生成AIとエージェンティックAI（自律型AI）が普及する現代において、アプリケーション管理サービス（AMS）の役割は根本から変わり始めています。

新たなAI機能が成熟するにつれ、企業のリーダーたちは、従来の運用モデルや業務プロセス、さらには人間と「デジタル上の同僚」であるAIとの関係性そのものを見直し始めています。HCLTechトレンド&インサイト ポッドキャストでは、変革がなぜ今急務なのか、AMSの価値創造のどこにAIを組み込むべきか、そして信頼、コンプライアンス、品質をいかに中心に据え続けるかについて、HCLTechのデジタルビジネス担当シニア・バイスプレジデントであるKandasamy “Jam” Ramanujamが解説します。

なぜ今、アプリケーション管理に変革が求められているのか

その緊急性を、Ramanujamは簡潔に説明しています。「ここ数年、テクノロジーの変化のスピードは著しく加速しています。すべては生成AIから始まり、今ではエージェンティックAIへと進化を遂げています」と彼は述べ、クライアントは「AIから得られるメリットを最短で享受できるよう、新たなAI技術を自社環境に導入すること」をプロバイダーに強く望んでいると指摘します。まさにこうした期待が、運用モデルそのものの再考を迫る大きな要因となっています。

Ramanujamが決まって目にする変化は、機能ベースの運用から、製品に合わせた運用モデルへの変化です。Ramanujamによれば、AIに投資している企業が「従来の運用モデルではなく、製品に合わせた運用モデル」を採用した場合、投資対効果（ROI）を最大化できる可能性がはるかに（HCLTechの最新調査によれば、4倍）高いというデータがあります。その理由は明確です。製品に合わせて最適化されたAMSは、単にシステムや処理すべきチケットを管理するのではなく、カスタマージャーニーやカスタマーエクスペリエンスの目標値、サービス提供コストといった具体的なビジネス成果に直接結びついているからです。経営陣は「コストを抑えつつ、提供するサービスの質とユーザーエクスペリエンスを向上させること」を求めています。この両立を実現するには、継続的な学習とオートメーションを前提に設計された運用モデルが不可欠です。

最優先の指標はトータルエクスペリエンス

これからのAMSは、トータルエクスペリエンスを最優先の指針とすべきだとRamanujamは主張します。トータルエクスペリエンスとは、「エンドユーザー、ビジネスリーダー、ビジネスユーザー、そしてITユーザーにいたるまでの関係者に提供されるエクスペリエンス」を意味します。

従来のアプリケーション管理は、技術的な指標や根本原因の特定や修復に重点が置かれていました。しかし現在、Ramanujamはこれを「体験」という観点から捉え直すべきだと指摘します。「もし、アプリケーションに紐づくユーザー像やプロセスなど、体験という視点で全体を見ることができたらどうなるかを想像してみてください」。サービス提供のどのプロセスで問題が生じているかをチームが把握できるようになれば、「さまざまなステークホルダーに提供されている体験にどのような不具合や停滞が生じているかを的確に特定できる」ため、適切な対応をしかるべきルートに振り分けられるようになります。例えば軽微な問題はプロダクトのバックログに回し、大規模な修正は変更のバックログへ、そして「構造的な変革を伴う課題」はシニアステークホルダーに割り当てて段階的な実装を進めるといった具合です。

このプロセスは、生成AIが遠隔測定データを「何が起きているのか」「誰に影響が出ているのか」「体験に与える深刻度はどれくらいか」といった人間が理解しやすい説明に変換することで、大幅に加速します。これにより、実際の問題の大きさを反映した優先順位付けが可能となり、本当に優先すべき課題から対応できるようになります。

これはHCLTechが公開しているケーススタディでも確認できます。ある通信会社では、生成AIを活用した運用により何百万人もの加入者へ滞りないサービスを提供しており、またあるエネルギー企業はオートメーションによってダウンタイムを削減しています。どちらのケーススタディも、体験を中心に据えたAI主導のAMSが、問題をいかに未然に防ぎ、検知から解決までの時間を短縮できるかを示しています。

パイロット運用から本番運用へ：エンドツーエンドの価値創造の視覚化

生成AIの本格展開とは、単にITSMツールにチャットボットを付け足すといったことではありません。Ramanujamが推奨するのは、AMSの価値創造をエンドツーエンドで可視化し、測定可能な効果を生み出せる箇所にAIを組み込むことです。「私たちは価値創造の全体像を俯瞰して捉えています。チケットが作成される前、作成されたとき、担当者への割り当て、自動または手動での解決、そしてフィードバックループにいたるまでの全体です。この価値創造のあらゆる段階に、AI、生成AI、エージェンティックAIを活用できる機会が存在します」。

• チケット発生の未然防止（作成前）：テクノロジースタック全体の可観測性と組み合わせることで、AIはユーザーが異変に気づく前に、問題の兆候を検知します。生成AIは「表面化しつつある状況を人間が読める形式で説明」した平易な要約を付け加え、エージェンティックAIは「発生している現象の根本原因を特定するのに役立ち」ます。これによってチケットの作成数を削減でき、インシデント対応の責任者の負担が軽減されます。
• 重要度による優先順位付けと割り当て：問題が発生した場合は自然言語理解（NLU）が問題を分類し、問い合わせの「本当の意図を読み取った」上で、信頼度スコアや推奨されるプレイブックと合わせて最適な対応チームに振り分けます。
• 解決と実行：信頼度スコアが高い場合はエージェンティックAIによるワークフローが解決策を提案し、限定された範囲内であれば修復作業までを実行します。Ramanujamは「解決策の信頼度に基づく」閾値の重要性を強調し、この閾値を下回った場合は自動的に人間の担当者にエスカレーションされるべきだとしています。エージェンティックAIをこのように活用することで、完全に自動解決できる割合を引き上げることができます。
• フィードバックループ：問題管理のプロセスは、より迅速で厳密なものへと進化します。Ramanujamが説明するように、サービスの責任者は生成AIを使って問題を分析し、「どのような問題があり、オートメーション化できる機会はどこにあるかを特定」できます。そして最も重要なのは、その機会をユーザーエクスペリエンスという視点に照らして評価することで、現実のユーザーに悪影響を与えている問題から優先的にバックログへ反映できるようになるということです。

こうした統合的なアプローチにより、単発的なパイロット運用を、AIが組み込まれた日々の運用プロセスまで拡大できます。

エージェンティックAIよるオートメーションに適した業務とは？

Ramanujamはオートメーションの準備状況を担当者の役割ごとに分類しています。例えばサービスエンジニアの場合、業務の流れはおなじみです。チケットが割り当てられると、エンジニアはその概要を把握し、最も可能性の高い原因と解決策を特定した上で、対応に移ります。この作業は現在、エージェンティックAIが大部分を担えるようになっています。「問い合わせの意図を把握し、根本原因を特定し、最適な解決策を見つけ出し」、自律性の閾値に応じて「その解決策を実際に実行すること」まで可能になっています。

RamanujamはAIを安全かつ拡張可能な形で運用するために、推奨する提案の提示のみ、承認した上での実行、さらには標準化された低リスクな修復作業の完全自律的な実行にいたるまで、明確な「自律性レベル」を設けることを推奨しています。そのカギとなるのが、「信頼度を判断する閾値こそが、自律性のレベルを左右する」という点、そして「閾値を下回った場合はいつでも、エージェンティックAIはエスカレーションによって人間の判断（ヒューマン・イン・ザ・ループ）を仰ぎ」、承認を求めたり、エンジニアがより広い状況判断に基づいてAIの判断を上書きしたりできるという点です。これを「最小権限の原則」や「監査可能な証跡」と組み合わせることで、統制を損なうことなくスピードを確保できます。

デジタル上の「同僚」との連携：コラボレーションパターンの定着

人間とエージェンティックAIは、対立関係ではなく協力的な関係にあります。「私たちはエージェンティックAIを、作業の一部を分担してくれる『仲間』や『チームメイト』のような存在として捉えています」とRamanujamは語ります。例えば監視業務では、チームはダッシュボードやアラートからの膨大なシグナルに埋もれがちです。ここでエージェンティックAIが「これらの一部を処理して結果を提示し、発生している事象の優先順位付けを支援」してくれるため、人間は判断やエスカレーション、関係者とのコミュニケーションといった業務に注力できるようになります。

Ramanujamはさらに、特定の役割に最適化された専門エージェンティックAIについても言及しています。「エンジニアが一連のログを分析する必要がある」場合、ログ分析エージェントは「アクセスする必要のあるさまざまなログの種類を特定し、目の前の問題を分析し、要約して、エンジニアに提示する」といったことが可能です。

優れたコラボレーションの見極め方はシンプルです。人や部門間の連絡や中継の削減、平均解決時間（MTTR）の短縮、シフト間の引き継ぎの円滑化、およびリスク管理・監査・セキュリティ部門にとって予期しない事態が発生しないことです。

測定可能な成果：生産性と品質の向上

Ramanujamは、AI導入によって得られる成果について明確に述べています。「私たちは、これが2つの主な領域で有益であると考えています。1つは生産性の向上、もう1つは提供する解決策の質の向上です」。現場での成果としては、問題検知時間の短縮、初回解決率の向上、優先度の高いインシデントの減少、そしてエンジニア部門が本来の業務に充てられる時間の増加として表れます。先ほど挙げたケーススタディも、この潮流を裏付けています。生成AIを活用した品質保証により何百万人もの契約者に安定した通信サービスを提供し続ける通信事業者や、オートメーションによってダウンタイムを削減した大手エネルギー企業など、いずれも最高のインシデントとは「ユーザーが気付くことすらなくなる」未来を示唆しています。

そして、その効果は複利的に増加します。「生産性、解決策の両方で、すでに大きな効果が現れ始めています」と彼は述べ、AIモデルの調整が進み、運用手順が体系化され、適切に管理された領域で自律性が高まるにつれて、「その効果は向上し続け」、将来的には「さらに大きな効果」がもたらされるだろうと結論付けています。

新時代を切り拓く推進力

生成AIとエージェンティックAIは、AMSにおける単なる追加機能ではありません。AMSを新たな運用モデルに進化させる推進力となるものです。トータルエクスペリエンスを中心に据え、価値創造プロセスの全体にAIを組み込み、人間の介入という安全策を備えた明確な自律性レベルを確立することで、企業はより多くの問題を未然に防ぐだけでなく、発生した問題も迅速に解決し、継続的に学習していくことが可能になります。

Ramanujamが指摘するように、その最大の成果は「生産性の向上」と「質の向上」という2つのメリットに結実します。これはデジタル上の「同僚」が人間の専門家と緊密に連携し、信頼性の高い体験中心のサービスを提供することで実現します。そのための実用的なアプローチはすでに用意されています。まずはユーザージャーニーとサービスレベル目標（SLO）の整理から着手し、インパクトの大きいユースケースをいくつか厳選した上で、必要な安全策を設けて段階的に適用範囲を広げていくことです。これを効果的に実行できれば、アプリケーション管理は単にAIに支援された運用にとどまらず、AIが根本に組み込まれた運用へと進化し、顧客、ビジネスユーザー、ITステークホルダーにとって測定可能な成果をもたらします。