金融情報の巨人であるBloombergのAIエンジニアリングチームには、長らくひとつの慣れた風景がありました。新しい社内ツールをAIエージェントに接続し、本番環境で動かすまでに、数日を要する。デモは動くのに、製品にならない。プロトタイプと本番のあいだには、誰も名前をつけない深い溝が横たわっていました。その溝が、あるとき消えました。
作業は数分で終わるようになり、新しいエージェントが既存のツールを再利用し、互いを強化しはじめたのです。何が起きたのか。彼らは、自前で作りかけていたプロトコルを捨てて、外から現れた共通規格に乗り換えていました。
溝を埋めたのは、賢いモデルではなかった
Bloombergの生産性部門を率いるサンバブ・コタリ氏（Sambhav Kothari）は、Anthropicが公開したModel Context Protocol（MCP）を最初期から追っていました。自社が社内で組み上げようとしていた仕組みと、意味論的な設計がぴたりと重なっていたからです。
オープンな標準が広く採用されれば、ネットワーク効果が全員に恩恵をもたらす。その読みは当たり、同社は独自プロトコルからMCPへと舵を切りました。結果として縮んだのは、モデルの推論時間ではありません。縮んだのは、モデルの外側にある配線作業の時間でした。
ここに、エンタープライズAIの核心があります。企業がAIエージェントを業務に組み込むとき、最大の障壁は「モデルの知能」ではなく「モデルの周辺環境」です。たとえば金融系の企業が、残高照会、取引履歴の抽出、送金の実行、本人確認情報の更新という四つの作業を自律的にこなすアシスタントを作ろうとします。
残高はコアバンキングに、履歴はデータウェアハウスに、送金は決済サービスに、本人確認情報は外部ベンダーのシステムに散らばっている。それぞれが独自のAPI仕様と認証方式とデータ形式を持っていて、AIがそれらと会話するための接続コードを、一本ずつ手で書き起こさなければなりません。
API仕様がわずかに変われば接続は崩れ、モデルのバージョンが上がればプロンプトを調整し直す。開発チームのリソースの大半は、この「配管工事」に吸い込まれていきます。企業のAI機能の多くが検証環境で息絶える本当の理由は、この異常に高い統合コストにあります。
USB-Cという比喩が意味していたこと
MCPは、AIモデルと外部のツール、データソース、コンテキストとのやり取りを、単一の共通言語に標準化するプロトコルです。開発者たちはこれを、無数の規格を一本に束ねたUSB-Cにたとえました。
モデル側は個々のAPIの仕様や認証の仕組みを理解する必要がなく、ただMCPという共通言語を話せばよい。ツール側もMCPを通じて機能を差し出す。
構造としてはクライアント・サーバー型で、AIアプリケーション本体であるホスト、その内部で通信を仲介するクライアント、そして外部サービスに接続してコンテキストや実行能力を提供するサーバーが、JSON-RPCのメッセージング上でやり取りします。
ベンダーに依存せず、実行中の構成変更やリソースの動的な発見にも対応するという設計は、エンタープライズ規模の拡張を最初から念頭に置いたものでした。
公開は2024年11月です。そこからの一年半は、標準がどのように標準になるかを観察する教科書のような時間でした。OpenAI、Google、Microsoftが相次いで採用を表明し、2025年12月にはAnthropicがMCPをLinux Foundation傘下に新設されたAgentic AI Foundationへ寄贈します。
特定企業の資産から、中立の共有インフラへ。そして2026年7月28日、MCPはプロトコル層からセッションを取り払った「ステートレスアーキテクチャ」への移行を予定しています。本記事の執筆時点ではまだ最終仕様の公開前ですが、リリース候補は5月にロックされ、クラウドネイティブな大規模運用を前提とした設計へと舵が切られました。
導入率だけが上がり、成果は置き去りにされている
ところが、市場の熱狂と実際の成果のあいだには、目を疑うほどの断層があります。Kyndrylが2026年6月に公表した調査では、AIを基幹業務に組み込んだ、あるいは全社規模で展開したと答えた組織は、前年の35%から57%へと急伸しました。
しかし同じ調査で、重点として掲げたAI目標を二つとも達成できたと答えた組織は、わずか11%にとどまります。MIT Media LabのProject NANDAがまとめた報告では、企業の生成AIパイロットの95%が測定可能な損益インパクトを生まないまま終わったとされ、Gartnerは2027年末までにエージェントAIプロジェクトの40%超がキャンセルされると予測しています。
理由として挙げられたのは、費用の膨張、ビジネス価値の不明瞭さ、リスク統制の不備でした。モデルの能力不足は、そこに入っていません。
一方で、市場の期待は膨らみ続けています。調査会社Straits Researchは、AIオーケストレーション市場が2025年の110億ドル規模から2034年には660億ドル規模へ、年平均22.3%で拡大すると見込んでいます。
Gartnerは最良のシナリオとして、2035年までにエージェントAIがエンタープライズアプリケーション売上の約30%、4,500億ドル超を生む可能性を挙げました。2025年時点では2%です。期待と成果のこの落差こそが、いま企業が立たされている場所を正確に示しています。
失敗の谷を越えている企業は存在します。Kyndrylが「ペースセッター」と呼ぶ、全体の9%にすぎない集団です。彼らに共通するのは技術ではありません。AIを前提に役割そのものを設計し直し、変化を組織に浸透させるチェンジマネジメントを実行し、人材の準備に投資している。
この三つを、順番にやっている。逆に言えば、技術の進化速度が組織のガバナンスと運営モデルの適応能力を追い越しているという事実を直視できない企業は、いつまでもパイロットから出られません。
社内にエンジニアがいない、という構造
日本企業の足踏みは、単なるキャッチアップの遅れではありません。もっと根の深いところにあります。ITシステムを誰が作るのか、という産業構造の問題です。
やや古い調査になりますが、IPAと総務省の統計では、日本のIT人材の72%がITベンダー側に所属し、ユーザー企業内にいるのは28%にすぎません。米国はほぼ裏返しで、65%がユーザー企業に所属しています。
この差は、エージェントAIの実装において決定的に効いてきます。MCPサーバーを立ち上げ、社内のデータソースと結合し、モデルの挙動を見ながらプロンプトを調整する。
この作業は、仕様を確定して発注し納品を待つウォーターフォールとは相性が最悪です。細かな軌道修正が連続するプロセスだからです。社内のエンジニアがリアルタイムで手を動かせる体制があるかどうかが、そのまま速度差になります。
日本の多くの経営層は、IT投資を価値創造のエンジンではなくコストとして扱ってきました。リスクを避け、費用を抑えるために外部に委託する。ベンダー側も安定的な受託を望む。双方にとって心地よい、低リスクで低位安定の関係が固定化されます。
その代償として、ユーザー企業の内部からは最先端の技術ノウハウが抜け落ちていきました。新しいプロトコルが現れたとき、自ら一次情報に当たって検証するのではなく、ベンダーが使いやすいパッケージにしてくれるのを待つ。
MCPの本当の価値は、自社固有のデータソースをいかに素早く繋ぐかにあるのに、その待ち時間のあいだにも差は開き続けます。
外に向けた「口」を持たないシステム
物理的な障壁もあります。経済産業省・デジタル庁・IPAが2025年5月にまとめたレガシーシステムモダン化委員会の総括レポートによれば、ユーザー企業の61%に、いまだレガシーシステムが残存しています。
民間の調査でも、老朽化・複雑化・ブラックボックス化した基幹システムを抱える企業は6割を超えます。
AIエージェントにデータを渡すには、バックエンドが外部に向けてモダンなAPIを差し出せる構造になっていなければなりません。ところが数十年前に構築され、増改築を重ねてスパゲッティ化した基幹システムには、そもそも外と話すための口が開いていないのです。加えて、言語のギャップも無視できません。
AIエンジニアリングのエコシステムはPython中心に育っており、プロトタイプもPythonで書かれます。しかし日本の大企業の基幹システムやバックエンドは、厳密な型付けと堅牢な監視機構を備えたC#やJavaで組まれている。
Pythonの簡易なオープンソースMCPサーバーを、そのままミッションクリティカルな環境に接続することは、性能面でもセキュリティ面でも許容されません。エンタープライズ・グレードの統合を設計できるアーキテクトが決定的に不足しているという、最初の問題にここで戻ってきます。
見えているのは、氷山の一角だけ
三つ目の壁は、セキュリティです。ただし、これまでのウイルス対策やネットワーク境界防御の延長線上では語れません。
NRIセキュアが、OWASPの「Agentic AI – Threats and Mitigations」が定義する15の脅威カテゴリを分析したところ、外部インターフェース中心の従来型の診断・監視で捉えられるのは4項目にすぎず、残る11項目、割合にして73%は検知が困難であるという結果が出ました。なぜ網の目をすり抜けるのか。理由は三つあります。
第一に、正当な権限の内側で悪用が起きるからです。エージェントには業務のために社内データベースの検索権限やメール送信権限が与えられています。攻撃者はプロンプトインジェクションによって、顧客リストを検索し、それをサポートメールに見せかけて外部に送るよう仕向ける。個々のシステムコールはすべて正規の認証を経た正当な操作なので、監視ツールはアラートを上げません。
第二に、攻撃が段階的だからです。一度に破壊するのではなく、この申請は信頼できる、信頼できる申請は監査を省略してよい、といった具合に、数日かけてエージェントの判断基準を少しずつ歪めていく。ひとつひとつの変化は業務効率化のための微調整に見えます。
第三に、そして最も厄介なことに、推論の内部プロセスがブラックボックスだからです。出力された行動が異常だったとして、それがハルシネーションなのか意図的な操作の結果なのかを、事後に追跡することは極めて困難です。
MCPの柔軟性は、この見えない攻撃面を皮肉にも拡大させます。MCPサーバーを介せば、エージェントはファイルシステムへのアクセスも、任意のコマンド実行も、基幹データベースへのクエリも容易に行えるようになる。監査を経ていない脆弱なサーバーを社内に置けば、それは踏み台になります。
7月のステートレス化は、セッションハイジャックや脆弱な認証といったプロトコル層のリスクを大きく減らしますが、手放しで喜べる話ではありません。アカマイのセキュリティ研究チームが指摘するように、状態管理の責任がプロトコルからアプリケーション側へと完全に移るからです。設計に不備があれば、新機能そのものが新たな攻撃経路になります。
トヨタの「大部屋」が実際にやっていること
それでも、国内に突破口がないわけではありません。最も知られた例が、トヨタ自動車がパワートレーン開発部門で運用する「O-Beya（大部屋）」です。
2024年1月に運用を開始し、同年11月にMicrosoftとの共同で公表されました。Azure OpenAI Serviceを基盤に、ベクトル検索を備えたCosmos DBとDurable Functionsを組み合わせたRAG構成で、振動、燃費、規制といった専門領域をそれぞれ担う9つのAIエージェントが実装されています。
エンジニアが質問を投げると、複数のエージェントを同時に選べる。速く走る車を作るにはどうすればよいか、と問えば、エンジンのエージェントは出力の観点から答え、規制のエージェントは排出ガス規制の観点から答え、システムがそれらを統合する。
パワートレーン関連の開発に携わる約800人のエンジニアが、この仮想の大部屋にアクセスしています。
これは魔法ではありません。過去の設計報告書、最新の法規制、ベテランが手書きで残した文書といった社内の知識を、検索可能なかたちで束ね、専門領域ごとに切り分けただけとも言えます。
しかし、名前の由来であるトヨタの「大部屋方式」——エンジニアが同じ部屋に集まって働くことで暗黙知が伝わる仕組み——を、大量退職を目前にしたタイミングでデジタルに移植したという設計思想には、明確な意図があります。ツールを既存の業務に足したのではなく、知識継承という組織課題からシステムを逆算しています。
ペースセッターが実践していることの、日本における数少ない実例です。
レガシーを壊さずに、AIへ開く
もうひとつ、現実的な突破口として国内のベンダーの間で議論されているのが、MCPを「モダンなAPIラッパー」として使うアプローチです。
数十年動いてきたメインフレームや基幹ERPを全面刷新することは、莫大なコストと事業停止のリスクを伴い、経営としては決断が困難です。
そこで、既存システムの外側にセキュアな中間層としてMCPサーバーを構築する。このサーバーが古いデータ形式や通信プロトコルを吸収し、最新のAIエージェントが理解できる標準化されたコンテキストへ変換して提供します。
基幹システムに直接メスを入れることなく、分断されていた部門間のデータサイロを越えて、社内の重要データを横断的に問い合わせられるようになる。
全面刷新という破壊的変革を避けつつ、段階的な近代化を進める。日本企業の保守的なIT投資スタンスと、グローバル競争に必要なAI活用要件とを両立させる、現実的な解のひとつです。
ただし、この中間層をPythonの簡易サーバーで済ませてはいけません。認証、認可、そしてAIの行動の監査ログを一元的に管理する「MCPサービス」として設計する必要があります。
ゲートウェイの背後にすべてのMCPサーバーを配置し、既存のIAMやSIEMと統合する。プロトコルが標準化されただけでは、ガバナンスは完結しないからです。
差がついているのは、実装速度ではない
グローバル企業との本当の差は、最新プロトコルをどれだけ速く実装したかにはありません。ITの主導権を自社に取り戻し、レガシーを段階的に開き、AIの自律性を前提に人間の役割を描き直す。この三つを、痛みを伴いながら実行できるかどうかの差です。
人間はオペレーターから、オーケストレーター（指揮者）へ移ります。倫理的な判断、例外処理、AIが提示したシミュレーションに基づく意思決定に専念する。ペースセッターがやっているのは技術の先取りではなく、この配置転換でした。技術の成熟を待つ理由は、もうどこにもありません。
