Problem
AIエージェントが本番に届かない理由
難しいのはエージェントを動かすことではなく、 それを毎日回り続ける業務にすることです。
デモは動くが、本番に載らない
ノートブックの中では賢く動く。しかし既存のDBやバッチ、権限管理と噛み合わず、業務フローに組み込めないまま止まります。
出てきた結論を信用できない
もっともらしい答えは返る。けれど根拠が示されず、誰もその結論に責任を持てない。結局、人が全件見直すことになります。
APIコストが読めない
対象データが数千件を超えた瞬間、上位モデルへの全件投入は現実的な費用を超えます。安く済ませれば、今度は精度が落ちます。
Pipeline
結論に至るまでの、6つの工程
一発の推論で答えを出しません。段階を分け、最後に必ず反証を挟みます。
データ基盤
外部APIから取得したデータを正規化してDBへ。ETF・REITを含む約4,400件の日次データを自動生成します。
候補抽出
複数のエージェントが並列でスクリーニング。母集団から検討に値する候補だけを引き上げます。
絞り込み
抽出された候補を条件で突き合わせ、深く調べる価値のあるものへと段階的に絞ります。
深掘り
専門役のエージェントが、それぞれの観点から対象を詳細に分析し、仮説と根拠を立てます。
レッドチーム反証
別のエージェントが、その仮説を崩しにいきます。反証に耐えられなかったものはここで落とします。
PM最終判定
残った結論と反証の記録を突き合わせ、最終的な判断と優先順位を確定させます。
バッチ・キュー
Laravel 12
ダッシュボード
Nuxt 3
データストア
MySQL
ローカル推論
ローカルLLM
最終判断
上位LLM API
データ取得
外部API連携
※ 上記は自社運用基盤での構成例です。既存システムの技術スタックに合わせて実装します。
Features
ARERE が提供するもの
役割を分けた並列処理
一つの巨大なプロンプトに詰め込みません。候補抽出・絞り込み・深掘り・検証と役割を分割し、並列に走らせることで、処理量とデバッグのしやすさを両立します。
反証してから、決める
結論を出す担当とは別に、それを否定しにいくレッドチーム役のエージェントを置きます。反証を通過したものだけが最終判定に進むため、根拠の弱い結論が残りません。
Dual LLM によるコスト設計
大量の一次スクリーニングはローカルLLMで処理し、最終判断だけ上位APIに任せます。件数が増えても費用が線形に膨らまない構造を、最初から設計に織り込みます。
既存システムへの統合
新しいAI基盤を横に建てるのではなく、いま動いているアプリのバッチ・キュー・DBの中にエージェントを組み込みます。運用チームが扱える形にします。
データ基盤の整備から
外部APIの取得、正規化、日次更新まで含めて設計します。エージェントの精度は、その手前のデータ品質でほぼ決まります。
毎日動き続ける運用
失敗時のリトライ、途中経過の可視化、結果のダッシュボード化まで。動かし続けられる状態を納品の条件にしています。
Case Study
自社で、毎日動かしています。
株式市場を対象としたリサーチ基盤を自社開発し、運用しています。 外部APIから取得したデータをMySQLに正規化し、毎日3,700銘柄以上の個別データを生成。その上で12体のエージェントが並列に走り、 候補抽出から反証、最終判定までを自動で通します。
受託でお渡しするのは、この基盤で検証済みの設計思想です。 統合・信頼性・コスト・運用という、地味だが決定的な部分をそのまま移植します。
構築の詳細を読む（Zenn）なぜ結論を信用できるのか
- 結論だけでなく、そこに至った根拠と反証の記録が残る
- 工程ごとに切り分けられるため、間違いの発生箇所を特定できる
- 一次処理をローカルLLMに寄せ、件数が増えても費用が破綻しない
- デモ環境ではなく、毎日実データで動く前提で設計する
Use Cases
こんな業務に向いています
「量が多い」「工程が分かれる」「毎日繰り返す」。 この3つが揃う業務ほど、効果が出ます。
大量スクリーニング
数千〜数万件の対象から、人が見るべきものだけを毎日抽出する。候補が多すぎて手が回らない業務に。
定期的な自動判定
審査・与信・アラート判定など、一定の基準で毎日繰り返される判断業務の一次処理を任せる。
多工程のリサーチ
調査 → 整理 → 検証 → 報告と工程が分かれる業務。工程ごとに役割を分けたエージェントで再現する。
既存システムのAI化
すでに動いている業務システムに、作り直しではなく後から知的処理を足していく。
Process
導入までの流れ
業務フローの分解
対象業務を工程に分け、どこを自動化し、どこに人の判断を残すかを整理します。
データ基盤の設計
必要なデータの取得元・更新頻度・正規化の形を決めます。ここが精度の土台になります。
エージェント構成の実装
役割分割、並列処理、反証プロセス、モデルの使い分けを実装し、実データで検証します。
本番統合・運用移管
既存システムへの組み込み、監視、ダッシュボード整備を行い、運用チームへ引き渡します。