投稿者 global-ai-media 
米大手暗号資産取引所Coinbaseが、自社でのAIエージェント開発における技術選定と設計思想を公開しました。特に注目すべきは、昨今流行のノーコード／ローコードツールではなく「High-code（プログラミングコード重視）」を選択した理由です。本記事では、その背景にある「信頼性」と「スケーラビリティ」へのこだわりを紐解き、日本企業がAIをPoCから本番運用へ移行させるためのヒントを解説します。
「魔法」ではなく「工学」としてAIを扱う
生成AIブーム以降、多くの日本企業がPoC（概念実証）に取り組みましたが、「回答の精度が安定しない」「ハルシネーション（もっともらしい嘘）のリスクが排除できない」という壁に当たり、本番導入に至らないケースが散見されます。
金融サービスという極めて高い信頼性が求められる領域において、CoinbaseがAIエージェントを構築する際に重視したのは、AIを「魔法のブラックボックス」として扱うのではなく、テスト可能で監視可能な「工学的システム」として設計することでした。その中心にある概念が、LLM（大規模言語モデル）の呼び出しを、より大きなシステムの一つの「ノード（構成要素）」として位置付けるアプローチです。
なぜローコードではなく「High-code」なのか
昨今のAI開発トレンドとして、ドラッグ＆ドロップでエージェントを構築できる「ローコード／ノーコードツール」が人気を博しています。これらはプロトタイプを素早く作るには最適ですが、Coinbaseはあえて「High-code（コードベースでの開発）」を選択しました。その理由は、日本企業のシステム開発現場が抱える課題感とも共通しています。
第一に「複雑性の管理」です。実業務におけるワークフローは、単純なチャットボットで完結することは稀です。条件分岐、API連携、エラー処理など、複雑なロジックを実装する場合、ローコードツールのGUIでは管理しきれず、結果としてメンテナンス性が低下します。
第二に「ソフトウェアエンジニアリングのベストプラクティス」の適用です。コードベースであれば、バージョン管理、単体テスト、コードレビュー、CI/CD（継続的インテグレーション／デリバリー）といった、従来のシステム開発で培われた品質保証プロセスをそのまま適用できます。これは、品質に厳しい日本の組織文化において、AIシステムを承認・運用するための重要な要素となります。
LLMをシステムの一部として制御する「エージェント・グラフ」
Coinbaseのアプローチで特筆すべきは、AIエージェントを「グラフ構造（ネットワーク図のようなつながり）」として設計している点です。この設計思想では、LLMはあくまで判断や生成を行う一つのパーツに過ぎません。
このアーキテクチャの利点は、「確率的」な挙動をするLLMと、「決定的」な挙動をする従来のプログラムを明確に分離・連携できることです。例えば、重要な金融取引の計算や承認フローは確実なプログラムコード（決定的処理）に任せ、ユーザーの意図理解や要約といった柔軟性が求められる部分のみをLLM（確率的処理）に任せるという制御が可能になります。
これにより、システム全体の挙動が予測可能になり、どこでエラーが起きたかの追跡（トレーサビリティ）が容易になります。日本の実務において求められる「説明責任」を果たす上でも、この設計は理にかなっています。
日本企業のAI活用への示唆
Coinbaseの事例は、AIを「なんとなく導入する」フェーズから、「堅牢なシステムとして実装する」フェーズへの転換を示しています。ここから得られる日本企業への示唆は以下の通りです。
- PoCツールと本番環境の分離：ローコードツールはアイデア出しや初期検証には有用ですが、複雑な業務フローを本番運用に乗せる際は、エンジニアリングによる「High-code」な実装への切り替えを恐れてはいけません。
- テストと評価の重視：AIの出力は毎回異なる可能性があります。だからこそ、従来のソフトウェアテストと同様に、自動テストやモニタリングの仕組みをコードレベルで組み込むことが、ガバナンスと品質担保の鍵となります。
- 人間とAIの役割分担の設計：すべてをAIに任せるのではなく、AIが得意な部分（非定型タスク）と、従来のプログラムが得意な部分（定型タスク・厳密な計算）を組み合わせるアーキテクチャを採用することで、業務適用におけるリスクを最小化できます。
AI活用において「速さ」は重要ですが、企業として持続的に価値を提供するためには「信頼」と「再現性」が不可欠です。エンジニアリングの力を活用し、制御可能なAIシステムを構築することこそが、日本のDXを前進させる道筋となるでしょう。