記事のポイント

  • Microsoft Ignite 2026のオープニングキーノートでは、人間の意欲、インテリジェンス、信頼を中心としたFrontierエコシステムの構想が示された
  • Microsoft Copilot、Microsoft IQ、Microsoft Foundryの進化により、組織固有の知識を活用し、業務を継続的に実行・改善するAIエージェントの仕組みが紹介された
  • Agent 365やMicrosoft Perception、Azureの新しいインフラストラクチャを通じて、AIエージェントの大規模運用に必要な可観測性、セキュリティ、実行基盤への取り組みが発表された

はじめに

この記事ではMicrosoft Ignite 2026のオープニングキーノート「Microsoft Ignite opening keynote」の内容を整理しています。実際に現地でセッションを視聴した内容をもとに、個人の見解を交えて紹介します。

Microsoft Ignite 2026は2026年11月17日から20日まで、アメリカのサンフランシスコで開催されるMicrosoftの技術イベントです。オープニングキーノートは現地時間11月17日の午前10時からChase Centerで開催されました。予定では正午に終了するはずでしたが、実際には約26分延長され、約2時間半にわたって数多くの製品発表やデモンストレーションが行われました。

今回のキーノートで印象に残ったのは、MicrosoftがAIエージェントを中心とした企業向けシステムのあり方を、かなり具体的に提示していたことです。

AIエージェントをどのように業務へ組み込み、企業が蓄積した知識をどのように利用するのか。そして、実際に運用する場合のコストやセキュリティをどのように管理するのか。こうした課題に対して、Microsoft Copilot、Microsoft IQ、Microsoft Foundry、Agent 365などの製品を組み合わせた構想が紹介されました。

なお、セッション内に登場するサービスには一般提供が開始されたものやプレビュー段階のもの、今後の提供が予定されているものが含まれています。本番環境での利用を検討する場合は、最新の公式ドキュメントで提供状況や制約を確認してください。

※画像をいくつか撮影していますが、中身を精査する関係でいったん掲載を控えています。今後、内容の確認が取れ次第、適宜掲載する予定です。

セッション概要

  • セッション名:KEY01 Microsoft Ignite opening keynote
  • 日時:2026年11月17日 10:00〜12:00(予定)
  • 会場:Chase Center
  • 主な登壇者:Satya Nadella氏、Judson Althoff氏、他

Microsoft Ignite opening keynote

Microsoft Ignite 2026のオープニングキーノートです。

Microsoftの会長兼CEOであるSatya Nadella氏とJudson Althoff氏を中心に、AIによる企業変革を推進するための技術や最新の製品発表が行われました。

前半ではMicrosoftが目指すFrontierエコシステムの全体像が紹介され、後半では具体的な製品のデモンストレーションや顧客事例を通じて、AIエージェントを企業で活用する方法が説明されました。

特にCopilotによる業務の実行、Microsoft IQによる組織の知識管理、Microsoft Foundryによるエージェントの改善、Agent 365による運用管理、Microsoft Perceptionによるセキュリティの自動化などが中心的な話題となっています。

このセッションを知るための前提知識

Satya Nadella氏

Satya Nadella氏はMicrosoftの会長兼CEOです。

Microsoft Azureをはじめとしたクラウドサービスの成長を主導し、近年は生成AIやAIエージェントを中心としたMicrosoftの技術戦略を推進しています。

今回のキーノートでも、AIの技術的な進化を企業や社会にどのように結び付けるかという視点から、Microsoftの目指す方向性を説明しました。

Judson Althoff氏

Judson Althoff氏はMicrosoftのエグゼクティブであり、企業向け事業やAIを活用した顧客変革に関わる取り組みを推進しています。

今回のキーノートではSatya Nadella氏が示した構想を受けて、Microsoft Copilotを中心とした具体的な業務シナリオや企業での活用方法を紹介しました。

Frontier Transformationとは

Frontier Transformationは、AIを活用して企業の業務や組織のあり方を変革するというMicrosoftの考え方です。

企業がAIを活用するためには、優れたモデルを利用できる環境に加えて、組織が保有するデータ、業務知識、ワークフローなどを組み合わせる仕組みが必要になります。

今回のキーノートでは、そのための技術基盤としてFrontierエコシステムが紹介されました。

Microsoftはこのエコシステムを構成する要素として、人間の意欲、インテリジェンス、信頼の3つを掲げています。

AIエージェントとAgent Harness

AIエージェントは、与えられた目的に応じて情報を収集し、推論やツールの実行を繰り返しながらタスクを進めるソフトウェアです。

AIエージェントを実際の業務で利用する場合、基盤となるAIモデルの能力に加えて、ツールの呼び出し、コンテキストの管理、実行状態の保持、アクセス制御、評価などが必要になります。

これらの実行を支える仕組みがAgent Harnessです。

今回のキーノートでは、AIモデルとAgent Harness、ツール、組織固有のコンテキストを組み合わせてシステム全体を改善する考え方が繰り返し登場しました。

セッション本編

人間の意欲、インテリジェンス、信頼を中心としたFrontierエコシステム

最初に登壇したSatya Nadella氏は、AIの能力が指数関数的に進歩していることに触れ、この進歩をどのように活用するかという課題を提示しました。

同時に、技術の進歩がもたらす影響に対処するための能力を、組織自身が構築しなければならないと説明しています。

そこで示されたのが、Frontierエコシステムを構成する3つの要素です。

  • Human Ambition:人間の意欲や判断を中心に据え、AIによって人間の能力を拡張すること
  • Intelligence:組織固有の知識や学習成果を組織自身が所有し、継続的に改善すること
  • Trust:AIの動作を観測、管理、統制し、安全に利用できるようにすること

特に印象的だったのは、組織のインテリジェンスに対する所有権について繰り返し言及していたことです。

AIモデルの性能が向上しても、企業が長年蓄積してきた知識や業務の進め方までモデル提供者に依存させる必要はありません。

企業が自身のデータや業務知識を所有し、それをさまざまなAIモデルで利用できるようにすることが、Frontierエコシステムの考え方として示されました。

また、ソフトウェアエンジニアリングの変化についても説明がありました。

従来の開発者はコードやプルリクエストなどの成果物を作成していましたが、AIエージェントの普及によって、成果物を生成する仕組みそのものを構築する仕事へと変化しています。

Satya Nadella氏はこれを、ソフトウェアを作る仕事から、ソフトウェアを作るファクトリーを構築する仕事への変化として説明しました。

ただし、人間の専門知識や判断力が不要になるという話ではありません。専門性を発揮する対象や作業の進め方が変わるという考え方です。

Microsoft Copilotは仕事のためのOSへ

続いて紹介されたのがMicrosoft Copilotです。

MicrosoftはCopilotを、仕事のための新しいオペレーティングシステムとして位置付けています。

これまでのCopilotはユーザーからの質問に応答したり、文書やコードの作成を支援したりする使い方が中心でした。

今回の発表では、Copilot Home、Co-work、Code、Autopilotなどの機能を統合し、仕事の開始から実行までを支援する方向性が示されました。

それぞれの役割は以下のとおりです。

  • Copilot Home:質問への回答や複雑なタスクの開始地点となる統合インターフェース
  • Co-work:調査や資料作成など複数のステップを必要とする作業を実行
  • Code:自然言語による指示からアプリケーションやダッシュボードを生成
  • Autopilot:継続的にタスクを実行する自律型エージェント
  • Copilot Workspaces:人間と複数のAIエージェントがコンテキストを共有して共同作業を行う環境

さらに、Word、Excel、PowerPointの機能をCopilotの中で利用できることも説明されました。

これは生成した文書を別のアプリケーションに移して編集するのではなく、普段利用しているOfficeの編集機能や共同作業の仕組みをCopilotから利用できるというものです。

Copilot Workspacesによるマルチプレイヤーへの変化

Copilot Workspacesは、今回の発表で特徴的だった機能の一つです。

従来のAIアシスタントは、一人の利用者がAIとやり取りするシングルプレイヤー型の使い方が中心でした。

Copilot Workspacesでは、複数の人間とAIエージェントが同じ目標とコンテキストを共有しながら作業します。

例えばプロジェクトに必要な資料や会話、意思決定の内容を一つのWorkspaceに集約し、参加者とAIエージェントが同じ情報を参照しながら作業を進めることができます。

これはエージェントの実行結果を人間へ返す仕組みから、人間とエージェントが継続的に共同作業する仕組みへの変化だと考えられます。

Copilotを利用したキーノート準備のデモ

Judson Althoff氏は、自身のキーノート準備をCopilotで進めるデモを紹介しました。
デモではCopilot TodayがメールやTeamsのメッセージを確認し、翌年1月に予定されている小売業界のイベントNRFに向けた準備が必要であることを提示しました。

その後、Co-workを利用して業界動向を調査し、PowerPointのストーリーボードやExcelの顧客情報管理表を生成しています。
さらにAutopilotに継続的な情報収集を依頼し、TeamsとWorkspacesを使ってチームと情報を共有する流れが紹介されました。
Codeを利用した3Dのデモアプリケーションも生成されており、生成されたJavaScriptコードは開発者が引き継いで開発できると説明しています。

登壇者によると一連の準備は約2時間で実行され、AI利用の費用は約100ドルでした。
ここで興味深かったのはAIの活用によって人間のチームメンバーに作業を依頼する前の準備を進められるという点です。
AIエージェントが初期調査や成果物の生成を担当し、人間はその内容の確認や判断、意思決定に集中するという業務の進め方が示されました。

Microsoft IQによる組織固有のインテリジェンス管理

今回のキーノートで中心的な位置を占めていたのがMicrosoft IQです。

Microsoft IQは、企業内に存在するデータや知識、業務コンテキストを統合的に管理し、AIエージェントから利用できるようにするエンタープライズ向けのコンテキスト管理プラットフォームとして発表されました。

ここでいうコンテキストとは、AIエージェントが業務を実行するために必要な情報です。
例えば社内文書、業務システムのデータ、過去の意思決定、社内ルール、業務手順などが該当します。

Microsoft IQでは主に以下の仕組みを組み合わせます。

構成要素 主な役割
Work IQ Microsoft 365に存在する人、メール、会議、チャット、文書などの業務コンテキストを扱う
Fabric IQ データやセマンティックモデル、業務指標をAIエージェントから利用できるようにする
Foundry IQ 文書や非構造化データを知識として整理し、AIエージェントの情報検索を支援する
Web IQ インターネット上の公開情報や外部のコンテキストを扱う
Business Plugins 組織のコンテキスト、スキル、ツールなどを業務単位で再利用可能にする

Microsoft IQでは350以上のサードパーティーコネクタが紹介され、Microsoft以外のシステムも含めた情報の統合が想定されています。

例えばAWS、Google Cloud、Databricks、Snowflakeなどに存在するデータを利用する場合でも、既存のデータ基盤やセマンティックモデルを活用できることが説明されました。

Business Pluginsによる業務知識の共有

Microsoft IQでは、組織固有のコンテキストをBusiness Pluginsとして管理できます。
デモでは法務やコンプライアンスのポリシーを上位の階層に配置し、その下に契約管理や請求処理などの業務を配置していました。

下位の業務は上位で定義された知識やルールを継承できます。
これにより、共通の規定を参照しながら、各部門が固有のスキルやデータを追加できる仕組みが示されました。

Microsoft IQはAIエージェントが情報を検索する仕組みとしても利用できますが、組織の業務知識をどのように定義し、共有するかという観点も含まれています。

Unilever IQのデモ

Microsoft IQの活用例として紹介されたのがUnilever IQです。Unileverでは日々大量の注文や請求が発生しています。

デモではAIエージェントが請求内容を確認し、契約内容と請求額に2,000ドル以上の差異があるケースを検出しました。
エージェントはFoundry IQに保存された契約関連資料とFabric IQに存在する営業データを参照し、過去に類似する請求がなかったかを調査しています。

さらにWork IQから過去の判断に関わった担当者を特定し、人間へ確認を依頼しました。
ここではエージェントが最終判断を行うのではなく、人間の担当者が内容を確認して処理方針を決定しています。
そして、その判断結果がUnilever IQに保存され、次回以降の業務で再利用される仕組みが紹介されました。

このデモで示されたのは、企業の知識をAIエージェントへ提供するだけでは終わらず、業務の実行結果や人間の判断を再び組織の知識として蓄積する流れです。

Microsoft FoundryによるAIエージェントの継続的改善

Microsoft IQに続いて紹介されたのがMicrosoft Foundryです。
AIエージェントを本番環境で運用するためには、モデルの選択やツールとの連携に加え、認証、サンドボックス、監視、評価などの仕組みが必要になります。

今回のMicrosoft Foundryでは、AIエージェントを継続的に改善するための機能が紹介されました。

主な流れは以下のとおりです。

  1. AIエージェントを実行し、トレースや利用者からのフィードバックを収集
  2. 評価基準に基づいて実行結果を分析
  3. システムプロンプトやツールの定義などの改善案を生成
  4. 改善前後の品質、速度、コストを比較
  5. 人間が改善案を確認し、必要に応じて適用
  6. さらに必要であれば、独自データを使ったモデルの学習を実施

このように、本番環境で得られた情報を利用してエージェントを改善する仕組みが説明されました。

Alaska Airlinesによる航空機整備のデモ

Microsoft Foundryの具体的な活用例として紹介されたのがAlaska Airlinesです。
航空機の整備記録ではATAコードと呼ばれる分類コードが使用されます。
デモでは、整備記録に対して技術的には正しいものの、より詳細なコードを割り当てられるケースが紹介されました。

そこで整備記録の文章から適切なATAコードを提案するAIエージェントを構築しています。
最初にMicrosoft Foundryの評価機能を使ってエージェントの精度を確認したところ、期待した結果には達していませんでした。

そこでFoundry Optimizerを利用し、システムプロンプトやツールの説明を改善しました。
この方法によって精度は向上したものの、指示が長くなったことで入力トークン数が増加し、コストも増えてしまいました。

次に実施したのがモデルの学習です。長いプロンプトで指定していた知識の一部をモデル側へ学習させることで、指示に必要なトークンを削減するアプローチが示されました。デモでは専用に調整したモデルによって、ATAコードの分類精度が97%、社内の分類基準に関する精度が93%になったと説明しています。

この結果は登壇時のデモで示されたものであり、実環境でも同じ数値を得られることを保証するものではありません。
注目したいのは、モデルを変更する前にAgent Harnessやプロンプトを改善し、その結果を評価したうえでモデルの学習へ進んでいることです。
AIエージェントの品質を高める方法には複数の選択肢があり、精度やコストを測定しながら改善方法を選択する必要があることを示した事例でした。

Microsoft独自のAIモデルとモデルの選択

今回のキーノートではMicrosoft独自のAIモデルについても複数の発表がありました。Microsoft FoundryにはOpenAI、Anthropic、Meta、Mistralなどのモデルが用意されており、今回新たにGPT 6.2の提供も発表されました。
Microsoft自身が開発するMAIモデルについても、コーディング、意思決定、セキュリティ、画像、音声などの領域で進展が紹介されています。

モデル 主な用途
MAI Code 2 企業向けのコーディングや複数ファイルにまたがる実装
Code 2 Flash コードの説明や小規模な修正、繰り返し作業
Microsoft-Decision-1.1 分類、ルーティング、意思決定など
Cyber 2 Flash セキュリティ分析や脆弱性への対応
MAI Image 2.7 画像の生成・編集
MAI Transcribe 音声の文字起こし

Microsoft-Decision-1.1は一般提供が開始され、4,000社以上の顧客が利用したと発表されています。また、Code 2とCode 2 FlashはGitHub CopilotやMicrosoft Foundryで利用できるモデルとして紹介されました。

Microsoftが強調していたのはあらゆるタスクに最高性能のモデルを使う必要はないという考え方です。企業の業務では、コードの簡単な説明や分類処理のように、必ずしも高額なFrontierモデルを必要としないタスクも存在します。

そのため、タスクに応じてモデルを選択し、必要な精度を維持しながら推論コストを抑えることが求められます。FoundryのModel Routerでは、モデルを固定せずにタスクの複雑さに応じて適切なモデルへ振り分ける仕組みが説明されました。

また、MAI Licensed Weightsも発表され、対象となる顧客がMicrosoftのモデルを独自のデータで調整し、自社のAzure環境で実行するための選択肢が示されました。

Agent 365によるAIエージェントの運用管理

AIエージェントを企業内で大量に運用する場合、個々のエージェントが正常に動作しているかを確認するだけでは十分ではありません。どのエージェントが存在し、どのような権限を持ち、どのシステムへアクセスできるのかを把握する必要があります。

また、エージェントの実行によって発生する費用を管理し、業務上の成果と結び付けて評価することも求められます。今回紹介されたAgent 365は、こうした管理を行うためのコントロールプレーンです。

Agent 365ではエージェントやスキル、プラグイン、モデルなどをレジストリに登録し、組織全体で管理します。Microsoftの製品に加えて、AWS、Google Cloud、OpenAI、Anthropicなどの環境で動作するエージェントとの連携も紹介されました。

エージェントマップとAction Center

Agent 365のデモでは、エージェントが利用しているツールやデータ、接続先、関係する人物などを可視化するエージェントマップが紹介されました。これにより、エージェントに与えられた権限やアクセス可能なリソースを把握できます。

さらにAction Centerでは、管理者が対応すべき事項を一覧化し、必要な処理を実行できます。例えば、90日間利用されていないエージェントを検出し、所有者への通知や不要なエージェントの整理を進めるシナリオが示されました。

エージェントが増えれば、それに伴って利用されなくなったエージェントや過剰な権限を持つエージェントも発生します。こうした状態を放置しないための運用管理がAgent 365の役割の一つです。

Agent 365 Business Analytics

今回新たに発表されたAgent 365 Business Analyticsでは、AIの利用状況と費用、業務成果を関連付けて確認できます。従来のクラウドサービスでもリソースごとの利用料金を確認することはできますが、AIエージェントでは実行したタスクと費用を関連付ける必要があります。

デモでは、エージェントが完了したタスク、削減できた作業時間、利用したモデル、発生した費用などを確認していました。さらにモデルの構成を変更した場合の費用を予測し、品質への影響を評価してから変更する流れも紹介されています。

これはAIエージェントを継続的に運用するうえで、FinOpsの考え方をどのように適用するかという話につながります。単純にトークン数を削減するのではなく、実行した業務に対してどの程度のコストが発生し、どのような成果を得られたのかを確認する仕組みです。

Microsoft Perceptionによる自律型セキュリティ運用

セキュリティの領域ではMicrosoft Perceptionが紹介されました。Microsoft Perceptionは、複数のAIエージェントが協調してセキュリティの検知、分析、対応を実行するエージェント型のセキュリティシステムです。

今回、一般提供の開始が発表されました。

Perceptionでは、セキュリティエージェントを3つのチームとして構成します。

  • Red Team:攻撃のシミュレーションや脆弱性の検証を実施
  • Blue Team:脅威の検知、調査、分析を実施
  • Green Team:設定やコードの修正、検知ルールの改善などを実施

これらのエージェントはPlaybooksによって組み合わせることができ、特定のイベントをきっかけに複数の処理を実行します。

Patch Tuesdayへの対応

デモではPatch Tuesdayで公開された脆弱性に対し、Perceptionが組織内の端末やサーバーを横断的に調査する流れが紹介されました。脆弱性の影響を受ける端末の特定、CVEの分析、脅威インテリジェンスの参照などを組み合わせ、対応の優先順位を決定します。

クライアント端末には必要なパッチを適用し、サーバーについては影響を確認しながら別の保護手段も利用するという判断が示されました。従来であればPowerShellの作成や複数の管理ツールを利用して実施していた作業を、エージェントが支援する構成です。

インシデント調査と検知ルールの改善

別のデモでは、セキュリティアラートを受けて複数のエージェントが調査を実行する流れが紹介されました。エージェントはAWSなどの外部環境から取得したデータも参照し、攻撃の状況を調査します。

さらに、今回検出した攻撃を今後も検知できるよう、新しい検知ルールを生成しました。デモでは3つの新しい検知ルールが作成され、人間が内容を確認したうえで公開しています。ここで興味深かったのは、セキュリティ運用の中に継続的改善が組み込まれている点です。

攻撃を検知して対応するだけでなく、その対応から新しい検知能力を作成し、次回の攻撃への備えとして利用できます。

AzureのインフラストラクチャもAIエージェント向けに進化

今回のキーノートでは、AIエージェントを実行するためのインフラストラクチャについても説明がありました。AIエージェントが大量に動作する環境では、従来のアプリケーションとは異なる実行パターンが発生します。例えばエージェントが短時間で実行環境を作成したり、多数のツールへアクセスしたり、別のエージェントと通信したりする処理です。

Microsoftはこうしたワークロードに対応するため、Azureのコンピュート、ストレージ、ネットワークの仕組みを再設計していると説明しました。

MicroVMとAgent Grid

キーノートでは、1秒未満で起動するMicroVMベースの実行環境が紹介されました。短時間で実行環境を起動できれば、必要なタイミングでエージェントの処理環境を用意し、処理が完了した後に解放する構成を実現しやすくなります。また、Agent GridではエージェントのIDやポリシーに基づいて通信先やアクセス可能なリソースを制御する仕組みが説明されました。

AIエージェントが複数のツールやサービスを呼び出す場合、エージェント自身のIDと権限に基づいたアクセス制御が必要になります。こうした仕組みは、エージェントを安全に実行するためのインフラストラクチャとして紹介されました。

Azure HorizonDBとFabric HorizonDB

データベースの領域ではAzure HorizonDBの一般提供が発表されました。

Azure HorizonDBはPostgreSQL互換のマネージドデータベースであり、低遅延のデータアクセスやベクトル検索など、AIアプリケーションに必要な機能を備えています。

今回はFabric HorizonDBも発表されました。Fabric HorizonDBはMicrosoft Fabric上でPostgreSQLを利用するための仕組みであり、今回パブリックプレビューとして紹介されています。従来のシステムでは、トランザクション処理を担当するデータベースと分析処理を担当するデータ基盤が分離される構成が多く見られました。

今回の構想では、トランザクションデータと分析データを組み合わせ、AIエージェントが現在の業務状況と過去のデータを参照しながら判断する利用方法が紹介されています。

また、インフラストラクチャを支えるハードウェアについても、Azure Cobalt 200 VMの一般提供や独自AIアクセラレーターMaia 300に関する説明がありました。

登場サービス/製品に対する見解

AIエージェントに必要な技術が製品横断で整理されてきた

今回のキーノートを通じて感じたのは、MicrosoftがAIエージェントを企業内で運用するための構成要素を、かなり具体的に整理しているということです。

AIエージェントを開発するだけであれば、AIモデルとツールを組み合わせることで比較的簡単に実現できます。しかし企業内で数百、数千という単位のエージェントを運用する場合は、エージェントのID管理、権限の制御、実行環境の分離、コストの管理、監視などが必要になります。

今回の発表を整理すると、Microsoft IQが業務コンテキストを管理し、Microsoft Foundryがエージェントの開発・実行・改善を担当し、Agent 365が組織全体の統制や費用管理を行うという役割分担が見えてきます。

さらにMicrosoft PerceptionやAzureの基盤によって、セキュリティと実行環境を支える構成です。
それぞれの製品が完全に独立しているわけではありませんが、どの領域をどの製品が担当するのかという整理は、AIエージェントのアーキテクチャを考えるうえで参考になります。

Microsoft IQが組織の知識をどこまで管理できるのか

個人的に関心を持ったのがMicrosoft IQです。企業がAIエージェントを導入する場合、社内データを検索できるようにするだけでは十分ではありません。

その情報がどの業務に属し、どのような判断基準で利用され、どの担当者が判断したのかというコンテキストも必要になります。Microsoft IQのデモでは、上位階層に定義されたポリシーや業務知識を下位の業務が継承し、複数のエージェントから利用する仕組みが紹介されました。

これは組織固有の業務ルールや知識を、AIエージェントが利用できる形で管理するという考え方です。

ただし、実際に企業へ導入する場合には、どの情報を正しい情報源として扱うのか、業務ルールの変更をどのように反映するのか、アクセス権限をどのように継承するのかを確認する必要があります。

特に複数のクラウドやSaaSを組み合わせている環境では、異なるシステム間のデータや権限をどこまで一貫して管理できるかが検証したいポイントです。

モデルの性能よりもタスク全体のコストと成果を見る

Microsoft FoundryとMAIモデルの発表で印象に残ったのは、モデルの性能とコストを合わせて評価するという考え方です。高性能なモデルを利用すれば、すべてのタスクで最も良い結果が得られるというわけではありません。

タスクの内容によっては、小規模なモデルで十分な精度を得られる場合があります。また、Alaska Airlinesのデモで紹介されたように、プロンプトを改善することで精度が向上しても、入力トークンが増加して費用が高くなる場合があります。

そのため、モデルを選択する場合には、エージェントの成功率、処理時間、トークン消費量、費用などを合わせて評価する必要があります。特に継続的に実行するAIエージェントでは、一回あたりのコストが小さくても、実行回数が増加すると全体の費用に影響します。

Agent Harnessやツールの定義を改善するのか、モデルを切り替えるのか、それとも専用のモデルを学習させるのか。今回のMicrosoft Foundryのデモでは、こうした判断を評価結果に基づいて実施する流れが示されていました。

Agent 365のBusiness Analyticsは運用の評価方法を変えるか

Agent 365 Business Analyticsについても、今後検証してみたいと感じました。従来のクラウド運用ではCPU使用率やメモリ使用率、リクエスト数、利用料金などのメトリクスを確認することが一般的です。

AIエージェントでも同様のメトリクスは必要ですが、エージェントが業務として何を実行し、どのような成果を生み出したのかという観点が加わります。

例えばインシデント対応を行うAIエージェントであれば、実行回数やトークン数だけでなく、調査に要した時間、適切な判断ができた割合、人間へのエスカレーションが必要だった割合なども評価対象になります。

ただし、こうした数値をどのように業務上の価値へ換算するかは、組織自身が定義する必要があります。Business Analyticsはその評価を支援する仕組みとして紹介されましたが、実際に利用する際には、費用データと実行トレース、業務成果をどの粒度で関連付けられるのかを確認したいところです。

セキュリティ運用にも継続的改善の考え方が広がっている

Microsoft Perceptionのデモでは、脅威の検知から調査、対応、検知ルールの改善までを複数のエージェントが担当していました。従来のセキュリティ運用でも、SOARなどを利用して定型的な対応を自動化することはできました。

今回のPerceptionでは、AIエージェントが調査内容をもとに検知ルールを生成し、次の攻撃に備える仕組みが紹介されています。これはセキュリティ運用の結果を継続的に改善へつなげるという考え方です。

ただし、エージェントが生成したルールを無条件に適用すると、誤検知や業務への影響が発生するおそれがあります。デモでも人間がルールを確認したうえで公開していました。

AIエージェントがどこまで自律的に対応し、どの処理で人間の承認を必要とするのかという境界を設計することが、実運用では課題になると考えています。

AIエージェントのためのインフラストラクチャという視点

Azureの実行環境に関する発表です。これまでクラウドネイティブなアプリケーションでは、コンテナやサーバーレスなどを利用し、アプリケーションの実行環境を必要に応じて作成する仕組みが整備されてきました。

AIエージェントの場合は、それに加えてエージェント単位のIDや権限、ツールへのアクセス、実行中の状態などを管理する必要があります。今回紹介されたMicroVMやAgent Gridは、そのような実行環境の要件に対応するための技術と考えられます。

ただし、MicroVMによる実行環境の分離と、エージェントが外部システムへアクセスするための権限管理は別の問題です。安全な実行環境を提供するだけではエージェントが過大な権限を利用してしまう問題を防ぐことはできません。

実行環境の分離とIDベースのアクセス制御を組み合わせたアーキテクチャが必要になります。今後は既存のコンテナやKubernetesベースの実行基盤と比較しながら、どのようなワークロードに適しているのか確認してみたいところです。

AIのコストから業務成果(Outcome)へ

今回のKeynoteを通じて印象に残ったのは、AIのコストに対してどのような成果(Outcome)が得られたのかという考え方です。

Microsoft Foundryではモデルの精度や実行速度、コストを比較し、Agent 365 Business AnalyticsではAIに対する支出と業務上の成果を関連付ける仕組みが紹介されました。Microsoft Perceptionでも、アラートの数より実際に達成したセキュリティ上の成果を評価するという説明がありました。

これまでAIのコストを考える際には、トークン単価やモデルの利用料金に注目することが多かったと思います。しかしAIエージェントが業務を実行するようになると、何回推論したのかという指標だけでは、その費用が妥当だったのかを判断できません。

例えば100ドルを消費したAIエージェントが、何時間分の作業を削減し、どの程度の品質で業務を完了できたのか。あるいは、セキュリティインシデントへの対応において、どの程度の調査時間を短縮し、実際にどのような脅威を封じ込めたのかという観点が必要になります。

今回のKeynoteでは、AIエージェントの利用状況を観測し、実行コストと業務成果を関連付け、継続的な改善につなげる方向性が示されたと感じました。

今後AIエージェントの運用を考える際には、推論コストの削減と業務成果の評価を組み合わせて考える必要があるのではないでしょうか。

まとめ

Microsoft Ignite 2026のオープニングキーノートでは、Frontierエコシステムを構成する人間の意欲、インテリジェンス、信頼という3つのテーマを中心に、数多くの製品発表が行われました。その中でも個人的に印象に残ったのは、組織自身が知識を所有し、AIエージェントの実行結果を継続的な改善につなげるという考え方です。

Microsoft IQでは組織のコンテキストを管理し、Microsoft Foundryではエージェントやモデルを改善する仕組みが紹介されました。Agent 365では運用状況や費用、業務成果を可視化し、Microsoft Perceptionではセキュリティ運用にもAIエージェントを活用する方向性が示されています。

AIエージェントを本番環境で運用するためには、モデルの性能に加えて、コンテキストの管理、実行環境、可観測性、権限管理、費用の評価などを組み合わせて考える必要があります。

今回の発表では、それぞれの要件に対応する製品や機能が紹介され、Microsoftが目指しているアーキテクチャの方向性を確認できました。

今後はMicrosoft IQのコンテキスト管理やAgent 365の運用管理機能、Foundryのエージェント改善機能について、実際の動作や制約を検証してみたいと考えています。

感想

印象に残ったところとしてコストに対してのアウトカムを考慮していた点です。
実際に結構Outcomeと発音されていた回数が多かったようにも思えます。

特に象徴的なのがAgent 365 Business Analyticsの説明です。

The goal is not simply to spend less on AI, but to get more value from every dollar that you invest.

日本語では「目標はAIへの支出を減らすことではなく、投資した1ドルから得られる価値を増やすことです」という意味です。
これは以前から筆者が考えているエージェント型のシステム運用(Agentic Operations)にも共有する考え方です。

Agentic Operationsではコストに対してどれだけのインシデント対応が行えたのか、どれだけの業務成果が得られたのかを評価することが重要であるため、単に支出を抑えるだけでなく、投入したリソースから得られる価値を最大化することが重要です。

今回の話を聞いたときにもうひとつ思ったこととしてはやはり、クラウド導入からクラウドのコスト削減という流れがあったようにAIエージェントの導入においても単にコストを抑えるのではなく、投入したリソースから得られる価値を最大化するという視点が重要になっているのだと感じました。