AIエージェントは、他のエージェントに仕事を任せ、企業のサービスを直接使い始めている。 B2CやC2Cで表してきた関係にA、つまりAIエージェントを加えると、ソフトウェアの利用者と仕事のやり取りの仕方が変わる。この変化は、当社(SEASON)のReviewOpsやCloudStack、開発管理に使うGitLabにも表れている。
エージェントが他のエージェントを使い始めた
Databricksの顧客によるマルチエージェントシステムの利用は、2025年7月から10月にかけて327%増加した。マルチエージェントとは、複数のエージェントが作業を分担する方式である。他のエージェントやツールに作業を割り振るSupervisor Agentは、10月のAgent Bricksの利用の37%を占めた。Databricks 2026年版レポート
Anthropicは2026年8月、利用頻度の高い社内プラットフォームの一つで、約3万のエージェントが同時に研究開発を進め、互いに作業を委任していると公表した。Anthropicの運用データ

企業・消費者・エージェントに広がる関係
Bは企業、Cは消費者、AはAIエージェントを指す。個人がエージェントに旅行の計画を任せるのはC2A、企業が開発を任せるのはB2A、エージェントが他のエージェントに調査を任せるのはA2Aと表せる。

APIを使うと、プログラムの機能を外部から呼び出せる。エージェントがCloudStackやGitLabのAPIを呼び出すのはA2Bのサービス利用であり、他のエージェントに作業を任せて結果を受け取るのはA2Aの協業である。
当社のサービスで変わったこと
2026年11月15日、作業環境に登録されている36の接続先のうち18に接続し、サービスと開発記録を調査した。接続先の数はSSH設定の重複を除いて集計した。以下はReviewOps、CloudStack、SEASONGRID、GitLabで実施した作業である。
社内導入では、必要な機能を分け、それぞれに合った保存方法と実行方法を決めてから、APIとアクセス権限を通じてエージェントに接続した。 レビューや添付ファイルをPCに保存する場合と、サーバーでサービスを起動する場合では、必要な構成が異なる。
| サービスと主な機能 | 機能に応じた保存方法と実行方法 |
|---|---|
| ReviewOps レビューと開発作業 | レビュー、添付ファイル、作業履歴をPCアプリに保存し、Codexの作業は選択した開発用PCやサーバーで実行する。 |
| CloudStack プロジェクトとサービスの管理 | プロジェクト情報、デプロイ情報、アクセス権限をサーバーで管理し、サービスの照会、作成、起動、停止をAPIで提供する。 |
| SEASONGRID デプロイとイメージの管理 | Kubernetesへのデプロイとイメージのビルドを管理APIにつなぎ、実行状況とログを参照できるようにする。 |
| GitLab 要件とコードの履歴 | 機能の要望はイシューに、コードの変更はリポジトリに残し、APIで内容を照会・登録する。 |
SEASONGRIDでは、サーバーに残っていたCodexへのユーザーメッセージ80件を調べ、繰り返し発生する管理作業を174のAPI操作に整理した。人がSSHで接続してコマンドを探していた作業を、エージェントが決められた入力と権限で呼び出せるようにした。
調査エージェントは情報を読み、実行エージェントは許可された変更を行い、レビューエージェントは結果を読む、というように役割を分けられる。各役割の入出力と利用するAPIを決めれば、エージェント間で引き渡す作業も明確になる。
ReviewOpsで作業依頼と結果をつなぐ
ReviewOpsはSEASONが開発した、ソフトウェアのレビューと改善作業を管理する製品である。 この記事で使ったPCアプリでは、ウェブサイトの画面を見ながら、改善要望をレビューに記録し、スクリーンショット、エラー記録、関連ファイルを添付する。担当者はその内容をCodexに渡して開発用PCや指定したサーバーで作業を実行し、同じレビューで進捗と変更結果を確かめられる。
サーバーの運用作業も同じ方法で委任した。2026年10月19日には、一つの依頼でバックアップ、GitLab EE 19.4.1から19.5.0への更新、更新後の点検を実施した。更新の前後でプロジェクト137件とユーザー58人が維持され、設定も保持された。未完了のデータベース変更は0件だった。ユーザーのログイン、コードのプッシュ、自動ビルド、バックアップからの復元は、このテストの対象外だった。
管理エージェントが他のエージェントの完了時の応答を読み、元のレビューに保存する機能も実装した。実際のモデルを使った別のテスト用プロジェクトでは、元の目標を再実行せずに応答を1件保存し、レビューが確認待ちの状態に移った。人が別々の会話の間で結果をコピーしていた作業を、製品の中で行えるようにした。ReviewOpsの開発と実行の記録

CloudStackで作業に応じたAPIと権限を用意する
この記事で紹介するCloudStackは、SEASONが独自開発したクラウドサービス管理製品である。 社員はプロジェクトを作成し、あらかじめ用意されたサービス構成を選んで開発サーバーやデータベースを作成・起動・停止できる。プロジェクトで使うIPやドメイン、メンバーのアクセス権限も管理する。
エージェントにはこれらの機能をAPIで提供する。エージェントが読めるAPI文書とサービスごとの接続案内を用意し、SSH、MySQL、Redisなどに応じた接続方法が分かるようにした。作業手順は、まず名前と概要を読み、必要な本文とファイルだけを取得するように構成した。
APIの呼び出しには認証トークンを使い、機能ごとに読み取り・書き込みの権限を選ぶ。CloudStackは認証トークンで許可された機能と、アカウントのプロジェクトへのアクセス権限を両方確認する。
| 操作 | 必要な権限の組み合わせ |
|---|---|
| サービス一覧・設定の照会 | デプロイの読み取り権限と、該当プロジェクトの閲覧権限 |
| サービスの作成・起動・停止・再起動・削除 | デプロイの書き込み権限と、該当プロジェクトでサービスを管理する権限 |
| プロジェクトの削除 | プロジェクト、デプロイ、IP、ドメインの書き込み権限と、プロジェクトの所有者権限 |
デプロイの書き込み権限には削除も含まれる。「すべての権限」を持つ認証トークンにも、アカウントのプロジェクトへのアクセス範囲を適用する。
11月15日には、システム管理者の認証トークンでもアクセス権限を持つプロジェクトだけを照会できるように変更した。グループの所有者と管理者は配下のプロジェクトの管理者権限を引き継ぎ、一般メンバーには各プロジェクトで付与された権限が適用される。別のテスト環境でグループ管理者の権限を下げると、同じ認証トークンでのアクセスが拒否され、権限を戻すと再び許可された。認証トークンを交換せずに、役割の変更がAPIへのアクセスに反映された。
認証トークンごとに、APIのアドレス、付与された権限、利用条件を含むエージェント向けの作業手順を作成できる文面も用意した。作業を任せる際に、ツールの使い方と許可された操作の範囲を合わせて伝えられる。
このプロジェクトのアクセス権限の改善でもA2Aの協業を活用した。主担当のエージェントは、画面調査、テストの追加、変更点のレビューを他の3つのエージェントに任せた。 結果を統合した後、Javaのテスト220件と画面のコードのテスト13件に合格し、本番環境に反映した。

GitLabで次の担当者に伝わる依頼を書く
作業の引き渡し方も変わった。GitLabに登録したプロジェクトとグループの無効化の依頼では、短い説明を、9つの操作場面と実装後に点検する10項目へと具体化した。稼働中のサービスが残っている場合、停止に失敗した場合、状態を取得できない場合の処理をそれぞれ記載した。イシューは未解決であり、10項目は実装後にテストするための一覧である。GitLabイシューの作成例
エージェント同士が仕事をやり取りする社会
ReviewOpsでの作業の引き渡しと、CloudStackでのAPIや権限の設定を通じて、エージェントの役割を分け、実際の業務につなげた。A2Aの効率も、このような役割分担とツールの構成に大きく左右されると考える。
今後、仕事で交わされる依頼と応答の大半をA2Aが占めるようになると予想する。 報告する人と報告を受け取る人をCとすると、片方だけがエージェントを使うときはC→A→Cとなる。受け取る側も自分のエージェントを使い始めると、C→A→A→Cに変わる。
エージェント同士は、不足している情報を質問し、他の資料と照合し、修正した内容を再びやり取りするようになるだろう。報告書のほか、見積もりの比較、日程調整、顧客からの問い合わせでも同じ変化が起こり得る。人の役割は、内容を繰り返し伝えて補う作業から、エージェントが整理した結果を評価して判断を下すことへと移っていくだろう。
この過程で、AIのトークン使用量も全体として大幅に増えると考える。一つの依頼に複数のエージェントの質問、応答、レビューが加わるためだ。人が直接読む文章の量をはるかに上回る速さで、エージェント同士が処理する情報量が増えていくだろう。
増え続ける処理をすべてクラウドの大規模モデルに任せると、費用、消費電力、応答時間の負担も大きくなる。そのため、モバイル端末でも複数のエージェントを同時に動かせる、小さく効率のよいAIモデルがますます必要になると考える。日常業務は個人の端末上の小さなモデルが担い、複雑な分析はクラウドの大規模モデルが処理する形である。一人ひとりが複数のエージェントを持ち、エージェントが許可されたツールで作業し、他の人のエージェントと結果をやり取りすることが日常になるだろう。
