11月11日、LangChainが「How Workday Built an Enterprise-Scale AI Agent Platform with LangGraph and LangSmith」と題した記事を公開した。HRおよびFinanceソフトウェア大手のWorkdayが、LangGraphとLangSmithを活用したエンタープライズ向けAIエージェントプラットフォームを構築した経緯と、その技術的な全貌が詳しく紹介されている。

プロトタイプ期間を「5ヶ月→1日未満」に短縮

この事例で最も注目すべき数字は、プロトタイプ開発にかかる期間が4〜5ヶ月から1日未満に短縮されたという点だ。

以前のWorkday社内では、エージェントのプロトタイプを構築するだけで4〜5ヶ月を要し、それでも本番環境へ到達できる保証はなかった。新しいプラットフォームでは、認証やセキュリティ要件をあらかじめ組み込んだ状態でステージング環境にプロトタイプを立ち上げるまでの時間が1日以内に収まる。この「1日未満」はプロトタイプのデプロイに限った数字であり、本番リリースまでの全工程を指すものではないが、それでも従来比での短縮幅は圧倒的だ。エージェントを構築するチームに残された問いは、「このエージェントは何をするのか、グラフはどんな構造にするか」だけだという。

WorkdayはFortune 500企業の過半数を顧客に持つHR・財務・ITソフトウェア企業で、エンタープライズソフトウェアの中でも特に厳格なセキュリティ・データガバナンス要件のもとで動いている。社内サービスを本番環境に乗せるには、監査・コンプライアンス・データ保持ポリシーへの対応が必須だ。その制約の中でこのスピードを実現したのが、今回の事例の肝である。

少人数で作ったプラットフォームの全体像

プロジェクトを主導したのは、当初わずか4人のチームだった。彼らが担ったスコープは広大で、以下の要素を含む。

• エージェントサーバー：耐久性・スケーラビリティを備えた実行基盤
• データアクセス制御：Workdayの監査ポリシーに紐づいたアクセス管理
• 協調型evalプラットフォーム：エージェントの評価基盤
• Python SDK：上記すべてを抽象化して開発者に提供するインターフェース

最初にリリースされた主要プロダクトは「Agent System of Record」と呼ばれるガバナンスレイヤーで、エージェントがアクセスできるAPIを制御する。

SDKについては、シニアMLエンジニアのAlex Gatto氏が「Workday版LangChain」と表現している。LangChainのプリミティブをラップし、LLMゲートウェイやRAG検索サービスといったWorkday内部サービスへルーティングするPython SDKだ。「LangChainがAIの概念として何かを出すたびに、同じ概念のPython SDKをWorkday向けに作ろうとした」とAlex氏は説明している。

チームはその後、組織の成長とともに規模を拡大し、現在は約30人に達している。元記事ではAlex氏が「LangChainとのパートナーシップの成果によって、チームの規模を大きく増やすことができた」と語っており、パートナーシップが成長の一因として挙げられているが、組織拡大の背景には事業全体の進展もある点は補足しておきたい。

LangGraphを選んだ理由：グラフベースの柔軟性

エージェントオーケストレーション（複数のAIエージェントや処理ステップを調整・制御する仕組み）にLangGraphを採用した理由は、設計の自由度にある。

会話の連続やペルソナとしてエージェントをモデル化するプラットフォームと異なり、LangGraphのグラフベースモデルは、シンプルなReActループ（推論と行動を交互に繰り返すエージェントパターン）から複雑な決定論的ワークフローまで、あらゆる構造のエージェントを「プラットフォームが先入観を持たずに」構築できる。

また、エージェントサーバーが**A2A（Agent-to-Agent）とMCP（Model Context Protocol）プロトコル**に対応していたことも効いた。A2AはエージェントどうしがHTTPベースで通信・連携するための標準プロトコル、MCPはLLMが外部ツールやデータソースにアクセスするための標準インターフェースだ。シニアリーダーシップからWorkdayのA2A・MCP戦略を問われた際、チームはすでに本番稼働中であると即答できた。LangChainのエージェントサーバー実装がこれらのプロトコルをサポートしていたため、Agent Platformチームが立ち上げたすべてのエージェントサーバーが自動的に準拠していたからだ。

「バックエンドは問題じゃない。LangChainが面倒を見てくれた」とAlex氏は述べている。

LangSmithによる可観測性・デバッグ・評価

タイトルにも名を連ねるLangSmithは、このプラットフォームにおいてエージェントの品質を担保するための要として機能している。LangSmithはLLMアプリケーションのトレース・デバッグ・評価・監視を一元管理するための開発者向けプラットフォームだ。

Workdayのような厳格なコンプライアンス要件を持つ環境では、エージェントの挙動を追跡・監査できる可観測性（Observability）の仕組みが不可欠となる。LangSmithを活用することで、エージェントの各ステップのトレースをリアルタイムで確認し、問題が発生した際のデバッグを迅速に行うことが可能になる。また、前述の「協調型evalプラットフォーム」とも連携し、エージェントの出力品質を継続的に評価するサイクルを回している。「プロトタイプを素早く立ち上げる」だけでなく、「本番品質を維持しながら運用する」ための基盤としてLangSmithが機能している点が、このプラットフォームのもう一つの核心だ。

社内の孤立したサービス群をつなぐ接続レイヤーとして

Alex氏はこのプラットフォームに、エージェントのデプロイ基盤以上の意味を見出している。Workdayのエンジニアはこれまで、LLMゲートウェイ・RAG検索・推薦エンジン・プロンプトサービスなど数十の内部サービスを構築してきたが、その多くは孤立した状態にあり、直接関わるチーム以外には知られていなかった。Agent Platformは、それらすべてに初めて統一されたインターフェースを提供する接続レイヤーになったという。

この観点では、今回の取り組みは単なる「AIエージェント基盤の構築」ではなく、組織横断的な内部サービスのディスカバリビリティと再利用性を高めるインフラ整備としても機能している。エンタープライズ規模での生成AI活用において、既存資産をどう接続するかという課題への一つの実践的な回答といえる。

詳細はHow Workday Built an Enterprise-Scale AI Agent Platform with LangGraph and LangSmithを参照していただきたい。