Amazon Bedrock AgentCoreに評価機能が登場、マルチエージェントの説明可能性と有用性を測定可能に

要点

• 米Amazon Web Services（AWS）は2026年10月5日、マルチエージェントシステムの性能や動作を測定するフルマネージド機能「Amazon Bedrock AgentCore Evaluations」の詳細を発表した。

• 従来の応答テキスト評価にとどまらず、ツール選択の妥当性やワークフロー実行、ビジネス制約の遵守状況など、エージェント特有の挙動を多次元で検証できる。

• 事前定義済みの基準で手軽に測定できる「組み込み評価機能」と、ドメイン固有のビジネス要件を検証できる「カスタム評価機能」の2系統を提供する。

• 意思決定の理由やトレードオフの提示といった「説明可能性」の検証に重点を置いており、実行時保護機能「Amazon Bedrock Guardrails」と連携した品質管理が可能だという。

• 米Amazon Web Services（AWS）は2026年10月5日、AIエージェントの構築・運用プラットフォーム「Amazon Bedrock AgentCore」において、マルチエージェントシステムの挙動や品質を測定するフルマネージド機能「Amazon Bedrock AgentCore Evaluations」に関する技術詳細を同社公式ブログで公開した。

• マルチエージェントシステム（複数の専門特化型AIが協調して複雑な処理を行う仕組み）が実験段階から本番環境の運用へと移行するなか、システムの有用性や正確性、そして意思決定の根拠を示す「説明可能性」の確保がエンタープライズにおける重要課題となっている。発表された機能は、開発フェーズから本番運用に至るまで、エージェントの動作品質を一貫して測定・検証するための仕組みを提供するものだという。

エージェントシステムにおける評価の課題

サプライチェーン計画や財務分析、カスタマーサポート業務など、企業の現場では単なる質疑応答にとどまらず、複数のエージェントを連携させてツールの実行やデータ横断的な意思決定を行うシステムの導入が進んでいる。

大規模言語モデル（LLM）単体では流暢な応答の生成が可能である一方、エンタープライズ用途では指示に対する厳密な追従、適切なツールの選択、業務上の制約の遵守、さらには出力に至る明確な推論プロセスの提示といった確実な動作保証が求められる。

AWSは、従来のモデル応答品質のみを測定するアプローチについて、ツール選択やワークフローの実行、業務制約への適合が正しさに直結するエージェントシステムの評価には不十分であると指摘している。Amazon Bedrock AgentCore Evaluationsはこうした課題に対応し、タスクの成功率や正確性、振る舞いの妥当性を包括的に評価できるように設計された。

組み込み評価とカスタム評価の2系統を提供

Amazon Bedrock AgentCore Evaluationsでは、検証の目的に応じて「組み込み評価機能（Built-in evaluators）」と「カスタム評価機能（Custom evaluators）」の2つのアプローチが用意されている。

組み込み評価機能は、有用性（Helpfulness）、タスク成功度（Task success）、指示追従性（Instruction following）といった標準的な品質次元に対して、あらかじめ定義された評価基準を提供するものだ。開発チームは追加の環境構築を行うことなく、エージェントの基本的なパフォーマンスを迅速に測定してベースラインを把握できる。また、一般的な応答の明瞭さ（Clarity）についてもこの機能で評価可能となっている。

一方、各企業のドメイン固有の要件に対応するために用意されているのがカスタム評価機能だ。ユーザーが独自のビジネスルールに基づいたチェック項目を定義することで、業務の文脈に即した高度な検証を行えるようになっている。

意思決定の根拠を可視化する「説明可能性」の検証

今回の機能において特に重視されているのが、第一級の評価次元として位置づけられた「説明可能性（Explainability）」の検証だ。

AIが導き出した結論に対し、組み込み評価機能が応答全体のわかりやすさを測定するのに対し、カスタム評価機能ではより踏み込んだ検証を実施する。具体的には、エージェントが判断の論理的根拠（Rationale）を明確に言語化できているか、根拠となるデータやツールからの出力結果を適切に引用・参照しているか、コストとサービスレベルのバランスといった相反する要素のトレードオフを論理的に説明できているかなどをチェックできる。

これら2つの評価機能を組み合わせることで、表面的なテキスト品質の確認を超え、エージェントが「なぜその結論に至ったのか」という思考プロセスを構造化されたデータとして把握できるとしている。

実行時保護「Guardrails」との連携

本番稼働において不可欠となる責任あるAI（Responsible AI）の制御に関して、AWSは実行時のセーフガード機能である「Amazon Bedrock Guardrails」との連携についても説明している。

Amazon Bedrock Guardrailsは、不適切なコンテンツのフィルタリングや拒否トピックの検出、事実に基づいているかを検証するグラウンディング（根拠確認）などを設定可能な機能だ。AgentCore Evaluationsが処理「実行後」にエージェントの品質や振る舞いを評価するのに対し、Guardrailsは処理「実行中」に安全性の制約を強制する役割を担う。両者を組み合わせることで、実行時の安全性維持と実行後の品質改善を両立した運用体制が整えられるという。

なお、同ブログではこれらの評価フレームワークを実際のシステムへ適用するリファレンスアーキテクチャとして、架空のグローバル小売企業「AnyCompany Retail」を題材にした実装モデルが提示されている。