2026.09.04

長時間エージェントは、作業の経緯と検証結果を失わずに終えられるかで評価する。価格に加えて、文脈の保持方式と安全監視による中断も実務テストに入れたい。

企業が確認すべき境界は、「セルフホスト」という呼称より、コード、シークレット、ツール出力、会話、推論がそれぞれどこを通るかだ。導入審査ではデータの移動経路を層ごとに図示したい。

長時間エージェントでは、新機能よりも再接続と重複防止が運用品質を左右する。止まった後にどこから安全に再開できるかを、成功時と同じ重さで設計したい。

長く動いたことと、仕事を正しく終えたことは別だ。長期モデルは完了条件、検証回数、中断復帰、消費トークンをそろえた代表タスクで比べたい。

モデルの単価を比べる前に、毎ターン送る文書とツール定義を見直せる。トークン量と完了までのターン数を同時に測ると、費用と品質の両方を悪化させる文脈が見つかる。

ループの本体は、成功するまで同じ指示を回すことではない。何を見て合格とするか、どこで止めるか、誰へ渡すかを仕組みに落とすことが成果を分ける。

デモやエージェント数を増やすだけでは本番化につながらない。評価の実行率、承認の証跡、監査可能性を、導入件数と並ぶ成果指標にしたい。

コードを読む作業を減らしても、品質確認は残る。人の注意を判断とゲート設計へ移し、売上や開発量と同時に、不具合、レビュー負荷、先送りの残高も測ると再現性を判断しやすい。