8月25日、LangChainが「Toyota Scales Enterprise AI with Deep Agents and LangSmith」と題した記事を公開した。トヨタ北米のAIエンジニアリングチームが、かつて6ヶ月・6人を要していたエージェント1本の開発を4日・1人で完結させるインフラを構築し、50以上のAIエージェントを本番稼働させるに至った経緯が詳述されている。これはトヨタ北米チーム固有の実績であり、業界全般に直接適用できる数値ではないが、エンタープライズAI導入の具体的なロードマップとして参照価値の高い事例だ。

エージェント1本の開発が「6ヶ月・6人」から「4日・1人」へ

トヨタ北米のエンタープライズAIチームは約35名で構成され、製造・サプライチェーン・金融サービス・ディーラー・R&D・車載開発など全社横断の領域をカバーする。各プロジェクトには年間6〜7桁ドルのROI閾値が課されており、スピードとスケールの両立が最大の課題だった。

その課題に対する回答が、社内向けAIプラットフォーム「ToyotaGPT」だ。Toyota社内のデータ（製造ドキュメント、R&Dレポート、サプライチェーン記録など）に基づいて回答する、ドメイン特化型エージェントのライブラリとして構成されている。データへのアクセスは権限管理と連動しており、たとえばSharePointの閲覧権限がなければ、エージェントもそのデータを返さない。

現在、50以上のエージェントが本番稼働中だ。以前は1本のエージェントをリリースするのに6ヶ月・6人のエンジニアが必要だったが、Deep AgentsとLangGraph（LangChainが開発するステートフルなマルチエージェントオーケストレーションフレームワーク。LangChainのエコシステム上に構築されており、複雑なエージェントフローを有向グラフとして定義・実行できる）を基盤に整備した現在の開発インフラでは、4日・1人で完結する。

この速度を支えるのが「スキル」という概念だ。製造・サプライチェーン・R&D・ブランディングなど領域ごとの再利用可能なスキルライブラリを構築し、各エージェントにはそれをランタイムで注入する設計になっている。具体的には、スキルは独立したモジュール（ツール定義・プロンプトテンプレート・RAG設定などを含む）として管理され、新しいエージェントを生成する際にAPI経由で組み合わせて利用できる構造だ。知識をエージェント個体に埋め込まず、ポータブルな形で管理することで、横展開コストを大幅に削減している。

AI Engineering ディレクターのKordel France氏はこう述べている。

「自分たちで全部作ろうとして、その痛みを経験した。独自ソリューションを作ろうとすると、膨大な労働時間とエンジニアリングコストがかかる」

GearPal：製造ラインのダウンタイムを「5〜6時間」から「2〜3分」に

製造ラインでの応用が最もインパクトを数字で示しやすい事例だ。ラインの停止は発生箇所によって1分あたり数十万〜数百万ドルのコストを生む。

そこで開発されたのが「GearPal」——製造ラインの任意のロボットや設備に対して、自然言語で故障診断・修理ガイダンスを提供するエージェントだ。技術者が現場で「この機械はなぜ壊れているのか」と問えば、関連する診断情報・過去のサービス記録・修理手順が即座に返ってくる。以前は5〜6時間かかっていた診断が、2〜3分で完了する。

GearPalはベテラン技術者の退職による知識断絶問題にも対応している。熟練者の暗黙知をスキルとして体系化し、新人・ベテランを問わず迅速に問題解決できる環境を整えた。LLMプロバイダーの障害時にフォールバックするLLMゲートウェイも実装されており、本番ラインへのデプロイに耐える信頼性を確保している。

R&D GPT：研究タイムラインを3年から1年へ

R&D領域でも同様のアプローチが取られている。「R&D GPT」は、塗装・腐食・シート素材・革製品など複数のドメインにまたがるトヨタ内部の研究資料全体を横断検索するエージェントだ。研究タイムラインが約3年から1年に短縮されたと報告されている。

技術的に興味深いのは検索精度の確保だ。塗装に関するクエリが腐食データベースから誤って情報を引いてしまう問題が初期に発生した。これに対し、主要ツールで文書が見つからない場合に複数のセカンダリツールを並列呼び出ししてマージするLangGraphベースのシステムを構築して対応している。

LangSmith：製造現場の「アンドンボード」をAIに

トヨタ生産方式（TPS）の根幹をなす「アンドンボード」——製造ラインの稼働状況をリアルタイムで全員が把握できる仕組み——をAIの文脈で実現するのがLangSmithだ、とKordel氏は表現する。

「LangSmithは、全エージェントの監視、ツール呼び出しの失敗、パイプラインを壊したPR、ユーザーが使っている機能の把握を可能にする。このオブザーバビリティは、より良いプロダクトを作るためだけでなく、ステークホルダーに対してすべてのツールが安全だと証明するためにも不可欠だ」

チームはLangSmith Insights AgentをToyotaGPT全体に適用し、部門ごとの利用状況の把握や、次に優先すべきエージェントの判断にも活用している。Kordel氏は「LangSmithのオブザーバビリティは、LangChainエコシステム全体の中で最大の資産だ」と述べている。

8桁ドルの節約を射程に

現時点での実績として、製造領域の各ユースケースは、ライン・ショップ・工場ごとに年間最低6桁ドルの節約を見込んでいる。北米全体の工場規模に展開すれば、施設あたり数百万ドル規模になるとKordel氏は試算する。

以下はKordel氏による将来予測の発言であり、現時点での確定実績ではない。

「来年話すときには、7〜8桁の節約額を報告できると思う。今後数年でそれを予測している」

開発サイクルが4日に縮まったことで、全社から寄せられる需要に追いつける体制が整った。チームのゴールはシンプルだ——「AIは貸借対照表に載るものになる。それはLangChainのおかげだ」。

詳細はToyota Scales Enterprise AI with Deep Agents and LangSmithを参照していただきたい。