Enterprise agentic workflows and multi-agent systems for investment strategy：JPMorganは、実運用可能な投資リサーチ・エージェントには、制約のない自動化ではなく統制された自律性が必要だと論じる

概要

JPMorganのグローバル定量戦略チームは、Googleと共同で実施した2026年9月の投資リサーチ向けエンタープライズ・エージェント型ワークフロー構築に関するワークショップを要約している。本レポートは、実用上の目標を統制されレビュー可能な自律性と位置付ける。すなわち、エージェントは承認済みのツール、データソース、受入基準、エスカレーション経路の範囲内で動作しつつ、反復的でデータ集約的な作業を自動化すべきだとしている。

主要見解

レポートは、Agentic AIを従来の自動化、機械学習、生成AIと区別している。固定的な自動化は事前定義されたコード経路に従い、機械学習はパターンを特定し、生成AIは非構造化情報との自然言語による対話を拡張する。これに対しAgentic AIはワークフロー自体を管理し、目的を分解し、ツールを選択し、行動を実行し、中間作業をレビューして反復できる。JPMorganは、これは監督なしの行動を意味しないと強調する。投資ワークフローでは、プロセスの説明可能性と弁護可能性を保つため、自律性を権限、レビュー地点、エスカレーション経路で制約する必要がある。 経済的な論拠は、普遍的な導入ではなく選択的な導入である。レポートによれば、AIは文書分類、ドラフティング、コーディングの一部といった拡張可能で反復的な作業に優位性を持つ一方、人間は高リスクの判断、戦略的業務、創造的な業務で構造的な優位性を維持する。導入の合理性は、人の時間に対するトークンコスト、完了までの時間、やり直し、エラー率、一貫性、監督を踏まえて判断される。金融リサーチは多段階でツールへの依存度が高いため適した用途とされるが、投資判断に直結するため、信頼性とトレーサビリティが不可欠である。 ワークショップの最初の専門エージェントは、ライブの市場データ・ツールを使い、照会時点で最新の株価入力を取得して計算を実行した。これは、モデルの学習時点の知識と変化し続ける市場との隔たりを埋め、別途データを取得してプロンプトに貼り付ける手作業を置き換える。レポートは、速度だけが利点ではないと強調する。もっともらしいが根拠のない出力を防ぐには、承認済みデータソースの制限と、欠損、古い、または不整合なデータへの明確な対応が必要である。プロトタイプは、tickerが見つからない場合に100を返す価格設定関数を用いた一方、データが利用できない場合のガードレールがハルシネーションのリスク低減に役立つことも指摘している。 第2の専門エージェントは、私有文書向けのRAGアナリストである。文書はチャンクに分割され、意味的埋め込みに変換されてベクトルデータベースに保存される。ユーザーの照会も同様に埋め込まれ、類似性検索が関連する文章を取得してモデルのコンテキストに提供する。レポートは、これにより回答を承認済みの社内方針、市場見通し、企業文書に根拠付けられ、エージェントがハウスビューと関連制約に整合し続けることができるとしている。また、RAGはテストを通じて初めて信頼可能になると強調する。チームは代表的な回答の背後にある取得文章を確認すべきである。取得内容が正しくても回答が弱い場合は、指示と回答制約を強化する。取得で適切な証拠が漏れる場合は、チャンク化、埋め込み、検索設定を調整する。例示されたRAGエージェントは、データベースに含まれない情報を無限に検索することを防ぐため、30秒のタイムアウトを使用する。 マネージャー主導のオーケストレーションが次の段階である。ルーティングを担うマネージャーはユーザーの目的を解釈し、サブタスクを計画し、専門エージェントに委任し、出力を統合する。JPMorganは、役割を狭く定めることで混乱の余地が減り、出力品質が向上し得ると論じる。また、定型サブタスクを低コストで高速なモデルへ振り分け、高度な推論を真に必要とする場合に高性能モデルを使うことで、コストを抑えられる。組織が少数のツールから数十、数百の専門エージェントへ拡大すると、人間が各エージェントの役割やツールアクセスを確実に把握できなくなるため、その価値は大きくなる。したがって、モデル選択、ルーティング規則、精度、レイテンシー、コストは、単一の標準設定ではなく、各ワークフローに合わせてテストと調整を行うべきである。 最終デモは、これらの構成要素を、明確な役割と停止条件によって統制される自律型リサーチチームに統合する。目標具体化エージェントは、大まかな依頼を正確なリサーチブリーフへ変換する。リサーチループはRAGアナリスト、コンプライアンス担当者、終了チェッカーを組み合わせ、終了チェッカーが出力が受入基準を満たすか、追加の反復が必要かを判断する。例示されたループの反復回数は最大4回である。続いてレポーターが、リサーチループの出力のみを使ってエグゼクティブメモを作成し、外部知識で欠落を補わないよう指示される。この階層構造は、品質とトークン消費を管理するとともに、責任分担と証拠の流れを可視化することを目的とする。 レポートは、実運用レベルの「harness」が、賢いプロトタイプとデプロイ可能なシステムを分けるものだと結論付ける。harnessは、計画、中間段階、ツール呼び出し、サブエージェントの活動、リソース使用量を開示し、利用者が問題を診断して介入できるようにする。JPMorganは、変動性を抑えるtemperatureなどの推論パラメーター、出力を標準化するためのより充実したシステム指示とfew-shot例、機能をツールのままにするかサブエージェントに委任するかを決めるテストという3つの実務的な調整手段を挙げる。ガバナンスは後付けではなくエンジニアリング上の要件とされ、システムには明確な権限、レビューとエスカレーションの関門、反復回数と実行時間の上限、そして規模拡大後も検証できる証拠の軌跡が必要である。

分析フレームワーク

レポートは、Agentic AIの定義と経済性から始め、ライブデータの専門エージェント、RAGの専門エージェント、マネージャー主導のルーティング、完全なリサーチチームのアーキテクチャへと段階的に説明する。ワークショップのプロトタイプを用いて、承認済みデータへのアクセス、検索によるグラウンディング、テスト、役割分担、コンプライアンスレビュー、ループ上限が、自動化されたリサーチワークフローをレビュー可能かつ制御可能にする方法を示している。

手法メモ

• その他その他

  検索拡張生成（RAG）

  ワークフローは、承認済みでベクトル化された文書集合から関連文章を取得してコンテキストとして提供し、裏付けのないモデル知識ではなく原典の証拠に回答を根拠付けることを目指す。

• その他その他

  マネージャー主導のマルチエージェント・オーケストレーション

  マネージャー・エージェントが依頼を分解し、サブタスクを専門エージェントへ振り分け、結果を統合し、明確な品質、コスト、終了の管理を適用する。

主要データ

• RAGエージェントの接続タイムアウト30 secondsエージェントがデータベースにない情報を無限に検索することを防ぐために設計されている。
• 自律型リサーチループの最大反復回数4ループは受入基準を満たすか、反復上限に達した時点で終了する。
• 自律型リサーチチームの段階数3目標具体化エージェント、反復型リサーチループ、レポーター。

影響と示唆

レポートは、統制されたエージェントシステムを、証拠のトレーサビリティと人間による監督を維持しながら、反復的なリサーチ工程を自動化する手段として提示している。組織は汎用的な自律エージェントを導入するのではなく、各ワークフローに合わせてツール、モデル、プロンプト、ルーティング、統制を調整すべきだとしている。

リスク

• 初期の誤りが検知されない場合、ハルシネーションはエンドツーエンドの自動化ワークフローを通じて拡散する可能性がある。
• 基礎となるデータが取得されていない、欠損している、古い、または不整合であっても、出力は自信があるように見える場合がある。
• 制約のないループ、過度のツール呼び出し、不十分に定義されたエージェント権限は、コスト、安全性、信頼性に関する制御不能な問題を生む可能性がある。
• 検索品質、チャンク化、埋め込み、検索設定、ソースによる根拠付けがテストされない場合、RAGの出力は信頼できない可能性がある。

注目点

• 企業が、時間と金銭的コストを測定可能な利益で正当化できるワークフローのユースケースを選択するかどうか。
• モデル選択、推論設定、指示、ツール構成、精度、レイテンシー、コストに関するテスト結果。
• 本番システムが、レビューのためにツール呼び出し、中間出力、証拠ソース、リソース使用量を開示するかどうか。
• エージェントのワークフローに、明確な権限、受入基準、エスカレーション経路、反復上限があるかどうか。