# サンドボックスから2万5,000ユーザーへ：Bayerはいかに AI をスケールさせたか

- 番組: [Industrial AI Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5c39001r5o10fd1loyby)（Robert Weber / Peter Seeberg）
- 元のタイトル: From Sandbox to 25,000 Users: How Bayer Scales AI
- 配信日: 2026年11月5日
- 長さ: 35分
- 要約作成日: 2026年11月5日
- トピック: [#エンタープライズ AI](https://ai-curator.jp/topics/%E3%82%A8%E3%83%B3%E3%82%BF%E3%83%BC%E3%83%97%E3%83%A9%E3%82%A4%E3%82%BA%20AI) [#AI ガバナンス](https://ai-curator.jp/topics/AI%20%E3%82%AC%E3%83%90%E3%83%8A%E3%83%B3%E3%82%B9) [#EU AI Act](https://ai-curator.jp/topics/EU%20AI%20Act) [#エージェント](https://ai-curator.jp/topics/%E3%82%A8%E3%83%BC%E3%82%B8%E3%82%A7%E3%83%B3%E3%83%88) [#トークンコスト](https://ai-curator.jp/topics/%E3%83%88%E3%83%BC%E3%82%AF%E3%83%B3%E3%82%B3%E3%82%B9%E3%83%88) [#フィジカル AI](https://ai-curator.jp/topics/%E3%83%95%E3%82%A3%E3%82%B8%E3%82%AB%E3%83%AB%20AI)
- URL: https://ai-curator.jp/podcasts/cmw2qjsk200005p10ujn2h2ak

## 要約

Bayer で18年以上働く Jan Tönnissen が、社内 GenAI／エージェント基盤 MyGenesis を数百人規模から2万5,000ユーザー・6万超のアシスタントへ拡大した経緯を語った回。EU AI Act をきっかけにした Agent Hub や AI ゲートウェイの整備、トークンコスト管理、エージェントの責任所在、フィジカル AI への展望を紹介し、中堅製造業向けに3つの助言を示した。

## ポイント

- MyGenesis は2024年初頭に数百人で始まり、サンドボックスから日常業務で使われる基盤へ成長した。現在は約2万5,000ユーザー、6万のアシスタントがある。
- ガードレールは速度を落とすものではなく、人々が速く走れる道を整えるものだと位置づけ、EU AI Act への対応を、登録や自動評価の仕組みを共通化する契機にした。
- Agent Hub は各プラットフォーム上のエージェントを登録する「電話帳」で、用途・オーナー・稼働場所を示す。AI ゲートウェイは LLM のトークン消費の可視化に使われる。
- トークンは「最大化」から「最小化」へ方針が変わり、ソリューション構築の投資（CapEx）として計上している。キャッシュや小規模言語モデル、セルフホストのオープンウェイトモデルも活用する。
- AI 支援開発の効果は作業により異なり、設計・アーキテクチャは3〜5倍、中間は5〜10倍、テストはほぼ自動化できるという感触を述べた。
- 本番のエージェントは IT ではなくビジネス側が責任を持つべきだと述べている。中堅企業向けには、有志の連合づくり、最初の題材の慎重な選定、自作か購入かの判断ツリーの事前定義を勧めた。

## 章立て

- [00:00] **ゲスト紹介とMyGenesisの概要** — Jan の経歴と、MyGenesis、AI ゲートウェイ、Agent Hub、1万9,000人の AI コミュニティを紹介する。
- [03:05] **AI をスケールさせる方法** — 技術のスケールよりも利用定着が課題だと述べ、研修やプロンプトソン、コミュニティでの普及施策を説明する。
- [04:50] **ガードレールと EU AI Act** — AI Act を契機に登録・評価プロセスを共通化し、使ってよいユースケースを早期に確認できる仕組みを作った経緯を語る。
- [08:50] **エージェント構築の流れとAgent Hub** — Copilot Studio や MyGenesis など用途別の基盤選択と、自動登録される Agent Hub の役割、ガバナンスとの統合を説明する。
- [14:40] **使用モデルと具体的ユースケース** — OpenAI、Anthropic、オープンウェイトなど多様なモデルを使う状況と、文献スクリーニング、マーケ素材、Friday を紹介する。
- [19:50] **トークン戦略とAI支援開発の効果** — 席課金型の活用、ゲートウェイでの可視化、小規模モデル、CapEx 計上、開発生産性の倍率感を語る。
- [24:55] **エージェントの安全性と責任の所在** — 透明性、アクセス管理、ランタイム保護の層で考え、本番運用のオーナーはビジネス側にあるべきだと述べる。
- [29:10] **フィジカルAIと中堅企業への助言** — 工場現場への展開、データの意味付けの課題、3つの助言、今後の技術課題と KPI の重要性で締める。

## 解説記事

製薬・化学大手 Bayer で18年以上働く Jan Tönnissen が、Industrial AI Podcast に出演した。社内の GenAI／エージェント基盤「MyGenesis」を数百人規模から約2万5,000ユーザーまで広げた経験をもとに、10万人超の規制産業企業で AI をスケールさせるための実践を語っている。

#### 技術より「使われること」が課題

MyGenesis は2023年末に開発が始まり、2024年初頭に数百人で運用を開始した。話題が広がるにつれて利用者が増え、安定性やパフォーマンスに再注力する場面はあったものの、経験のある IT チームなら対応できたという。Jan は、より難しいのは人々に使ってもらうことだと述べる。できること・できないことの説明、研修、プロンプトソン、月例のコミュニティ会合（参加者は最大1,000人規模）などで知見を共有し続けた。

MyGenesis は当初サンドボックスとして始まったが、製薬 R&D、コンシューマーヘルス、マーケティングなどで日常業務に使われるようになり、現在は Copilot 365 や n8n などと並ぶローコード／ノーコードの選択肢の一つになっている。立ち上げの動機は、データがモデル学習に使われるのではという初期の懸念と、10万人規模のライセンス購入に比べたコスト効率だったという。

#### ガードレールは「減速」ではなく「道づくり」

Jan は、ガードレールは減速のためではなく、人々が速く走れる道を整えるものだと位置づける。EU AI Act も妨げではなく触媒だったという。誰がエージェントを作り、何をするのかを把握する登録が必要になり、そこで共通の仕組みを一度作れば各チームが繰り返さずに済むからだ。

その具体例が Agent Hub である。Jan は「電話帳」と表現しており、GCP、Azure、AWS、Power Automate、MyGenesis など複数のプラットフォーム上のエージェントを、エージェントカード（用途、オーナー、稼働場所）で登録する。対応環境では自動登録され、ポリシーによって不適切な使い方は防がれる。ユースケースの評価も質問票による対話で初期スコアを出し、禁止領域に触れそうなら早期に専門家と相談できる。履歴書を LLM に読み込ませて自動選考するといった採用での自動判断は禁止例として挙げられた。教育が重要になる領域だ。

#### トークンは「最大化」から「最小化」へ

トークン消費とコストは直近で急増したという。対策として、簡単な作業には席課金の Copilot 365 を使わせ、従量課金のツールを抑えている。開発支援は GitHub Copilot から Cursor への移行を進めており、LLM の利用は AI ゲートウェイ経由に集約して消費の全体像を可視化する。プリペイド型のモデル契約による SLA 向上、リクエストのキャッシュ、小規模言語モデルの活用も検討している。サイバーセキュリティのインシデントやサービスチケットの分類のように、自社データで小さなモデルを学習させる例も挙がった。

社内の空気も変化した。以前は利用を増やすことが良しとされたが、今は効率化のために減らすことが新しい基準だという。ソリューション構築ではトークン費用を投資として計上し、CapEx として扱う。エンジニア20人分の作業が10人以下でできるようになる一方で、その分のトークン費用を加えて全体像を見る考え方である。AI 支援開発の効果については、テストはほぼ自動化でき、設計やアーキテクチャの反復では3〜5倍、中間の作業は5〜10倍というのが Jan の感触だ。

#### ユースケースとエージェントの責任

具体例として、新規分子探索の文献調査が挙がった。PubMed などから絞り込んだ数万〜数十万件の文書を人が読み、重要な十数本に絞るのに数週間かかっていたが、LLM により数時間〜数日で済むという。マーケティングでは、外部代理店に頼む前の最初の8割の素材作りで時間とコストを節約できる。また新製品の「Friday」は全従業員向けのエージェント型システムで、社内ナレッジと各種申請・承認などのバックエンド作業を統合する。約1,000人に展開済みだ。

安全性については、透明性（Agent Hub）、消費の把握、データ管理に基づくアクセス制御、ランタイムのサンドボックス、プロンプトインジェクションや情報漏えい対策といった複数のツールを組み合わせる考えを示した。そして本番のエージェントには、どのデータを扱わせ、どの業務プロセスに組み込むかを理解するビジネス側のオーナーが必要だと強調している。

#### 現場へ広がる AI と中堅企業への助言

工場現場については専門外としつつ、生産ラインと「会話する」ユースケースがあると紹介した。ロボットによる自動化は、医療製品では検証や追跡可能性、監査可能性が必要で時間がかかるとの見方だ。データ面では、全社データを公開する統合コンsumption層を整備中で、次の壁はエージェントがデータを理解するためのセマンティクスやオントロジーだと語る。

製造業の中堅企業への助言は3つ。①有志の連合を作り、のちにコミュニティへ育てる。②最初のユースケースは簡単すぎず難しすぎない、影響はあるが重要度の高すぎないもの（請求書処理や ITサービスチケット支援など）を選ぶ。③自作か購入かは能力・時間・運用意欲で決まるため、事前に判断ツリーを作る。既製品で要件と価格が合うならそれで構わないとも述べた。

#### まとめ

Bayer の事例は、規制対応を単なる負担にせず、登録・評価・可視化の共通基盤へ転換した点に特徴がある。日本企業にとっても、ガードレールの設計、トークンのコスト管理、ビジネス側のオーナーシップは、全社展開で避けられない論点だろう。最後に Jan が述べたように、測れないものは舵取りできない。導入前に KPI の測り方を決めることが出発点になる。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Industrial AI Podcast「From Sandbox to 25,000 Users: How Bayer Scales AI」