大手SIerのAIエンジニアが注目する「AI Agent開発」の最前線──Claude Code・MCP・ハーネス設計とは何か

2026年に入り、生成AIの活用は明らかに新しいフェーズに入りました。単発の質問応答や文章生成から、**自律的に複数のタスクを実行するAI Agent**へ──この流れは特にエンタープライズ領域で加速しています。

今回取り上げるのは、国内大手SIerでAzureソリューションアーキテクト兼AIエンジニアとして活躍するnoahさんが立ち上げたテックブログです。IaC（Bicep/Terraform）とAzure DevOpsを軸としたキャリアを持つエンジニアが、なぜ今「AI Agent開発」と「ハーネス設計」に軸足を移しているのか。この動きは、業界全体のトレンドを象徴しています。

noahさんが注目している技術スタックは以下の3つです。

Claude Code

Anthropicが提供するコーディング特化型のAIモデル。コード生成だけでなく、既存コードの理解・修正・リファクタリングに強みを持ちます。エンタープライズ環境では、レガシーコードベースの保守にも活用が進んでいます。

Codex

OpenAIが開発したコード生成モデル。GitHub Copilotのベースとなっている技術で、自然言語からコードへの変換精度が高いのが特徴です。

MCP（Model Context Protocol）

これは特に重要な要素です。MCPは**AIモデルが外部ツールやデータソースと連携するための標準プロトコル**を指します。AI Agentが単なる「賢いチャットボット」ではなく、実際にシステムを操作し、複数のツールを横断して作業を完遂するためには、このような標準化された連携基盤が不可欠です。

従来のソフトウェア開発では、アーキテクチャ設計、インフラ設計、セキュリティ設計などが確立されていました。AI Agent時代には、これに加えて**「ハーネス設計」**という新しい設計領域が生まれつつあります。

ハーネスとは本来「馬具」を意味する言葉です。AI Agentという強力だが予測困難な「馬」を、どのように制御し、安全に業務に活用するか──これがハーネス設計の本質です。

具体的には以下のような設計要素が含まれます。

IaCやDevOpsの経験を持つエンジニアがAI Agent開発に参入する理由はここにあります。AIモデルそのものの開発ではなく、**AIを安全かつ効果的に実運用環境に組み込む設計力**が求められているのです。

エンタープライズAI開発の主戦場は「モデル開発」から「統合設計」へ

ChatGPTやGitHub Copilotといった既製のAIサービスと比較すると、AI Agent開発のアプローチは根本的に異なります。

**ChatGPT的アプローチ**: ユーザーが質問を投げ、AIが応答する。すべての判断と実行はユーザーが担う。

**AI Agentアプローチ**: ユーザーは目標を伝え、AIが自律的に計画を立て、複数のツールを使って実行し、結果を報告する。

この違いは技術的には小さく見えますが、実装難易度は桁違いです。なぜなら以下の課題をすべてクリアする必要があるからです。

これらはまさに、SIerが得意とする「エンタープライズシステム設計」の領域です。noahさんのようなIaC/DevOpsバックグラウンドを持つエンジニアがAI Agent開発に注目するのは、必然といえます。

Azure × AI の組み合わせが持つ戦略的優位性

AzureはエンタープライズAI基盤として、以下の点で競合優位性があります。

1. **Azure OpenAI Service**: OpenAIモデルをプライベートネットワーク内で利用可能

2. **Azure AI Studio**: エージェント開発のためのオーケストレーションツール

3. **既存のガバナンス基盤**: Azure Policy、RBAC、監査ログとの統合が容易

4. **ハイブリッドクラウド対応**: オンプレミスとクラウドをまたぐAI Agent実行が可能

AWS Bedrock、Google Cloud Vertex AIも強力ですが、**既存のエンタープライズシステムとの統合容易性**という点でAzureは一歩リードしています。国内大手SIerがAzure × AIに注力する背景には、この戦略的判断があります。

注意すべきポイント: AI Agent開発の落とし穴

AI Agent開発には独特の難しさがあります。

**過度な自律性の危険**: AIに多くを任せすぎると、予期しない動作で大きな損害を生む可能性があります。段階的に権限を拡大するアプローチが賢明です。

**コスト爆発のリスク**: AIが自律的にAPI呼び出しを繰り返すと、想定外の費用が発生します。必ず上限設定とアラート機構を実装してください。

**デバッグの困難さ**: 従来のプログラムと違い、AIの判断プロセスは非決定的です。詳細なロギングとリプレイ機能が必須です。

1. まずは「制約付きAI Agent」を自分で作ってみる

最初から複雑なシステムを目指す必要はありません。以下のような小さなエージェントから始めましょう。

# 簡単な例: ファイル検索エージェント
# 権限: 指定ディレクトリ配下の読み取りのみ
# 制約: 最大10ファイルまで検索
# タイムアウト: 30秒

Claude APIやOpenAI APIを使い、function callingでファイルシステムと連携させる小さなプロトタイプを作成してください。ここで「ハーネス」の概念を体感できます。

2. IaCのスキルをAI Agent開発に転用する

すでにBicepやTerraformを使っているなら、**AI Agentのデプロイもコード化**してください。

これらをすべてIaCで管理することで、再現性と監査可能性が格段に向上します。

3. Azure AI Studioのエージェント機能を触ってみる

Azure AI Studioには、2026年時点でエージェント開発のための統合環境が実装されています。

まずはこのマネージドサービスで感覚をつかんでから、カスタム実装に移行するのが効率的です。無料枠もあるので、今日から試せます。

noahさんのキャリア転換は、これからのAIエンジニアのロールモデルを示しています。

**必要なのはAI研究者ではなく、AIシステムアーキテクト**です。モデルの仕組みを深く理解するより、既存のモデルを安全に統合し、ビジネス価値を生み出すシステムを設計できる人材が求められています。

IaC、DevOps、クラウドアーキテクチャの経験は、AI Agent開発において強力な武器になります。今からこの領域にキャッチアップするなら、まさに今が最適なタイミングです。

この情報は @noah さんの投稿を参考にしています。