Agentforceの真価を引き出す：「汎用エージェントオーケストレーション基盤」を構築する理由

SalesforceのAgentforceをはじめとするAIエージェントの進化は目覚ましいものがあります。しかし、単一のプロンプトや単純なフローだけで「実用的な業務プロセス」を完結させることは、現実のエンタープライズ環境では非常に困難です。

私は現在、「Generic Agent Orchestration Framework（汎用エージェントオーケストレーション基盤）」を構築しています。なぜこの基盤が必要なのか、具体的なユースケースとアーキテクチャを交えて解説します。

1. 「単発のAI」から「一連の業務プロセス」への転換

AIエージェントを業務に組み込む際、最大の課題は「ステート（状態）管理」と「複雑な依存関係の制御」です。

例えば、「名刺スキャン」という業務一つをとっても、単に画像をテキスト化するだけでは終わりません。実際のビジネスフローは、以下のように複数のステップが絡み合います。

1. AI処理: 画像を解析しテキストを抽出する
2. Web検索: 企業情報を補完しプロファイルを構築する
3. DB照合: Salesforce内の既存顧客との重複チェックを行う
4. 人間による判断: 登録方法（Lead作成か既存更新か）をユーザーが選択する
5. データ更新: 最終的なレコード保存と監査ログの記録

これらを個別のスクリプトでつなぎ合わせるのではなく、一貫した状態管理下で制御する仕組みが必要になります。

2. なぜこの基盤が必要なのか？ 3つの技術的必然性

① メタデータ駆動による「脱ハードコード」

ビジネスロジックが変わるたびにApexコードを修正するのは拡張性がありません。本フレームワークでは、以下のカスタムメタデータを使用してワークフローを設定として管理します。

• OrchestrationDefinition__mdt: ワークフロー全体のタイムアウトやログ設定を定義
• StageDefinition__mdt: 各ステップの順序、実行条件、入力・出力マッピングを定義
• AgentDefinition__mdt: 使用するAIモデルやApexクラス、アクションタイプを定義

これにより、コード変更なしで新しいフローを追加・変更できる柔軟性を実現します。

② 多様な実行モデル（同期・非同期）の統合

AIの処理時間は予測困難であり、外部連携も絡むため、単純な同期処理ではガバナ制限（タイムアウト）に抵触します。この基盤は、以下の実行モードをシームレスに使い分けます。

• Queueable: 複雑なチェーン処理やデータ操作に最適
• Future: シンプルな外部コールアウト処理に利用
• Batch: 大量データの一括分析や処理に対応
• Scheduled Batch: 定期的なレポート生成やチェック処理を実行
• Platform Event: イベント駆動によるスケーラブルな統合を実現

③ 完全な可視性と監査（Auditability）

「AIがなぜその判断をしたのか」を追跡することは、エンタープライズ導入において必須要件です。本フレームワークは、実行ログ、エラーログ、パフォーマンスメトリクスを完全に記録し、リトライやリカバリーを可能にする状態管理システムを備えています。

3. 実践例：名刺スキャンエージェントの動き

このフレームワーク上で動作する具体的なアプリケーションとして、「名刺スキャンエージェント」の設計を紹介します。ここでは、画像解析とWeb検索という異なる特性を持つAIを連携させています。

4. 結論：AIを「使えるシステム」にするために

Agentforceは強力なエンジンですが、それを企業の複雑な業務プロセスという道路で走らせるためには、しっかりとしたシャーシ（車台）が必要です。

私が構築している「Generic Agent Orchestration Framework」は、まさにそのシャーシの役割を果たします。メタデータによる柔軟性、堅牢な非同期処理、そして完全な監査ログ。これらが揃って初めて、AIエージェントは実験室を出て、ビジネスの中核を担うことができるのです。