01複数AIを使うと、最後に「統合」が必要になる
複数のAIモデルやエージェントを使い分ける人が増えている。調査はこのモデル、分析はあのモデル、レビューは別のモデル——と役割を分けるのは、もはや珍しい使い方ではない。
すると自然に、一つの仕組みを考えたくなる。入力を一度に配り、各AIの回答を集め、最後に一つへ統合する仕組みだ。
入力 ↓ オーケストレーター ├─ AI A ├─ AI B ├─ AI C └─ ツール ↓ 統合AI ↓ 回答
構造としては正しい。しかしこの構成には、静かなボトルネックがある。最後の統合AIだ。
途中の各AIがどれほど高度な分析を出しても、最終統合が弱ければ、すべてが平板な文章に均される。三人の専門家が精緻な意見を述べたのに、新人が議事録にまとめた——そういう状態になる。統合の段階で、専門性が要約に置き換わってしまう。
この問題は「もっと賢い統合AIを使う」だけでは解決しない。統合という工程そのものが、情報を捨てる構造になっているからだ。本稿はその構造を明らかにし、代わりに何を保持すべきかを提案する。
02現在のAIオーケストレーションは何をしているのか
まず、既存の考え方を公平に整理しておきたい。現在のAIオーケストレーションには、すでに豊富なパターンがある。ルーターが入力を見て適切なAIを選ぶ。専門エージェントへ処理を委譲する（handoff）。複数エージェントで議論させる（debate）。順次処理と並列処理を組み合わせる。状態を保存し、中断した処理を途中から再開する。重要な分岐に人間の承認を挟む（human-in-the-loop）。
AutoGenは、エージェント間のメッセージ交換から生まれる構造をマルチエージェント・デザインパターンとして整理し、handoff、debate、mixture of agentsといった型を提供している。MicrosoftのAgent Frameworkは、これらのパターンに状態管理、型システム、テレメトリといった企業向け機能を組み合わせている。
これらに共通する主眼は、一言で言える。誰に、何を、どの順番で実行させるか。つまり既存のオーケストレーションは、実行の管理技術である。それ自体は必要であり、成熟しつつある。問題は、その先にある。
03LangGraphもグラフだが、何が違うのか
「グラフ型」という言葉は、すでにオーケストレーションの世界で使われている。代表がLangGraphだ。だからこそ、ここを曖昧にしたまま「グラフでAIを統合する」と言っても、既存技術の紹介にしか聞こえない。区別をはっきりさせたい。
LangGraphのグラフは、実行の状態遷移を表す。
調査 ↓ 分析 ↓ レビュー ├─ 合格 → 出力 └─ 不合格 → 再分析
ノードは処理ステップであり、エッジは「次に何を実行するか」である。長時間動作するステートフルなエージェントを制御する基盤として、この設計は強力だ。
一方、AIが分析している対象の世界にも、構造がある。たとえばリスク分析の対象は、こういう形をしている。
規制強化 ├─ コスト上昇 → 投資縮小 ├─ 標準化 → 信頼向上 └─ 適用除外 → 影響遮断
ノードは事象や主張であり、エッジは「なぜつながるか、何を引き起こすか」である。
前者はAIがどう動くかのグラフ。後者はAIが何について考えているかのグラフ。両者は同じ「グラフ」という言葉で呼ばれるが、指しているものが違う。前者を精緻にしても、後者は一行の文章に圧縮されたままだ。本稿が扱うのは後者——推論の対象と結果を構造として保持するグラフである。
| 既存のAIオーケストレーション | グラフ型統合AI | |
|---|---|---|
| 主な対象 | エージェント、モデル、ツール | 主張、根拠、制約、因果、反証 |
| グラフの意味 | 処理順序・制御フロー | 対象世界・推論構造 |
| ノード | AI、ツール、処理ステップ | 概念、事実、仮説、条件 |
| エッジ | 次に何を実行するか | なぜつながるか、何を引き起こすか |
| 統合方法 | 最終エージェントが要約 | 構造を接続・比較・更新 |
| 主な課題 | 配信、状態管理、失敗制御 | 矛盾、境界条件、経路、構造変化 |
| 最終成果 | 一つの回答やタスク完了 | 編集可能な世界モデル |
04通常の統合が情報を丸めてしまう理由
なぜ文章による統合では足りないのか。複数AIの回答を最終エージェントが一つの文章にまとめるとき、対立する仮説が中和される。少数意見が消える。条件付きの主張が一般論になる。因果の経路が、結論だけに圧縮される。そして、どの前提を変えれば結論が変わるのかが、分からなくなる。
具体例で見よう。三つのAIがこう答えたとする。
AI A：規制強化は投資を減少させる
AI B：規制強化は市場の信頼を高める
AI C：この業界は規制の適用対象外である
これを普通に統合すると、こうなる。
規制強化には正負両面の影響があり、業界によって異なる。
間違ってはいない。でも、使えない。AとBの対立は「両面の影響」という表現に中和され、Cが提示した決定的な条件——そもそも適用対象なのか——は「業界によって異なる」に溶けている。この文章から意思決定はできないし、前提が変わったときに何を見直すべきかも読み取れない。
グラフ型統合なら、三つの主張を消さずに残せる。AとBの間には contradicts のエッジを張り、Cは両者に対する適用条件（applies_when / excluded_by）として接続する。対立は対立のまま、条件は条件のまま保持される。結論を急がず、構造を持ち越す。これが「丸めない統合」である。
ここでいう統合とは、意見を一つに収束させることではない。同一対象への主張、根拠、反証、適用条件を、相互に参照可能な一つの構造へ配置することである。だから、矛盾が残ったままでも統合は成立する。
05何を外部化するか——ノードとエッジ
グラフ型統合AIの設計で重要なのは、AIの回答を保存するのではなく、回答の中にある構造を保存することだ。回答テキストをそのまま溜めても、それは検索できるログにしかならない。取り出すべきは、回答が内部に持っている主張・根拠・条件・因果の骨格である。
これは、既存の知識を検索するための知識グラフに、AIを接続するだけの構成ではない。AIの推論過程で生じた仮説、対立、条件、未確定性そのものを、更新可能なグラフとして蓄積する構成である。グラフは静的な参照先ではなく、推論によって変形していく。
ノードの候補：観測事実、主張、仮説、根拠、制約、境界条件、リスク、インパクト、シナリオ、未確定事項。
エッジの候補：supports（支持する）、contradicts（矛盾する）、causes（引き起こす）、inhibits（抑制する）、depends_on（依存する）、applies_when（〜のとき適用される）、excluded_by（〜により除外される）、derived_from（〜から導かれる）、updates（更新する）、precedes（先行する）。
このボキャブラリは対象領域ごとに調整すればよい。重要なのは、supports と contradicts が同じグラフに共存できることだ。一般的な要約型の文章統合では、矛盾は解消または圧縮されやすい。グラフでは、矛盾は保持すべき情報である。矛盾が残っている場所こそ、次に検証すべき場所を示している。
06AIの役割も変わる
推論構造を外部に持つと、AIの位置づけが変わる。AIは最終回答を出す唯一の主体ではなくなり、グラフを育てる複数の役割に分かれる。仮説を追加するAI。反証を探すAI。ドメイン制約を確認するAI。欠落した経路を探索するAI。ノードを分割・統合するAI。条件が満たされたシナリオを発火させるAI。そして最後に、グラフから文章を生成するAI。
文章化は工程の最後にあるが、それは統合ではない。統合はすでにグラフ上で済んでいる。文章化AIは、構造を読み手に合わせて直列化しているだけだ。
そしてこの構成の核心は、次の一点にある。統合知を、モデルの内部ではなく、モデル間の構造に持たせる。どのAIの内部にも全体像を閉じ込めない。共有可能な全体像はグラフ上に構成し、必要に応じて編集する。特定のモデルを入れ替えても、蓄積された推論構造は残る。これは、統合知が単一モデルの重みやコンテキストに閉じている構成との、決定的な違いである。
07既存研究との位置関係
この方向は、完全な空白地帯ではない。近い提案はすでに現れている。Agents-K1は、論文を要約や引用関係に縮約せず、主張・証拠・メカニズム・方法の系譜を含む科学知識グラフとして整備し、エージェントが利用できる形にすることを提案している。Agent-as-a-Graphは、エージェントやツール自体を知識グラフ上で表現し、検索・選択の精度を改善する方向を示す。AGENTiGraphは、AIがドメイン知識グラフを自然言語で更新・操作する枠組みを提示している。
ただし、それぞれの重点は異なる。科学知識の編成、エージェント選択、知識グラフ操作——いずれも個別の応用に向いている。本稿の整理はもう一段一般化できる。オーケストレーションの対象を、エージェントから推論構造へ移す。実行の管理から、知識の管理へ。誰が動くかのグラフから、何が分かっているかのグラフへ。この視点の移動が、上記の個別研究を貫く共通の方向だと考えている。
08実務ではどこに効くか
この構成が効くのは、「一つの正解」ではなく「構造の見通し」が価値を持つ領域である。リスク・シナリオ分析、戦略立案、インシデント分析、規制影響分析、デューデリジェンス、研究調査、意思決定支援。
特に効くのは、次のような問いだ。
業界固有の制約を追加したが、本当にシナリオへ反映されたのか分からない。
文章ベースの統合では、この問いに答えられない。新しい制約を加えて再生成しても、出てくるのは別の文章であり、前の文章との差分は読み手が目視で探すしかない。グラフなら、変更前後を構造として比較できる。消えた経路。新しく発火した経路。影響を受けなかった経路。閾値を越えたループ。制約の追加が推論のどこに効いたかが、差分として見える。
09結び
現在のAIオーケストレーションは、複数のAIを効率よく働かせるための技術である。それは必要であり、成熟しつつある。しかし、複数AIの推論を一つの文章へ統合するだけでは、矛盾、条件、因果経路、少数仮説が失われる。統合の質は、最後のAIの賢さではなく、何を保持する設計になっているかで決まる。
次に必要なのは、AIをどう接続するかだけではない。AIが生み出した知識と推論を、どのような構造として外部に保持するかである。AIを動かすグラフから、AIが考える世界を保持するグラフへ。オーケストレーションの対象は、エージェントから推論構造へ移り始めている。