対象読者
- Google CloudでAIエージェントを作ってみたい人
- Gemin, ADK, Cloud Run, BigQueryあたりをどう組み合わせるか悩んでいる人
- RAGだけではなく、継続的に情報を集めて学習する仕組みを作ってみたい人
TL;DR
- 今回考えたのは、企業内外の情報を継続的に観測して、**「情報収集 → ナレッジ形成 → 変化の発見 → 仮説 → 追加観測 → 組織学習」**を回す コンサルを対象とした中小企業向けのナレッジ形成エージェント
- AIに経営判断をさせるのではなく、人間がまだ気づいていない変化を発見するところを狙う
- Geminiだけですべてを処理するのではなく、Cloud Storage, Elasticsearch, BigQueryを情報の性質によって使い分ける
- 特に重要なのは、固定されたKPIだけではなく、AIが「次に何を観測すべきか」を更新していくこと
- Google Cloudのサービスを結構使っていますが、ロゴをいっぱい並べたいわけではありません。たぶん。
はじめに:AIエージェントで何を作ろう?
AIエージェントをテーマにしたハッカソンへ参加することになりました。
お題としては、単純にLLMを呼び出すアプリではなく、
考える
↓
ツールを使う
↓
結果を見る
↓
次の行動を変える
ような、AIがある程度自律的に仕事を進める仕組みを考えるもの。
せっかくなので、
昨今はAIの自律性が1つの重要事項であり、Geminiに質問して回答を返すだけではないものであること。
を強く意識しました。
実際、
ユーザー
↓
質問
↓
Gemini
↓
回答
でも十分便利です。
ただ、これをエージェントと呼ぶなら、もう少し働いてほしい。
目的
↓
情報収集
↓
状況把握
↓
判断
↓
行動
↓
観測
↓
次の判断
くらいはしてもらいたい。
Google Cloudでも、AIエージェントはLLMを使って状況を認識し、判断し、目標達成のために行動する自律的な存在として位置づけされています。Cloud Runも現在、こうしたAIエージェントのホスティング先の1つとして公式に案内されています。
では、何の仕事をAIに解決させると面白いのか?
というところから考えました。
1. 企業の情報って、意外とデータベースに入っていない
最初に着目したのが、
企業(特に中小企業)が本当に知りたい情報は、必ずしもシステムに入っていない
ということです。
例えば、
- 顧客との会話
- 営業担当者の気付き
- 現場担当者の経験
- 経営者が持っている仮説
- 商談中の何気ない発言
- 競合についての噂
- 日報
- SNS
- 求人情報
- プレスリリース
など。
こうした情報には、
最近この商品について聞かれることが増えた
競合Aの名前を出す顧客が増えている
なんとなく価格を気にする人が増えた
といった、小さな変化が含まれています。
ただ、多くの場合、
聞いた
↓
その場では覚えていた
↓
数週間後
↓
忘れた
となります。
もったいない。
さらに、
記録されない
共有されない
検索できない
分析できない
という問題があります。
そこで、
AIが継続的にこうした情報を拾い上げ、企業の「記憶」にしていったらどうだろう?
と考えました。
2. 検討したAIエージェント
そこで考えたのが、
企業内外の定性情報を継続的に収集・構造化し、人間がまだ気づいていない変化を発見するAIエージェント群
です。
一般的なデータ分析は、
データ収集
↓
分析
↓
レポート
になりがちです。
今回やりたいのは、少し違います。
情報収集
↓
ナレッジ形成
↓
変化の発見
↓
仮説生成
↓
追加観測
↓
組織学習
↓
再び情報収集
です。
ポイントは、
最後にもう一度「観測」へ戻り、変化を継続的に「観測」すること。
レポートを書いて終わりではありません。
例えば、
「価格」に関する発言が増えた
という変化をAIが発見したとします。
すると、
なぜ増えた?
競合が値下げした?
特定の商品だけ?
特定顧客層だけ?
という仮説が生まれます。
さらにAIが、
次の1週間は
・失注理由
・価格関連の発言
・競合Aへの言及
・問い合わせ内容
を重点的に観測しよう
と観測方針を変える。
この、
発見した結果を使って、次に見るべきもの自体を変える
ところが、一番AIエージェントらしい部分だと考えています。
3. 単なるAIコンサルタントにはしない
最初は、
企業データをAIに渡す
↓
課題を分析
↓
改善施策を提案
という、いわゆる「AIコンサルタント」も考えました。
でも、ちょっと違う。
AIに、
御社はこの事業から撤退しましょう。
まで言われても困ります。
そこで今回の目的は、
意思決定そのものではなく、意思決定の材料を増やすこと
にしました。(そもそも競合的にコンサル向けのエージェントは存在するのもあります)
例えばAIは、
事実
小規模小売顧客から
「価格」に関する発言が
直近4週間で増加しています
までは言う。
そして、
考えられる仮説
・競合の価格変更
・顧客のコスト意識変化
・商品価値の認識低下
も出す。
ただし、
なので値下げしましょう
とは勝手に決めない。
代わりに、
次に確認したいこと
・失注理由
・競合Aへの言及
・顧客属性別の価格発言
を提示します。
つまり、
AI
↓
答えを決める
ではなく、
AI
↓
変化を見つける
↓
仮説を整理する
↓
次に見るべきものを提案
↓
人間が判断する
のようなヒューマインザループの視点も取り入れました。
個人的にはこちらの方が、
現実の企業で使えるAIエージェント
に近いのではないかと思っています。
4. 一番重要なのは「Push型の情報収集」
この仕組みを考えていて、最初にぶつかった問題があります。
そもそも人間が情報を入力してくれるのか?
です。
例えば、
今日の業務で気付いたことを
詳しく300文字で入力してください
と毎日聞かれたら、
私なら3日くらいで入力しなくなる自信があります。
そこでResearch Agentは、
入力を待つだけではなく、AI側から聞きに行く
設計にします。
例えば現場担当者が、
今日は忙しかった
とだけ入力したとします。
通常なら、
なるほど。お疲れさまでした。
で終わるところですが、
調査用のエージェントは、
・普段よりどの時間帯が忙しかったですか?
・問い合わせと購入のどちらが増えましたか?
・特定の商品に偏りはありましたか?
・いつもと違う顧客層はいましたか?
と追加で聞く。
つまり、
短い気付き
↓
AIが追加質問
↓
背景情報
↓
観測情報
へ変換します。
これなら人間に、
「ちゃんとした日報を書いてください」
と要求しなくて済みます。
AIエージェントには文章を書いてもらうだけではなく、
人間から情報を引き出す役割
も持たせます。
5. 外の世界も観測する
企業内部だけでは理由が分からないこともあります。
例えば、
最近、競合Aの名前を出す顧客が増えた
という変化。
社内データだけ見ても、
なぜ?
で終わります。
そこで、
競合分析用のエージェント
を用意します。
対象は、
競合サイト
SNS
求人
プレスリリース
業界ニュース
など。
例えば、
競合Aが新料金プランを発表
したことを検知したら、
外部イベント
競合A
新プラン発表
2026/xx/xx
として記録。
そして社内側で、
競合Aへの言及増加
価格に関する発言増加
が同時に起きていれば、
競合Aの新料金プランが
顧客の価格意識に影響している可能性
という仮説につなげます。
もちろん、
相関を見つけたからといって因果関係だとは決めない。
ここも大事です。
AIには、
事実
仮説
根拠
を分離して管理させます。
6. Agentを役割ごとに分ける
ここまでを1つの巨大プロンプトにすると、
企業について理解してください。
毎日社員に質問してください。
競合サイトも見てください。
重要な情報を保存してください。
関係を分析してください。
変化を見つけてください。
仮説を作ってください。
レポートしてください。
となります。
さすがに仕事を振りすぎです。
そこで役割ごとにエージェントを分けました。
| Agent | 役割 |
|---|---|
| Discovery Setup Agent | 初期企業理解・KPI定義 |
| Research Agent | Push型情報収集 |
| Competitive Intelligence Agent | 外部環境監視 |
| Knowledge Curator Agent | 保存・破棄・重要度判断 |
| Knowledge Formation Agent | Entity / Relationship形成 |
| Observation Agent | 次に見るべき項目の更新 |
| Discovery Agent | 変化・兆候の発見 |
| Strategy Copilot Agent | 人間の壁打ち支援 |
| Execution Tracking Agent | 施策と効果の追跡 |
特に重要なのが、
Knowledge Curator Agent
です。
収集した情報を全部保存すると、
情報
情報
情報
情報
情報
情報
となり、
「ナレッジ基盤」というより、
巨大な物置
になってしまいます。
そこでAIに、
これは残す価値がある?
既存の情報と同じ?
どの顧客・商品・課題と関連する?
一時的な雑談?
将来比較する価値がある?
を判断させる。
情報を増やすAIだけでなく、
捨てるAI
も入れます。
整理整頓のできるAIです。
私のデスクにも欲しい。
7. Google Cloudでどう作る?
ここからGoogle Cloudの構成を考えました。
かなりざっくりすると、
入力
↓
Cloud Storage
↓
前処理
↓
Gemini
↓
Knowledge Agent群
↓
BigQuery / BigQuery Graph / Elasticsearch / LLM Wiki
↓
Discovery / Strategy Copilot
↓
ユーザー
です。
全体像はこんな感じです。
……サービスが増えてきました。
でも、
構成図のGoogle Cloudの活用度合いを上げるためではありません。
ちゃんと理由があります。
たぶん。
8. Cloud Storageは「情報源」
まず、
商談メモ
音声
PDF
日報
Webページ
CSV
などのRaw Dataは、
Cloud Storage
に保存します。
ここは重要で、
AIが要約した情報
だけを保存するのではなく、
原文を必ず残します。
例えばAIが、
顧客は価格に不満を持っている
と判断した場合でも、
実際の発言が、
価格は高いけど、機能を考えれば妥当ですね
だったら意味が変わります。
なので、
Knowledge
↓
source_id
source_uri
raw_quote
を辿れば、
必ず原文へ戻れる
設計にします。
生成AI時代だからこそ、
AIがそう言ったから
ではなく、
元の情報を見る
をできるようにしておきたい。
9. BigQueryは「構造化された事実」
Geminiで抽出した、
Observation
Entity
Relationship
Hypothesis
KPI
などは、
BigQuery
へ保存します。
例えば、
Observation
対象:小売顧客
テーマ:価格
商品:Product-A
日時:2026-08-10
内容:価格について質問
のような構造化データです。
すると、
過去4週間で
価格関連発言が
どれくらい増えた?
のような分析はBigQueryでできます。
ここをLLMに全部計算させないのもポイントです。
数える
集計する
比較する
という処理は、
SQLにやってもらう。
Geminiは何でもできます。
でも、
SUMできるからといってSUMまでGeminiにやらせる必要はありません。
適材適所です。
10. BigQuery Graphで「関係」を見る
今回、かなり使ってみたいのが、
BigQuery Graph
です。
ナレッジを、
顧客
商品
競合
課題
KPI
イベント
仮説
というEntityとして持つと、
重要なのはそれぞれのデータだけではなく、
それらがどうつながっているか
になります。
例えば、
小規模小売
↓
Product A
↓
価格に関する発言
↓
競合A
↓
競合Aの値下げ
という関係。
Google CloudのBigQuery Graphでは、BigQuery上のテーブルやビューからノード・エッジを定義し、GQLで関係をたどることができます。
しかも既存のリレーショナルデータを別のグラフDBへコピーしなくても、BigQuery上で分析できるのが面白いところです。
今回なら、
顧客属性
↓
課題
↓
商品
↓
競合
↓
KPI
の関係をDiscovery Agentが辿る。
単純な、
価格という単語が増えました
だけではなく、
小規模小売
×
Product A
×
競合A
×
価格
の組み合わせで変化が起きています
まで見つけたい。
ここはかなり、
Continuous Discovery
というコンセプトと相性が良さそうです。
なお、現時点のBigQuery Graphはプレビュー機能なので、本番投入を前提にするなら提供条件や対応Editionなどは別途確認が必要です。
11. それならElasticsearchは何のため?
ここで一つ疑問が出ます。
BigQuery
BigQuery Graph
Gemini
があるなら、
Elasticsearchいらなくない?
とも思いました。
ただ、今回扱いたい情報には、
商談メモ
日報
議事録
競合記事
求人
SNS
のような非構造データが大量にあります。
そしてコンサルタントが、
「競合A」という言葉を含む
最近60日の商談を全部見たい
とか、
「導入後のサポートに不安」
と意味的に近い失注理由を探したい
と考えた場合、
これはかなり検索の仕事です。
そこでElasticsearchを、
企業の記憶そのものではなく、企業の記憶を探索する検索エンジン
として置きます。
役割は、
全文検索
ファセット検索
フィルタ
完全一致
Hybrid Search
原文探索
です。
Elasticではキーワード検索とベクトル検索を1つのランキングへ統合するHybrid Searchを提供しているので、
競合A
のような厳密検索と、
価格に不満がありそうな発言
のような意味検索を組み合わせられます。
さらにElastic CloudはGoogle Cloud Marketplaceから利用でき、Google Cloud側の請求へ統合することもできます。(若干、恣意的な選定理由ではありますが...)
12. 「検索」と「分析」を分ける
ここは今回かなりこだわったところです。
全部をVector Searchへ入れるのではなく、
質問によって処理を変えます。
例えば、
「競合Aという言葉が出た商談を見せて」
Elasticsearch
「この失注理由と似た事例を探して」
Hybrid Search
「競合Aと影響がありそうな商品やKPIを教えて」
BigQuery Graph
「価格に関する発言は前月比何%?」
BigQuery
です。
何でも、
Embedding
↓
Top K
↓
Gemini
にしない。
検索にも種類があります。
この辺りは実装すると地味ですが、かなり重要そうです。
13. LLM Wikiには「AIが常に知っておくべきこと」を置く
もう一つ用意するのが、
です。
ここには、
企業概要
商品
顧客層
競合
社内用語
KPI定義
重要仮説
現在の重点観測項目
などを保存します。
つまり、
全原文
ではなく、
AIが企業について理解するための圧縮された知識
です。
例えば、
KPI:
客単価
定義:
売上 / 購入顧客数
や、
重点観測:
競合Aへの言及
理由:
2026-08-01に新プラン発表
のような情報です。
RAGですべての資料を毎回検索するより、
企業モデル
+
必要な原文検索
の方がAI側のコンテキストも整理しやすい。
人間でいう、
頭の中の常識
+
必要になったら資料を探す
に近い構成です。
14. KPIは固定、観測項目は変える
今回の仕組みの中で特に面白いと思っているのがここです。
例えば、
売上
利益
客単価
リピート率
のようなKPI。
AIが、
今週から売上は重要ではありません
と言い始めると困ります。
なのでKPIは基本的に固定します。
一方、
重点観測項目は変える。
例えば、
今月
・競合Aへの言及率
・価格関連会話
を観測。
来月、
新商品問い合わせ増加
が見つかったら、
・新商品の問い合わせ理由
・顧客属性
・既存商品からの移行
へ重点を変える。
つまり、
KPI
企業が継続的に見るもの
と、
Observation
今この瞬間
注目すべきもの
を分けます。
Continuous Discovery Agentが自律的に変更するのは、
後者です。
この区別を入れることで、
「AIが勝手に経営管理の軸を変える」
ことを防ぎつつ、
AIの自律性
も持たせられます。
15. Strategy Copilotは「答えるAI」ではなく「一緒に考えるAI」
ユーザー向けには、
Strategy Copilot
を用意します。
例えばコンサルタントが、
価格についての発言が増えていますが、
どう考えればいいですか?
と聞く。
すると、
確認できている事実
・価格関連発言 +38%
・小規模小売で増加
・Product Aに集中
関連イベント
・競合Aが新料金プランを発表
考えられる仮説
1. 競合価格の影響
2. Product Aの価値認識変化
3. 顧客側コスト意識の変化
次に確認したい情報
・失注理由
・競合比較時の発言
・顧客属性別成約率
と返す。
ここでも、
結論はこれです!
とはしません。
壁打ち相手
です。
そして、
その根拠の発言を見せて
と言われたらElasticsearchから原文を探す。
関連する顧客や商品は?
ならBigQuery Graph。
件数推移は?
ならBigQuery。
Strategy Copilot自身が賢いというより、
適切な専門データソースへ問い合わせるAgent
として考えています。
16. ADKでMulti-Agentを組み立てる
こうしてAgentが増えてきたので、
エージェント実装には、
Agent Development Kit(ADK)
を使ってみたいと考えています。
ADKはGoogleのオープンソースなエージェント開発フレームワークで、現在は、
- Multi-Agent
- Agent間の委譲
- Workflow Agent
- Tool利用
- 評価
- ローカル実行
- Cloud Run等へのデプロイ
を扱えます。
Google Cloud公式でも、ADKは推論・計画・ツール利用を持つエージェントを構築する、モジュール式・コードファーストなフレームワークとして紹介されています。
今回なら、
Discovery Agent
↓
BigQuery Tool
↓
BigQuery Graph Tool
↓
Elasticsearch Tool
↓
Strategy Copilot
のように、
LLMに知識を全部持たせるのではなく、必要な道具を渡す
形にしたい。
これもエージェントらしい部分です。
17. Cloud RunをAgent Runtimeにする
実行基盤には、
Cloud Run
を使う想定です。
Google Cloudでは現在、Cloud Run上でADKなどのフレームワークを利用したAIエージェントをホストする構成が公式に案内されています。
例えば、
Cloud Run Service
Web API
Strategy Copilot
Research Agent API
のようなリクエスト駆動のAgent。
一方で、
競合サイト収集
日次分析
週次レポート
などは、
Cloud Run Jobs
へ分けることもできます。
Cloud Runでは現在、ServiceだけでなくJobsやWorker poolsなどもAgentの性質によって使い分ける形が整理されています。
今回なら、
ユーザー対話
→ Cloud Run Service
定期クロール
→ Cloud Run Jobs
イベント処理
→ Pub/Sub / Eventarc
くらいが分かりやすそうです。
全部Cloud Run Serviceへ突っ込まない。
ここもちゃんと設計します。
18. AIエージェントらしさは「観測ループ」
今回最もアピールしたい部分を一つ挙げるなら、
Multi-Agentであることではありません。
こちらです。
観測
↓
知識化
↓
発見
↓
仮説
↓
次に観測すべきものを変更
↓
再び観測
AIエージェントが、
分析しました。
以上です。
ではなく、
変化を見つけました。
なので次は
ここを見ましょう。
↓
新しい情報が集まりました。
↓
仮説を更新します。
と継続する。
つまり、
AIが「答え」を更新するのではなく、「問い」を更新していく。
この辺りが、このContinuous Discovery Agentで一番やりたいことです。
ちょっと格好よく言いました。
ここはそのままアピールポイントに使います。
19. 「企業の記憶」を作る
最終的には、
Cloud Storage
Elasticsearch
BigQuery
BigQuery Graph
LLM Wiki
に企業の情報が蓄積されます。
ただし、
「巨大なデータベースを作りたい」
わけではありません。
目指しているのは、
企業が過去に何を見て、何に気付き、何を仮説として持ち、何を観測してきたかを継続的に保持すること
です。
例えば1年前に、
若年層から価格への不満が増えている
という兆候があった。
半年後、
競合A利用者が増えた
という変化が起きた。
さらに現在、
Product Aの解約率が上昇
した。
通常ならそれぞれ別々のレポートに残ります。
Continuous Discovery Agentでは、
Observation
↓
Entity
↓
Relationship
↓
Hypothesis
↓
Report
としてつなげていく。
時間が経つほど、
企業固有の知識ネットワークが育つ
設計です。
20. 最初から全部は作らない
ここまで書くと、
Gemini
ADK
Cloud Run
Cloud Storage
Pub/Sub
Document AI
Speech-to-Text
Sensitive Data Protection
Elasticsearch
BigQuery
BigQuery Graph
LLM Wiki
Looker
……盛りました。
全部をいきなり作ると、
Continuous Discoveryする前に開発者が行方不明になります。
なのでMVPはかなり絞ります。
Phase 1:最低限のDiscovery Loop
現場メモ
↓
Gemini
↓
Knowledge Curator
↓
BigQuery
↓
Discovery Agent
↓
レポート
まず、
情報
↓
知識
↓
発見
を通す。
Phase 2:検索
Cloud Storage
+
Elasticsearch
を追加して、
発見
↓
原文確認
までできるようにする。
Phase 3:関係分析
BigQuery Graph
を追加。
顧客
×
商品
×
課題
×
競合
の関係を見る。
Phase 4:自律観測
Observation Agent
を本格化。
発見
↓
次回の重点観測項目変更
↓
Research Agent
までループさせる。
ここまで動けば、
かなりAIエージェントらしいデモ
になりそうです。
21. 最終的な構成イメージ
最終的に目指しているのは、
企業内外の小さな変化を継続的に観測し、それを企業固有の知識として蓄積しながら、次に見るべきものを自ら更新していくAIエージェント
です。
おわりに
今回AIエージェントを考えてみて、
個人的に一番面白かったのは、
「AIに答えさせる」のではなく、「AIに観測を続けさせる」
という考え方でした。
普通の生成AIなら、
Question
↓
Answer
です。
RAGなら、
Question
↓
Search
↓
Answer
になります。
今回やりたいのは、
Observe
↓
Learn
↓
Discover
↓
Hypothesize
↓
Decide what to observe next
↓
Observe again
です。
つまり、
答えを作るAIから、企業と一緒に問いを育てるAIへ。
Continuous Discovery Agentでは、
Gemini
+
ADK
+
Cloud Run
+
Cloud Storage
+
Elasticsearch
+
BigQuery
+
BigQuery Graph
+
LLM Wiki
を使って、
この組織学習ループを作ってみようと思います。
Google Cloudのサービスが結構増えてしまいましたが、
これは決して、
構成図を見た人に「Google Cloud使ってる!」と思ってもらうためではありません。
検索は検索。
分析は分析。
関係性はグラフ。
生成AIは生成AI。
それぞれ適材適所で選んだ結果です。
技術的必然性です。
……ということにしておきます。
次回は実際に、
Gemini + ADK + BigQueryあたりからContinuous Discovery Loopの最小構成を作ってみる
ところまで進めたいと思います。
参考資料
- Google Cloud: Host AI agents on Cloud Run
- Google Cloud: Agent Development Kit
- Google Cloud: BigQuery Graph
- Elastic: Hybrid Search with Elasticsearch
- Elastic Cloud from Google Cloud Platform Marketplace**