AIにコードを書かせ放題で大丈夫？　開発現場に迫る「AIコスト」の見えない問題：Splunkが可視化に本腰（1/2 ページ）

AIにコードを書かせれば、開発は速くなる。では、そのAIはいったいいくら使っているのか。AIエージェントが自律的に処理を重ねるほど、開発者やチーム単位での利用量とコストは見えにくくなる。Splunkの「.conf26」では、AI活用の裏側で膨らみかねない「見えないコスト」を可視化する新たなアプローチが示された。

» 2026年09月25日 08時00分公開

[田渕聖人，＠IT]

この記事は会員限定です。会員登録（無料）すると全てご覧いただけます。

　Cisco Systems（以下、Cisco）傘下のSplunkは、2026年9月14～17日（現地時間）に開催した年次カンファレンス「.conf26」において、製品基調講演を実施した。

　同講演に登壇したSplunkのSVP兼GM、カマル・ハティ氏は、組織がチャット型AIアシスタントの試用フェーズを終え、チーム全体がAIエージェント群に成果を委任する「AIエージェントの時代」へと本格的に突入したことを提示した。

Splunkのカマル・ハティ氏（SVP兼GM）（出典：筆者撮影）

　しかし、AIエージェントの本番環境への導入には大きな阻害要因がある。ハティ氏は「AIエージェント時代における最大の課題は、AIの機能そのものではなく『信頼』と『コスト』である」と指摘し、企業が今後直面する「コスト」「スキル」「スピード」という3つの制約を提示した。

　これらの制約を解消し、マルチクラウドからオンプレミスまでデータが存在する全ての場所でAIを安全かつ効率的に運用するためのアプローチとして、Splunk製品の再定義と「System of Record for AI（AIのための記録システム）」の構想が発表された。詳細を見ていこう。

AIにコードを書かせる時代、次に問題になるのはコード品質だけではない

　AIエージェントの導入が進む中で企業が直面するのが、非決定論的な挙動によるハルシネーションや不適切なアクション、予期せぬトークン消費によるコストの高騰だ。Splunkはこれに対し、AIのフルスタック可視化と制御を担う機能群を強化した。

subsciprtion

　一般提供が開始された「Splunk Agent Observability」は、アプリケーションからインフラ、モデルやAIエージェント自身の挙動までを横断的に評価・監視するソリューションだ。特筆すべきは、小規模言語モデル（SLM）を活用したリアルタイム・ガードレール機能だ。AIエージェントの推論プロセスやトレース結果から不適切な挙動を検知したとき、SLMを介してミリ秒単位で応答を制御・修正することで、本番環境のエージェントをオフラインにすることなく安全な運用を継続できる。

講演中のデモでは、ECサイトに導入されたAIエージェントが、先月で終了した期限切れの割引プロモーションを誤って顧客に提示してしまったケースを実証した。Splunk Agent Observabilityはこの問題を検知後、迅速にガードレールを適用。正しい割引プロモーションを提示した（出典：Splunk発表資料）

　併せて一般提供が発表された「Tokenomics」機能は、膨らみ続けるAI関連コストの管理に直接的な解を提供する注目の機能だ。チームやユーザー単位でのトークン消費量、コスト、生産性指標をリアルタイムに集計・可視化するのに加えて、請求期間が終了する前に支出傾向を予測。これにより、パフォーマンスとコストのバランスを考慮したモデル選定やワークロードの最適なルーティングが可能となる。

Tokenomics機能が発表された会場では大きな歓声が上がっていた（出典：Splunk発表資料）

　この他、アプリケーションの開発初期から可視性を組み込む「Observability Studio」や、コスト効率に優れた「Observability Logs」を統合した「Essentials」「Premier」の各エディションの展開により、開発・運用チームがAIの健全性を包括的に把握できる環境が整えられた。

Anthropicとの強力な連携：AI SREによるインシデント修復の自動化

　基調講演のハイライトとなったのが、AnthropicでHead of Enterprise Applied AIを務めるジェニー・シャ氏との対談および共同デモのセクションである。ステージに立ったシャ氏は、エンタープライズ領域におけるAIエージェント活用の変化について次のように語った。

Anthropicのジェニー・シャ氏（Head of Enterprise Applied AI）（出典：筆者撮影）

　「作業の単位は大きく変化しました。個人がAIアシスタントに質問して回答を得る世界から、チーム全体がAIエージェント群に成果を委任する世界へと移行しています。ログの確認や根本原因分析といった手間のかかる作業をAIエージェントが引き受けることで、解決までの時間が劇的に短縮されるでしょう」（シャ氏）

　シャ氏は、本番環境で成功するAIエージェント運用の要件として「既存ツール内への組み込み」「厳格なガバナンスと信頼」「人間とAIエージェントの協働」を挙げた。最初から完全な自動化を目指すのではなく、新しくチームに加わったエンジニアと同様に段階的に権限を与え、重要なアクションにおいては「ヒューマン・イン・ザ・ループ（人間の承認）」を挟むアプローチの重要性を強調した。

　実演されたデモでは、Splunkのオブザーバビリティ機能とAnthropicの「Claude」が密接に連携したAI SREのワークフローが提示された。

　まずObservability Studioがコードベース内の設定不備（テナントIDの欠落）を自動検知し、「Splunk Observability Cloud」の調査用AIエージェントがルール定義なしでアラートをグループ化して根本原因分析を即座に実行する。

　続いてAIエージェントの実行基盤をフルマネージドするサービス「Claude Managed Agents」が起動し、根本原因分析の結果に基づいてコードに対する修正案を作成する。開発者が修正内容を確認して承認すると、コードがマージされインシデントが解決する。さらに、一連の対応履歴やフィードバックは記憶として蓄積され、AIエージェント自身の継続的な学習と自己改善に活用されるという。