ソフトバンク — AGENTIC STAR & 全社AIエージェント戦略

企業概要

背景と課題

• 通信事業の成熟化に伴い、AIを新たな成長エンジンに位置づけ
• 約55,000名の社員全員がAIを業務に活用する文化を醸成する必要
• 法人顧客向けに、セキュアかつ柔軟なAIエージェント基盤の需要が急増

全社AIエージェント創出プロジェクト

施策の概要

2025年6月、全社員に**「1人100個のAIエージェント作成」**をミッションとして課すプロジェクトを開始。

成果

AGENTIC STARの技術アーキテクチャ

技術選定

┌────────────────────────────────────────────┐
│          AGENTIC STAR プラットフォーム        │
├────────────────┬───────────────────────────┤
│  Agent管理      │     セキュリティ基盤       │
│  ダッシュボード   │    （認証・認可・監査）     │
├────────────────┴───────────────────────────┤
│                                            │
│  ┌──────────────┐  ┌──────────────────┐    │
│  │ マルチLLM     │  │  MCP連携ゲート    │    │
│  │ ルーター      │  │  ウェイ          │    │
│  │ (テキスト/    │  │  (既存SaaS/      │    │
│  │  画像/動画)   │  │   業務システム)   │    │
│  └──────┬───────┘  └────────┬─────────┘    │
│         │                   │              │
│  ┌──────▼───────────────────▼──────────┐   │
│  │        Agent実行エンジン             │   │
│  │  ┌────────┐ ┌────────┐ ┌────────┐  │   │
│  │  │短期記憶 │ │長期記憶 │ │ツール  │  │   │
│  │  │        │ │        │ │80種類+ │  │   │
│  │  └────────┘ └────────┘ └────────┘  │   │
│  └────────────────────────────────────┘   │
│                                            │
│  ┌──────────────────────────────────────┐  │
│  │  プリビルトAgent（リサーチ/文書作成/   │  │
│  │  戦略支援/部門間調整）               │  │
│  └──────────────────────────────────────┘  │
└────────────────────────────────────────────┘

実装例: MCP対応AIエージェントの構築

1. マルチLLMルーターの実装

from openai import OpenAI
from anthropic import Anthropic
from enum import Enum

class TaskType(Enum):
    TEXT_ANALYSIS = "text"
    IMAGE_UNDERSTANDING = "image"
    CODE_GENERATION = "code"
    CREATIVE_WRITING = "creative"

class MultiLLMRouter:
    """タスクに応じて最適なLLMを動的に選択するルーター"""

    def __init__(self):
        self.openai = OpenAI()
        self.anthropic = Anthropic()
        self.model_map = {
            TaskType.TEXT_ANALYSIS: ("openai", "gpt-4o"),
            TaskType.IMAGE_UNDERSTANDING: ("openai", "gpt-4o"),
            TaskType.CODE_GENERATION: ("anthropic", "claude-sonnet-4-20250514"),
            TaskType.CREATIVE_WRITING: ("anthropic", "claude-sonnet-4-20250514"),
        }

    def classify_task(self, user_message: str) -> TaskType:
        """ユーザー入力からタスクタイプを自動分類"""
        response = self.openai.chat.completions.create(
            model="gpt-4o-mini",
            messages=[
                {"role": "system", "content": """タスクを以下に分類してJSON出力:
{"task_type": "text|image|code|creative"}"""},
                {"role": "user", "content": user_message}
            ],
            response_format={"type": "json_object"}
        )
        import json
        result = json.loads(response.choices[0].message.content)
        return TaskType(result["task_type"])

    def route_and_execute(self, user_message: str, context: dict = None) -> str:
        """タスク分類 → 最適LLM選択 → 実行"""
        task_type = self.classify_task(user_message)
        provider, model = self.model_map[task_type]

        if provider == "openai":
            response = self.openai.chat.completions.create(
                model=model,
                messages=[
                    {"role": "system", "content": "業務支援AIエージェントです。"},
                    {"role": "user", "content": user_message}
                ]
            )
            return response.choices[0].message.content
        else:
            response = self.anthropic.messages.create(
                model=model,
                max_tokens=2000,
                messages=[{"role": "user", "content": user_message}]
            )
            return response.content[0].text

# 使用例
router = MultiLLMRouter()
result = router.route_and_execute("売上データを分析してレポートを作成して")
print(result)

2. 長期記憶機能の実装

from dataclasses import dataclass, field
from datetime import datetime
import json

@dataclass
class Memory:
    content: str
    category: str  # "preference" | "context" | "task_history"
    created_at: str = field(default_factory=lambda: datetime.utcnow().isoformat())
    importance: float = 0.5

class AgentMemoryManager:
    """ユーザーの好みや業務コンテキストを学習する記憶システム"""

    def __init__(self, user_id: str):
        self.user_id = user_id
        self.short_term: list[Memory] = []  # 直近の会話コンテキスト
        self.long_term: list[Memory] = []   # 永続的なユーザー情報

    def extract_preferences(self, conversation: str) -> list[Memory]:
        """会話からユーザーの好みや傾向を自動抽出"""
        from openai import OpenAI
        client = OpenAI()

        response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[
                {"role": "system", "content": """会話から以下を抽出してJSON配列で出力:
[{"content": "抽出した情報", "category": "preference|context", "importance": 0.0-1.0}]
例: 好みのレポート形式、よく使うツール、業務上の制約など"""},
                {"role": "user", "content": conversation}
            ],
            response_format={"type": "json_object"}
        )
        items = json.loads(response.choices[0].message.content).get("memories", [])
        return [Memory(**item) for item in items]

    def get_relevant_context(self, query: str, top_k: int = 5) -> str:
        """クエリに関連する記憶を取得してコンテキストとして返す"""
        all_memories = self.short_term + self.long_term
        # 実際にはEmbeddingベースの類似度検索を使用
        sorted_memories = sorted(
            all_memories, key=lambda m: m.importance, reverse=True
        )[:top_k]
        return "\n".join([f"- [{m.category}] {m.content}" for m in sorted_memories])

SE本部での現場活用事例

学びと再現のポイント

1. 全社員参加型: 「1人100個」という数値目標で、全員がAIに触れる機会を創出
2. マルチLLM戦略: 1つのLLMに依存せず、タスクに応じて最適モデルを選択
3. MCP対応: 既存業務システムとの連携を標準プロトコルで実現
4. 記憶機能: ユーザーの業務コンテキストを学習し、パーソナライズされた支援を提供