はじめに
LangChainが公開した「State of Agent Engineering」2026年版は、1,340名のエンジニア・PM・経営層を対象にした大規模調査レポートである。AIエージェントの本番導入がどこまで進み、何が障壁になっているのか — 数値に基づいた現在地を把握できる貴重な資料となっている。
この記事では、レポートの主要データを整理し、エンジニアが自社の取り組みと比較できる形で解説する。
この記事で学べること
- AIエージェント本番導入率の推移と企業規模別の傾向
- 品質・レイテンシ・セキュリティなど、本番運用の障壁ランキング
- オブザーバビリティと評価（Evals）の導入実態
- マルチモデル戦略とファインチューニングの現状
- エンタープライズ特有の課題と対策
対象読者
- AIエージェントの本番導入を検討中、または運用中のエンジニア
- AIプロダクトのPM・テックリード
- エージェントエンジニアリングの最新動向を把握したい方
TL;DR
- 回答者の 57.3% がAIエージェントを本番稼働中（前年51%から成長）
- 最大の障壁は 品質（32%） であり、コストへの懸念は減少傾向
- 89% がオブザーバビリティを導入済み、一方でEvals導入は52%にとどまる
- 75%以上 がマルチモデル戦略を採用し、57%はファインチューニング未実施
- エンタープライズ（2,000名以上）では セキュリティが第2の障壁 に浮上
調査の概要
「State of Agent Engineering」は、LangChainが2025年11月18日から12月2日にかけて実施したオンライン調査である。
| 項目 | 内容 |
|---|---|
| 回答者数 | 1,340名 |
| 調査期間 | 2025年11月18日〜12月2日（2週間） |
| 回答者属性 | エンジニア、PM、経営層 |
業界分布
| 業界 | 割合 |
|---|---|
| テクノロジー | 63% |
| 金融サービス | 10% |
| ヘルスケア | 6% |
| 教育 | 4% |
| 消費財 | 3% |
| 製造 | 3% |
企業規模分布
| 企業規模 | 割合 |
|---|---|
| 100名未満 | 49% |
| 100〜500名 | 18% |
| 500〜2,000名 | 15% |
| 2,000〜10,000名 | 9% |
| 10,000名以上 | 9% |
テクノロジー業界が63%を占める点は、データの解釈時に考慮する必要がある。他業界ではこれらの数値がやや低くなる可能性がある。
本番導入の現在地 — 57%が稼働中
レポートの最も注目すべきデータは、 57.3%の回答者がAIエージェントを本番環境で稼働させている という事実である。前年の51%から約6ポイント上昇しており、さらに30.4%が「開発中で導入計画がある」と回答している。
企業規模別の導入率
| 企業規模 | 本番稼働 | 開発中 |
|---|---|---|
| 10,000名以上 | 67% | 24% |
| 100名未満 | 50% | 36% |
大企業ほど導入率が高い傾向が顕著である。10,000名以上の組織では3分の2以上がすでに本番稼働している。一方で100名未満のスタートアップでは、「開発中」の比率が高く、これから本番投入を迎えるフェーズにある。
最大の障壁は「品質」 — コストではない
本番運用における障壁のランキングは、多くのエンジニアの想定と異なる結果を示している。
| 順位 | 障壁 | 割合 |
|---|---|---|
| 1位 | 品質 | 32% |
| 2位 | レイテンシ | 20% |
| 3位 | コスト | 減少傾向 |
品質問題の内訳
レポートが定義する「品質」は、単なる回答精度にとどまらない。以下の4要素を包含する。
- 正確性（Accuracy）: 事実に基づいた出力ができるか
- 関連性（Relevance）: 文脈に適した応答を返せるか
- 一貫性（Consistency）: 同じ入力に対して安定した出力を維持できるか
- ポリシー準拠: ブランドガイドラインや企業ポリシーに沿った応答ができるか
特に10,000名以上の大企業では、 ハルシネーション（幻覚）と出力の一貫性 がエージェント品質における最大の課題として報告されている。
レイテンシが第2の障壁に浮上
レイテンシ（20%）が2番目の障壁として浮上した背景には、エージェントの利用シーンの変化がある。カスタマーサービスやコード生成など、応答速度がユーザー体験に直結する顧客対面ユースケースへの展開が進んだことで、レイテンシへの要求が厳しくなっている。
エンタープライズではセキュリティが第2位
2,000名以上のエンタープライズでは障壁の構成が異なる。
| 順位 | 障壁 | 割合 |
|---|---|---|
| 1位 | 品質 | — |
| 2位 | セキュリティ | 24.9% |
| 3位 | レイテンシ | — |
セキュリティがレイテンシを上回り第2位に浮上する点は、エンタープライズ固有の要件を反映している。エージェントが社内データや顧客情報にアクセスする場面が増えるほど、データ漏洩やプロンプトインジェクションへの対策が重要になる。
オブザーバビリティは新常識 — 89%が導入済み
レポートで最も印象的なデータの一つが、オブザーバビリティ（可観測性）の導入率である。
全体の導入状況
| 指標 | 割合 |
|---|---|
| オブザーバビリティ導入済み | 89% |
| 詳細トレーシング実装済み | 62% |
本番稼働組織の導入状況
| 指標 | 割合 |
|---|---|
| 何らかのオブザーバビリティ | 94% |
| フルトレーシング | 71.5% |
エージェントの多段階推論やツール呼び出しをステップごとに追跡できる「詳細トレーシング」は、すでにテーブルステークス（参加の最低条件）になりつつある。本番稼働組織では94%が何らかの形でオブザーバビリティを導入しており、71.5%がフルトレーシングを実装している。
評価（Evals）の導入はまだ発展途上
一方で、評価（Evals）の導入状況はオブザーバビリティほど進んでいない。
| 評価手法 | 導入率 |
|---|---|
| オフライン評価（テストセット） | 52.4% |
| オンライン評価（本番モニタリング） | 37.3% |
| 評価未実施 | 29.5% |
本番稼働組織に限定すると、オンライン評価の実施率は44.8%に上昇し、評価未実施は22.8%に低下する。本番運用を経験することで、リアルタイムの品質監視の必要性を実感する組織が増えていると推察される。
評価手法の内訳
評価を実施している組織が用いる手法は以下のとおりである。
| 手法 | 採用率 |
|---|---|
| 人間によるレビュー | 59.8% |
| LLM-as-Judge | 53.3% |
| オフライン+オンライン併用 | 約25% |
| 従来のML指標（ROUGE, BLEU等） | 限定的 |
人間によるレビュー（59.8%）が依然として主流だが、LLM-as-Judge（53.3%）の採用率もほぼ同水準に達している。約25%の組織がオフラインとオンラインの両方を組み合わせており、これがベストプラクティスとして浸透しつつある。
マルチモデル戦略が標準に
モデル利用の実態
| 指標 | 割合 |
|---|---|
| OpenAI GPTモデル利用 | 67%以上 |
| マルチモデル利用 | 75%以上 |
| ファインチューニング未実施 | 57% |
75%以上の組織が複数のモデルを利用しているという結果は、単一モデルへの依存がリスクとして認識されていることを示す。タスクの複雑さ、コスト、レイテンシに応じてモデルをルーティングする運用が標準化しつつある。
ファインチューニングは「やらない」が主流
57%の組織がファインチューニングを実施していない。ベースモデル + プロンプトエンジニアリング + RAG（Retrieval-Augmented Generation）の組み合わせが主流であり、ファインチューニングは高インパクト・特化型ユースケースに限定して適用される傾向がある。
この結果は、現在のモデルの汎用性能が十分に高く、多くのユースケースではファインチューニングのコストと複雑さに見合わないことを示唆している。
ユースケース分析
全体ランキング
| 順位 | ユースケース | 割合 |
|---|---|---|
| 1位 | カスタマーサービス | 26.5% |
| 2位 | リサーチ・データ分析 | 24.4% |
| 3位 | 社内ワークフロー自動化 | 18% |
エンタープライズ（10,000名以上）
| 順位 | ユースケース | 割合 |
|---|---|---|
| 1位 | 社内生産性向上 | 26.8% |
| 2位 | カスタマーサービス | 24.7% |
| 3位 | リサーチ・データ分析 | 22.2% |
エンタープライズでは 社内生産性向上 が最上位に来る点が特徴的である。顧客対面のユースケースよりも先に、社内プロセスの自動化から着手する傾向が読み取れる。リスクの低い社内用途で知見を蓄積してから、顧客対面に展開するアプローチは合理的といえる。
日常利用エージェントのトップカテゴリ
自由回答では、日常的に利用するエージェントとして以下が多く挙がっている。
- コーディングアシスタント: Claude Code、Cursor、GitHub Copilot、Amazon Q、Windsurf、Antigravity
- リサーチエージェント: ChatGPT、Claude、Gemini、Perplexity
- カスタムエージェント: LangChain/LangGraphで構築した社内ツール（QAテスト、ナレッジベース検索、Text-to-SQL、需要予測、カスタマーサポート等）
コーディングアシスタントが最も多く言及されている点は、エンジニアが回答者の多数を占める調査特性を考慮しても、AIエージェントの浸透度を端的に示している。
エンジニアが取るべきアクション
レポートのデータを踏まえ、AIエージェントの本番導入・運用に向けて以下の優先事項が導き出される。
1. オブザーバビリティを最優先で導入する
89%が導入済みという数値は、オブザーバビリティなしのエージェント運用がすでに「非標準」であることを意味する。LangSmith、Braintrust、Langfuseなど、エージェント対応のオブザーバビリティツールを早期に導入し、ステップ単位のトレーシングを実装することが推奨される。
2. 品質を「定義」してから「測定」する
品質が最大障壁であるにもかかわらず、評価（Evals）の導入は52%にとどまっている。品質を正確性・関連性・一貫性・ポリシー準拠の4軸で定義し、LLM-as-Judgeと人間レビューを組み合わせた評価パイプラインを構築することが、本番運用の安定化に直結する。
3. マルチモデル前提でアーキテクチャを設計する
75%以上がマルチモデル戦略を採用している現状を踏まえ、特定モデルへのハードコーディングを避け、タスク特性に応じたモデルルーティングを組み込んだ設計にすることが望ましい。
4. エンタープライズはセキュリティを初期設計に組み込む
2,000名以上の組織では、セキュリティが品質に次ぐ第2の障壁である。エージェントが扱うデータの分類、アクセス制御、プロンプトインジェクション対策を、後付けではなく初期設計の段階で組み込む必要がある。
まとめ
LangChainの「State of Agent Engineering」2026レポートは、AIエージェントが「実験段階」から「本番運用段階」へ移行した現在地を数値で示している。
- 本番導入率57%は、もはやAIエージェントが一部の先進企業だけの取り組みではないことを意味する
- 品質が最大の障壁でありながら、評価の導入が追いついていないギャップは、多くの組織に改善の余地がある
- オブザーバビリティの89%導入は、エージェント運用の「最低ライン」が引き上げられていることを示す
- マルチモデル戦略とRAGベースのアプローチが主流であり、ファインチューニングは必須ではない
レポート全文は LangChain公式サイト で無料公開されている。自社の取り組みと比較する際のベンチマークとして参照することを推奨する。