10月23日、Eric Avidonが「Databricks' latest improves AI memory, infrastructure for agents」と題した記事を公開した。DatabricksがAIエージェントの本番運用を妨げる「健忘症」と「インフラ調達」の2大課題に対応する新機能を発表した。社内テストでは有望な数値が出ているが、実運用での検証はこれからだ。

AIエージェントが「毎朝記憶をなくす」問題に正面から対処

DatabricksはAIエージェント向けの2つの新機能、Agent Memory（ベータ）とAI Runtime（一般提供開始）を発表した。

Agent Memoryが解決しようとしている問題は根本的なものだ。現状のAIエージェントはステートレス（状態を保持しない）な設計のため、前回のセッションで得た情報を次回に引き継げない。ユーザーの好みを忘れ、同じミスを繰り返し、一度調べた情報を毎回再取得する。

アナリスト会社SanjMoの創設者Sanjeev Mohan氏はこう指摘する。

「モデルは健忘症を抱えている。ステートレスなエージェントは毎朝出社しても、前日に何をしたか全く覚えていない。これこそがAgent Memoryが重要な理由だ。出力の精度を上げるだけでなく、トークンコストとレイテンシを下げる効果もある。」

Databricksの社内テスト結果によれば、Agent Memoryを搭載したエージェントはメモリなしのエージェントと比べてエンタープライズタスクの完了率が3倍になり、トークン消費量を約3分の1削減したとされる。ただしこれはDatabricks自身による測定であり、第三者による独立検証は実施されていない。本番環境での再現性については引き続き注視が必要だ。

MemCurrentアーキテクチャとLakebaseとの統合

Agent MemoryはDatabricksのエージェント構築・管理ワークスペースであるAgent Bricks（※編集部注：元記事内のリンクより引用）の一機能として提供され、MemCurrentアーキテクチャを基盤としている。

MemCurrentは、エージェントが扱う記憶を「短期・長期・エピソード」などの種別に分類して保存・検索できる設計を採用している。Databricks研究部門ディレクターのMichael Bendersky氏によれば、このアーキテクチャにより「会話の流れの中でどの記憶を取り出すべきか」の判断をエージェント自身が制御できるようになるという。

技術的な差別化ポイントは、Databricksが先月リリースしたサーバーレスPostgreSQLデータベースLakebaseとの統合にある。Bendersky氏は「メモリがLakebase上で動作することで、エージェントのトラフィックが増加しても高速性を維持でき、かつ顧客自身のガバナンス環境の内側にデータが留まる」と説明する。

従来、メモリシステムを自前で構築できる技術力を持つ顧客もいたが、その場合はストレージ・検索・保守のコストと工数をすべて自社で負担する必要があった。Agent MemoryはこれをDatabricksが管理する機能として提供する。

AIエージェント向けGPUインフラの問題も解決

AI Runtimeは、エージェント向けのGPUインフラをサーバーレスで提供するものだ。

これまでDatabricks上にデータを保管していた顧客は、AIモデルのトレーニングやファインチューニングを行うためにGPUを外部で調達し、ガバナンス管理された環境の外にデータを移動させる必要があった。これは複雑なデータパイプラインの構築を強いるだけでなく、セキュリティリスクにもつながっていた。

AI Runtimeはこの問題を、サーバーレスGPUをDatabricksが管理するデータ環境に直接統合することで解消する。Unity Catalog（Databricksのデータガバナンス基盤）との統合により、GPU計算リソースへのアクセスがガバナンスの枠組みの中で完結するのが特徴だ。

差別化は「統合」と「開発者体験」

AWS、Google Cloud、Microsoftもエージェントメモリ機能を提供しており、GPU基盤を提供するベンダーも多数存在する。Mohan氏は「どちらの機能も独自のものではない」と指摘した上で、差別化ポイントを以下のように整理する。

「ユニークなのは、Databricksがメモリをデータが実際に存在する場所のすぐ隣であるLakebaseに置くという賭けに出ている点だ。AI Runtimeについても、Unity Catalogとの統合が特徴だ。要するに、Databricksの独自性は統合と開発者体験の2点にある。」

実運用での検証はこれから

エンタープライズ全体での状況を見ると、エージェントの本番スケールはいまだ困難な課題だ。年収10億ドル超の大企業でもエージェントをスケールできているのは40%にとどまり、10億ドル未満の企業では**22%**に過ぎないとされる（元記事中で言及されているアナリスト調査より）。DatabricksがAgent MemoryとAI Runtimeを開発した背景には、こうした顧客の実態がある。

ただし、BARC U.S.のアナリストKevin Petrie氏は、AI Runtimeの対象市場は限定的かもしれないと指摘する。

「大多数の企業が必要とするレベルの高度さは、フロンティアモデルやオープンソースモデル、SLMで十分に得られる。むしろ、それらモデルに与えるコンテキストの検証・準備・ガバナンスという、より大きな問題を解決しなければならない。このコンテキストギャップこそがDatabricksにとってより大きなアドレス可能市場だ。」

Agent Memoryの実用性についてもMohan氏は慎重だ。「PostgreSQLデータベース上に乗っている構造が、企業内のエージェント全体に対してポータブルに機能するかどうかは、本番環境での実績が必要だ」と述べる。GPU供給量の制約もAI Runtimeの普及を左右する要因になりうる。

冒頭で触れた「健忘症」の問題は明確に定義されており、Databricksのアプローチは理論的に筋が通っている。しかし社内テストの数値が本番環境でどこまで再現できるかが問われる段階であり、統合の優位性が競合との差を実際に埋められるかどうかは、顧客の導入実績が積み上がるまで判断を保留すべきだろう。

詳細はDatabricks' latest improves AI memory, infrastructure for agentsを参照していただきたい。