ポイント: 企業プロセスに非決定的AIを組み込むには、予測可能性を維持するために効果的なガバナンスとオーケストレーションが必要です。これには、AIエージェントがその行動と影響を管理するために確立されたフレームワーク内で運営されることを保証することが含まれます。
AIエージェントは変動を引き入れる可能性があるため、ガバナンスは一貫した成果を保証しなければなりません。
オーケストレーションは、ビジネスプロセス全体でポリシーと説明責任を強制しながら、エージェントの行動を促進します。
エンタープライズITは数十年にわたり、そのシステムに予測可能性を組み込むために努力してきました。トランザクションはコミットまたはロールバックされ、データパイプラインは時間通りに到着し、昨夜実行されたワークロードは今夜も同じように実行されます。その一貫性が、銀行が支払いを処理し、病院が患者を受け入れることを可能にします。予測可能性は製品です。
AIは、企業規模で展開された最初の技術であり、異なる動作をします。同じ入力をモデルに2回与えると、モデルは異なる2つの、同様に防御可能な答えに至ることがあります。その特性こそが、AIを確実性に基づいて組織されたビジネス内で操作するのが難しい理由でもあります。
能力の問題は解決されました。企業が取り組んでいるのは、確実性に基づくプロセスの中に非決定的AIを埋め込む方法です。エージェントは、与えられた作業が完了し、その決定の根拠が明示され、誰かが介入できるときに生産環境に存在します。エージェントAIガバナンスは、期待されるパイロットと生産展開の間に立つものです。
エンタープライズAIは複雑さに停滞する
IDCは、2030年までにグローバルデータスフィアが700ゼタバイトを超えると予測しています。[1] Googleは月に3.2京以上のAIトークンを処理しており、2年前の9.7兆から増加しています。[2] 組織のほぼ4分の3がハイブリッドクラウド環境を運営しています。[3] そして、私たちの研究によると、94%の組織がメインフレームを長期的なプラットフォームまたは新しいワークロードのためのホームと見なしています。
企業はデータプラットフォーム、ハイブリッドエステート、メインフレームをそれぞれ異なるプログラムとして管理してきました。それぞれに独自のオーナーとコントロールがあります。ビジネスプロセスに配置されたAIエージェントは、単一の実行パスでこれら3つのドメインを横断します。かつては3つのシステムに触れていたプロセスが、エンタープライズアプリケーション、データパイプライン、パブリックおよびプライベートクラウド、メインフレーム、そして増え続けるAIエージェントの集団に広がります。
私たちのお客様は、AIのスケーリングに関して4つの主要な懸念を挙げています：データの質と断片化、新しいAIワークロードの運用要求、ハイブリッド環境全体でのツールの散在、およびメインフレームとその周囲のすべてとのギャップです。これら4つの懸念はすべてエージェントAIの登場以前から存在し、エージェントはそれぞれを増幅させ、組織がそれらを管理できるよりも早く接続を増やします。
オーケストレーションが予測可能性を回復する
AIエージェントは、実行するたびに行動方針を決定します。したがって、同じインシデントに対する2つの試行は、診断に向けてユニークな経路をたどることがあります。しかし、エージェントは自分の提案を実行しません。オーケストレーションは、そのアクションを許可するかどうかを決定し、進行中の作業に対して順序を付け、結果を記録し、エージェントAIガバナンスがその瞬間にアイデンティティ、範囲、承認、監査を施行します。ポリシー文書は、誰かがそれを読み、従う場合にのみ機能します。実行パスで強制されたポリシーは、すべてのエージェントに適用され、毎回、そのポリシーを構築したチームに関係なく適用されます。
企業はすでに最も重要なワークロードのために構築されたオーケストレーションを所有しています。AIにそれを拡張することは、各AIプロジェクト内で別々にガバナンスを立ち上げるよりも迅速で安価です。
今や能力のあるチームは、情報を取得し、ツールを呼び出し、定義されたタスクを完了するエージェントを組み立てることができます。困難はエージェントの周りに存在し、ライブオペレーショナルコンテキストへのアクセスを与え、行動するためのサポートされた方法を提供し、条件が変わったときにオーナーを持つことです。顧客自身のエージェントは、同じコントロール内で実行可能であり、そうあるべきです。
3つの成果がその拡張の成功を決定します：スケーラビリティ、ビジネスの成長に伴って自動化が成長すること；運用のレジリエンス、混乱が制限され、回復可能であること；信頼と自信、チームがシステムが行ったことを説明し、防御できること。私たちのポートフォリオ全体で発表している作業は、これらの成果にマッピングされています。
ガバナンスはすべてのワークロードに渡って保持されなければならない
ローンの発行を考えてみてください。受け入れ、処理、アンダーライティング、意思決定、予約、資金調達、サービスは、長い間エンタープライズシステムのチェーンを通じてオーケストレーションされてきました。同じプロセスのエージェント版では、それらの段階のいくつかがAIエージェントとAIオーケストレーターによって処理され、カスタムアプリケーション、リアルタイムおよびバッチデータ交換、従来のシステムが隣接しています。ビジネスプロセスは同じままでしたが、それを実行するシステムの組み合わせは変わりました。そのチェーン内のエージェントは、プロセスが完了するかどうか、依存関係、例外、サービスレベルに影響を与えるため、重要です。
それが混合ワークロードの共同オーケストレーションです：決定論的なタスクと非決定的なエージェントが1つのプロセスとして調整され、依存関係、サービスレベル、回復が両方に均一に適用されます。それがなければ、エージェントは他のすべてを支配するシステムの外で実行され、企業が無許可のスクリプトやスケジューラーを統合したときに解決した問題と同じ問題が発生します。
チームは、確認および逆転できるものに比例してエージェントに権限を与えますので、範囲は具体的でなければなりません。定義されたタスクと定義された影響範囲を持つエージェントは、広範な裁量を持つエージェントよりも早く信頼を得ます。そして境界は能力よりも重要です。
実際には、単一のタスクから始め、それを今日の作業と比較し、結果が保持されている場合にエージェントの権限を拡大することを意味します。
データの下でも同じことが言えます。古いまたは不完全な入力を考慮するエージェントは、悪い証拠から防御可能な答えを生成し、よく調整されたプロセスはその答えを異議を唱えずに下流に運びます。データの出所、使用に適しているかどうか、およびそれに依存しているものを知ることは、現在の運用上の問題です。
メインフレームは、さらにリスクを高めます。メインフレームは、企業が依存するトランザクションとビジネスロジックを保持しており、それを操作するために必要な知識は年々少ない人々にしかありません。プラットフォームの境界で止まるガバナンスは、ガバナンスではありません。エージェントが触れるすべての環境にわたって適用される1つのポリシーセットが必要であり、その背後に単一の監査パスが必要です。なぜなら、各製品内で別々に構築されたガバナンスは、制御することを意図したエステートと同様に断片化されてしまうからです。
エージェントが実行されるかどうかを決定する3つの質問
エージェントは修正を提案します。アクションの前に3つの質問があります：このエージェントの到達範囲はどれくらいか、誰がそれを拡張したのか、修正を元に戻すコストはどれくらいか。
それらはエージェントの周りのシステムに関する質問であり、それらの回答はインシデントの前に構築されていなければなりません。診断を説明できるが、その権限を説明できないエージェントは承認を得られず、得るべきではありません。
これが変動が許容される理由でもあります。同じエージェントが異なる経路を通じて異なる日に同じ結論に達することがあり、そのすべての経路が同じチェックを通過し、同じ記録を残すとき、それは何のコストもかかりません。その経路は、エージェントが許可されたものを決定する場合にのみ問題になります。
生産は規律に基づいて進行する
エンタープライズAIの最初のフェーズは実験を報いるものでした。生産はより難しい質問を投げかけます。組織が運営するエージェントの数は、いずれも重要な作業を信頼されるかどうかを示すものではありません。重要なのは、ビジネスが依存する他のすべてと同じ規律で運営されているかどうかです。作業が正しく順序付けられ、数ヶ月後にその部屋にいなかった監査人に説明できる意思決定ができることです。これがエージェントAIガバナンスの役割です。
モデルは変わり、エージェントフレームワークも変わります。しかし、重要な作業が予測可能に完了する必要性は、どちらも超えて存続します。その3つの質問に答えられない能力は、誰がそれを構築したかに関係なく、ビジネスを運営するシステムに存在すべきではありません。企業はかつて、ソフトウェアが自分たちの代理で動くことを許可する方法を学び、すべてのステップを監視する必要はなく、予測可能性は今でも製品です。
それが、私たちが導入している能力が実行パスに存在する理由です。Control-Mの最新のリリースは、AIエージェントをビジネスワークフローに接続するAI対応オーケストレーションを進展させ、SaaSおよびセルフホスト環境の両方で利用可能です。Control-Mの新しいAIパイロット機能は、監視ビューに会話分析とワークフローの説明を提供し、オペレーターが手動でそのコンテキストを組み立てるのではなく、自然言語で問題を理解し、解決できるようにします。Control-M SaaSのデータ保証は、ワークフローが依存するデータの質を向上させます。これは、検証されていない入力を考慮するエージェントが悪い証拠から自信のある答えを生成するため、重要です。そしてマルチリージョン災害復旧は、エージェントが解決できない唯一の条件、つまり環境自体が失敗することから重要なワークフローを保護します。
メインフレームでは、リスクとスキルの問題が最も厳しい場所で、BMC AMIエージェンティクス for OpsとBMC AMIエージェンティクス for Dataは、問題を調査し、根本原因を説明し、次のステップを推奨するために専門のエージェントを投入し、Db2のパフォーマンスと最適化にも同じ専門知識を提供します。BMC AMIアシスタントは、メインフレームの知識とAIアシスタンスを直接Microsoft Teamsに持ち込みます。なぜなら、証拠は作業がすでに行われている場所でのみ有用だからです。新しい開発能力は、サイクルタイムを短縮し、品質を向上させるために、プログラムのコードから合成テストデータを生成することによって、スキルの問題に対処します。そして、強化されたセキュリティコンテキストは、混乱が最も許容できない場所でサイバー耐性を強化します。
これらの機能は、私たちが企業を運営するのを助けてきたシステムで実行され、依存可能なAIに関する主張が立つべき基盤です。今の作業は、システムが推論を始める間に、予測可能性を保持することです。リリースの詳細については、Control-MとBMC AMIの新着情報ページをご覧ください。
[1]: IDC, 市場予測: IDC Global DataSphere Forecast, 2026–2030, 2026年6月 (公開要約)。 https://my.idc.com/getdoc.jsp?containerId=US53425426
[2]: Google, "I/O 2026: エージェンティックなジェミニ時代へようこそ," 2026年5月19日。 https://blog.google/innovation-and-ai/sundar-pichai-io-2026/
[3]: Flexera, 2026年クラウドの状態レポート, 2026年3月、p. 13. https://resources.flexera.com/web/pdf/Flexera-State-of-the-Cloud-Report-2026.pdf
[4]: BMC, 2026年メインフレーム調査. https://www.bmc.com/info/mainframe-survey.html
これらの投稿は私自身の意見であり、必ずしもBMCの立場、戦略、または意見を代表するものではありません。