大規模な組織におけるAI Agent 活用の促進と課題 LINE ヤフー Development with Agents Meetup #1 LINE ヤフー株式会社 FKE VKS ディビジョン Shuichi Inoue (Hideichi) Introduction 1 

名前 井上 秀一 / Inoue Shuichi / Hideichi 趣味 ドライブ、映画、美味しいものを食べる 経歴 2024 年3 月 千葉工業大学 大学院 情報科学研究科 修了 2024 年4 月にLINE ヤフーのエンジニアとして入社 仕事内容 社内向けKubernetes as a Service 基盤(FKE) の運用開発 Orchestration Development Workshop の Guild Members Introduction 2 

補足: Orchestration Development Workshop 「AI を使う組織」から「AI と共に創る組織」へと進化させる事が目的のWorkshop Guild Members とは？ CTO から選抜されたエンジニア達がAI 活用の実践知識を集約 & 展開するメンバー テーマ提案、実践的ユースケースの共有、技術的観点での品質アドバイス担当 どんなWorkshop か？ エンジニア向けの新しい実践型Workshop 最前線のAI 活用を見るだけでなく、体験する社内発のハンズオンイベント Introduction Reference: https://techblog.lycorp.co.jp/ja/20251031a 3 

Agenda 1. AI 活用のニーズと現状 2. 組織的アプローチ: ADK の普及 3. ADK のKey Components 4. 実践例: Project Tracker 5. まとめ Introduction 4 

AI 活用のニーズと現状 AI 活用のニーズと現状 5 

業務のAI 活用ニーズ コード生成、レビュー支援 ドキュメント作成の自動化 問い合わせ対応の効率化 データ分析・レポート作成 弊社の方針 「今後3 年間で業務生産性を2 倍に高め、継続的なイノベーションの創出を目指す」 現状 Local AI Agent Tool （Codex 、Claude Code ）の活用が急速に進行 ✓ AI 活用のニーズと現状 6 

課題: 個人ツールの限界 Local AI Agent Tool の課題 個人の使い方に依存 → チーム内でバラつき ナレッジの共有が困難 → 同じ試行錯誤を繰り返す 組織としての最適化が難しい → ベストプラクティスが広まらない ドメイン知識の活用が限定的 → 業務特化の知識が共有されにくい 結果として AI 活用が進んでいる人と進んでいない人の格差 組織全体としての生産性向上が限定的 AI 活用のニーズと現状 7 

必要なアプローチ: 組織的な仕組みづくり 1. チームでの横展開がしやすい 仕組み 2. 集合知を活かせる 仕組み（個人差の少ない生産性向上） 3. 業務システムへの統合 が容易な仕組み AI 活用のニーズと現状 8 

組織的アプローチ: ADK の普及 組織的アプローチ: ADK の普及 9 

組織的な課題を解決するために、我々が着目したのがMulti-Agent 技術とADK Q. Multi-Agent って、知ってますか？ 組織的アプローチ: ADK の普及 10 

Single-Agent vs Multi-Agent Single-Agent Multi-Agent 構成 単一のLLM で構成 複数のLLM が連携して構成 Pros シンプルで理解しやすい 複雑な問題への対応力が向上 コンテキスト維持が直感的 役割分担で専門性を発揮 開発工数が低い マルチステップタスクに有効 Cons 複雑な問題への対応が限定的 消費トークンが増加 専門性の高いタスクに不向き エージェント間の協調が複雑 使い分け シンプルなタスク → Single-Agent で十分 業務フロー、複数ステップの分析 → Multi-Agent が有効 組織的アプローチ: ADK の普及 11 

Agent Development Kit (ADK) とは AI Agent の動作を正確に制御して、Multi-Agent システムを実現するOSS ソフトウェア的にAgent を定義して、制御できる Tips Google Cloud が無くても単体のOSS として成立している 組織的アプローチ: ADK の普及 Reference: https://google.github.io/adk-docs/ 12 

なぜADK を推しているのか 1. Multi-Agent 開発を行うのに、必要な物が全て詰まっている 2. スタンドアローンApp として動作するのに必要なものが全て揃っている 特徴 機能 Multi-Agent 複雑なタスクや業務フローに基づきAgent の振る舞いを設計可能 Web UI 標準で組み込まれていて、デバッグやAgent の振る舞いも追える API Server 作成したAgent とやり取りするためのAPI Server Tool, MCP Python 関数& 外部システムとの連携を容易にするプロトコルをサポート 組織的アプローチ: ADK の普及 13 

ADK で組織的な課題を解決できるはず 横展開がしやすく、業務Integration が容易 Web UI で簡単に共有・デモ API Server で社内システムと統合して見せるのも容易(e.g. Slack, GitHub 連携) 集合知を活かせる 一人が開発したAgent を全員が使える 個人差の少ない生産性向上 強力なMulti-Agent 機能 業務フローを忠実にAgent に実装可能 複数Agent の協調動作で高度なタスクを実現できる 組織的アプローチ: ADK の普及 14 

Orchestration Development Workshop #2 ADK を使ったSingle/Multi-Agent 開発の社内ワークショップを実施 段階的に学習する構成 1. Single-Agent: ADK で最もシンプルなAgent を作成 2. MCP 統合: Jira ・Confluence のMCP をAgent に接続 3. Multi-Agent: 実務で使えるMulti-Agent システムを構築 組織的アプローチ: ADK の普及 Reference: https://techblog.lycorp.co.jp/ja/20251211a 15 

ADK のKey Components ADK のKey Components 16 

LlmAgent Single-Agent に相当する基本コンポーネント model, instruction, tools を定義してAgent の振る舞いを制御 sub_agent 複数のAgent が階層構造を形成 連携・調整を行い、より大きな目標を達成 ADK のKey Components Reference: https://google.github.io/adk-docs/agents/llm-agents/ 17 

Workflow Agents （Orchestration ） パターン 説明 Sequential sub_agent を順番に1 つずつ実行 Parallel 複数のsub_agent を並列に実行 Loop 条件を満たすまで繰り返し実行 業務フローをそのままAgent 構成に落とし込める ADK のKey Components Reference: https://google.github.io/adk-docs/agents/workflow-agents/ 18 

Model Context Protocol (MCP) LLM が外部システムに接続するためのオープンソース標準プロトコル MCP で接続可能なシステム例 プロジェクト管理ツール（Jira 等）からタスク情報を取得 ドキュメント管理（Confluence 等）からナレッジを検索 社内API 、データベースとの連携 ADK のKey Components Reference: https://modelcontextprotocol.io/ 19 

ADK vs 他ツールの棲み分け 観点 ADK Local AI Agent Tool 利用形態 チーム/ 組織 個人 対象タスク 社内知識 x 複雑な推論 個人の開発業務 Multi-Agent 明示的な定義 + LLM 判断 基本的にLLM 判断 MCP 対応 対応 対応 ホスティング サーバーサイドApp ローカルがデフォルト ポイント どれか一つではなく、全て使い分けるべき ADK は「組織のナレッジを活用した複雑なタスク」に特化 ADK Agent を MCP 経由で Local AI Agent Tool から利用も…… ADK のKey Components 20 

実務で使えるMulti-Agent システムを構築: Project Tracker What is this? Jira で管理されているProject の進捗状況を分析し、 包括的なレポートを作成するMulti-Agent システム Use Case スプリントプランニング時の進捗確認効率化 他者への進捗報告レポート作成の自動化 Multi-Agent で、複雑なワークフローを容易に実現可能 実践例: Project Tracker 21 

コードで見る Multi-Agent from google.adk.agents import Agent, SequentialAgent from google.adk.models.lite_llm import LiteLlm # 各Agent を定義（instruction と tools で振る舞いを制御） in_progress_analyzer = Agent( name="in_progress_analyzer", model=LiteLlm(model="openai/o4-mini"), description=" 進行中タスクを分析するAgent", instruction="EPIC キーを抽出し、進行中タスクを検索・分析...", tools=[jira_mcp], # MCP で外部システムに接続 ) todo_analyzer = Agent(name="todo_analyzer", ...) report_generator = Agent(name="report_generator", ...) translate_agent = Agent(name="translate_agent", ...) # SequentialAgent で順次実行を定義 root_agent = SequentialAgent( name="epic_tracker_system", sub_agents=[in_progress_analyzer, todo_analyzer, report_generator, translate_agent], ) 実践例: Project Tracker 22 

Workshop の成果 1. 約2,000 名の方がリアルタイムで参加 2. 約7 割の参加者が「近いうちに試す予定がある」と回答 3. Project Tracker を改良して、実業務での活用が始まっている 4. 社内でADK を利用した業務効率化の事例が生まれている 実践例: Project Tracker 23 

まとめ 個人ツールだけでは組織的なAI 活用の課題は解決できない チームでの横展開・集合知の活用・業務統合が鍵 ADK は組織的なAI Agent 普及に適している Multi-Agent 、Web UI 、API Server 、MCP 対応が揃っている 一人が開発したAgent を全員が使える仕組み 実践を通じて組織に浸透させる Workshop で約2,000 名が参加、実業務での活用も始まっている まとめ 24 

Thank You Links ADK 公式ドキュメント: https://google.github.io/adk-docs/ MCP 仕様: https://modelcontextprotocol.io/ LINE ヤフー Tech Blog: https://techblog.lycorp.co.jp/ja/20251211a Speaker LINE ヤフー株式会社 FKE VKS ディビジョン Shuichi Inoue (Hideichi) 25