AIエージェント設計論 — Harness/Loop EngineeringからRAGまで

AIエージェント開発には、「LLMそのものの性能」と「それが賢く働ける環境」という二つのレイヤーがある。従来の議論は前者に集中していた。モデルは何か、トークン数は、推論速度は。だが実務では、後者が決定的だ。Harness Engineeringは「AIが正しく機能するための環境設計」であり、Loop Engineeringは「失敗から学ぶシステム」だ。この二つが無いと、いくらモデルを更新しても、AI導入は失敗に終わる。

AIの鬼が強く打つべきは、この点だ。日本の多くの企業がAI導入に失敗するのは、モデルの選定に時間を使うからではなく、「それをどう使うか」の設計を後回しにするからだ。記事が論じるEvaluation（評価設計）、Context Engineering（何を見せるか）、Tool Engineering（何ができるか）、Observability（何が起きているか）、Recovery Engineering（失敗からの復旧）—これらは全部、モデルの外の話だ。だが、これらこそが「AIが本当に効く」か「単なる高い実験」で終わるかを決める。自己改善型エージェント、Human-in-the-loop、A2A（Agent-to-Agent Protocol）といった最新の設計も、すべてはこの「環境」を作る試みだ。

中小企業経営層が覚えるべきは、AIツール導入は「ツール選び」ではなく「ツール以外の投資」だという逆説だ。チャットボットを入れたけど成果が出ない、AIコーディングエージェントを試したけど結局手直しばかり—こういう話をよく聞く。原因は、ほぼ決まっている。環境設計が甘い。「何を見せるか」を設計していない。失敗を記録して改善するループを作っていない。人間がAIの出力をどう検証し、修正するか、その手順を用意していない。本書が16章で体系化するのは、このような「見えない投資」の具体像だ。LLMの進化を待つのではなく、今あるモデルで最大限の効果を引き出す設計に投資すること。それが、実務でのAI勝ち組と負け組を分ける。