チャルマース工科大学、アイントホーフェン工科大学、マルメ大学の研究者による系統的文献レビューであり、ソフトウェア製品開発においてエージェント型 AI が実際にどこで成熟に達しているのか、どのアーキテクチャパターンが支配的なのか、そして産業界での導入がどのような限界に突き当たるのかを問うている。著者らはこの分野を「支援から自律へ」と移行するものとして捉えている。生成 AI は、明示的なプロンプトに応答する受動的なアシスタントとしてライフサイクルに組み込まれてきたのに対し、エージェント型システムは計画し、推論し、ツールを使い、自己改善し、最小限の人間の介入で複数ステップのワークフローを実行する。そのため、個々の開発者の作業ではなく、ライフサイクルのフェーズ全体にまたがることができる。
このレビューは Kitchenham と Charters のガイドラインに従い、IEEE、ACM Digital Library、SpringerLink、Scopus の 4 つのデータベースを対象として、1,609 件の生の記録を、人手で確認した 92 本の一次研究にまで絞り込んでいる。候補の量が多く人手でのフィルタリングが現実的でなかったため、著者らは第 2 の貢献として、ドメインに依存しない 6 ステップのマルチエージェントによるスクリーニングパイプラインを構築し、検証した。役割を演じる Assistant エージェントと Evaluator エージェントがそれぞれ独立に各記録を分類し、意見が食い違った場合は最大 3 ラウンドの構造化された議論的対話が行われ、解決しない対立は偽陰性を最小限に抑えるためにデフォルトで採録とされる。2 つのエージェントを用いるすべてのステップでは、合意が独立した推論経路を反映するよう、意図的に異なるモデルが 2 つのエージェントに使われている。
統合の中心的な主張は、現在産業界でのエージェント導入を左右しているのはモデルの能力ではなく 出力の検証可能性 であり、同じ原理が、エージェントがどこに導入されているか、どのように設計されているか、そしてその失敗がどのように封じ込められているかにも見て取れる、というものである。
要点
- 92 本の一次研究のうち、産業の文脈で開発・評価されたものは 13 本にすぎず、残りの 79 本はベンチマークや統制された実験環境で評価された学術的な概念実証である。
- エージェントの成熟度は開発後のフェーズに集中している。保守（20 本）、テストと QA（18 本）、複数のフェーズにまたがる横断的な取り組み（15 本）、デプロイと運用（14 本）、コーディングと実装（12 本）が大半を占める一方、要求分析（7 本）、プロジェクト管理（3 本）、設計とアーキテクチャ（3 本）は最も研究が少ない。
- 著者らはこの集中を検証可能性に帰している。開発後のタスクは、テスト結果、コンパイラの出力、障害箇所特定のトレース、ログのシグナルといった客観的で実行可能なフィードバックによって確認できる出力を生み出すため、自己改善のループは人間による評価なしに、改善の拠り所となる具体的な状態を得られる。
- 対象とした研究群には、コーディングと実装に関する産業研究が 1 本もなかった。著者らはこれを研究努力の欠如ではなく、そこでの産業導入には、統制されたベンチマークでは捉えられない、文書化されていない制約や変化し続ける要求を抱えた大規模なレガシーコードベース上でエージェントが動作することが求められることの表れだと読み解いている。
- 調査対象の研究全体で支配的なアーキテクチャは、マルチエージェントによる役割の専門化であり、最も一般的なのは、Orchestrator エージェントがサブプロセスの流れを管理する Planner–Executor–Reviewer である。著者らは、このパターンがライフサイクルのすべてのフェーズの論文に現れていると報告している。
- JSON や LangGraph の状態グラフを介した、構造化され型付けされたエージェント間通信によって、自由記述のテキストによる引き継ぎが、形式的に型付けされた状態遷移に置き換えられることが多かった。
- メモリと検索は第 2 の構造的な軸をなしており、検索拡張生成がベースラインの仕組みとなっている。産業研究では、平坦なベクトル検索よりも構造に根ざした検索が好まれており、Apple の本番環境で検証されたベクトルとグラフのハイブリッドな知識システムや、エージェント間の共有メモリ層として用いられる Zero-Shot Dependency Mapping Knowledge Graph などがある。
- 最もよく報告される限界は、非決定的な振る舞い、情報過多、ハルシネーション、スケーラビリティである。学術研究と産業研究の双方で支配的な対処の仕組みは、評価手法の結果に基づく反復的な自己修正である。
- すべての課題カテゴリにわたる産業界の緩和策は、エージェントの行動を検証可能で境界のある空間に閉じ込めることに収束している。すなわち、あらかじめ定義されたアトミックな行動の語彙、構造化された出力、そして中間的な誤りを伝播させずに棄却する、段階ごとの合否テストである。
- 著者らは、エージェントの統合をライフサイクルのより早いフェーズへと広げることは、何よりもまずフェーズに適したフィードバックの仕組みを設計する問題であり、モデルの能力を向上させる問題ではないと論じている。
注記
このレビューは、エージェントの能力や手法のカテゴリを個別に扱うのではなく、横断的な原理を軸に知見を整理している点で、近年のいくつかの二次研究との違いを打ち出している。LLM ベースのマルチエージェントシステムを扱うレビュー、より広範なエージェント中心のサーベイ、手法カテゴリによる分類、実務者へのインタビュー研究と、自らの範囲を対比させている。
著者らは、除外した論文 100 本（エージェントを用いた各段階から 50 本ずつ）を人手で再確認することで、スクリーニングパイプラインの信頼性を検証したと報告している。偽陰性は関連性の選定フェーズで 1 件だけ見つかった。その比率を除外された 669 件の記録全体に外挿すると、見落とされた関連論文は合計で約 7 本と見込まれるが、著者らは、唯一の見落としがより小さな候補集合を扱うフェーズで生じたものであることから、実際の数はそれより少ない可能性が高いと論じている。
妥当性への脅威として 3 点が挙げられている。関連性の判断はあらかじめ定義されたプロンプトと特定のモデルに依存するため、プロンプトの不正確さや将来のモデルの変更が系統的なばらつきをもたらしうる。査読済みの研究を優先するためにグレー文献は意図的に除外されたが、産業界のエージェント型の実践は正式な出版に先立ってグレー文献に現れることが多いため、著者らはこれが情報の損失を伴うことを認めている。また、多くの産業研究は独自のデータや組織固有のワークフローに依存しており、そのアーキテクチャや緩和策がどこまで他に移転できるかは限られる。
マルチエージェントパイプライン全体、その Assistant と Evaluator のプロンプト、4 つのデータベースへのクエリから得た生のデータセットは https://doi.org/10.5281/zenodo.20670298 で公開されている。この研究は Software Center の資金提供を受けている。