム間の再利用とセキュリティを両立する鍵となる。
Source / 元記事
この記事について
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。


