🤖 AI

A Process Harness for Uplifting Legacy Workflows to Agentic BPM: Design and Realization in CUGA FLO

本論文は、既存の決定論的なワークフローエンジンにポリシー制御されたエージェント層を統合するメカニズムである「プロセス・ハーネス」を紹介するものであり、これはタスク・デシジョン・フロー（TDF）モデルによって厳密に定義され、構造的なコンプライアンスとポリシーに基づいた適応的な自律性のバランスを実現するためにCUGA FLOシステムにおいて具現化された、エージェンティックBPMを実現するものである。

原著者： Fabiana Fournier, Lior Limonad

公開日 2026-06-26

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Fabiana Fournier, Lior Limonad

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

非常に厳格で、古風な工場の組立ラインを想像してみてください。このラインは完璧に作られています。決まったマップに従い、すべての工程が事前にプログラムされており、決して間違いを犯しません。しかし、それは驚くほど硬直的でもあります。もし標準サイズではない箱が届いたり、政府から新しい規則が突然発表されたりすると、機械は停止するか、壊れるか、あるいは人間が中に飛び込んで手動で修理しなければならなくなります。

これは、現在のほとんどのビジネスソフトウェア（BPMと呼ばれます）が抱える現状です。定型的なタスクには優れていますが、予期せぬ事態への対応には全く向いていません。

では、この工場に「スマートな監督者」を与えることができたらどうでしょう。この監督者は、読み、考え、判断を下すことができますが、コンベアベルトに触れたり、機械の歯車を変更したりすることはできません。この監督者は、人間のオペレーターに指示を叫んだり、小さな迂回ルートを提案したりすることしかできないのです。

この論文は、まさにこれを行う新しいシステム、CUGA FLOを紹介しています。彼らはこのシステムを**「プロセス・ハーネス（工程の馬具）」**と呼んでいます。

以下に、この仕組みをシンプルな概念に分解して説明します。

1. コアとなるアイデア：ハーネス（馬具）

馬を想像してください。馬はエンジン（従来のワークフロー・システム）です。ハーネスは、その馬を導くために装着する道具です。馬を置き換えるのではなく、その上に制御の層を追加するのです。

従来の方法： 予期せぬ事態に対処するには、その事態が発生する前に、工場全体の設計（ソフトウェアのコード）をやり直す必要がありました。
新しい方法 (CUGA FLO)： 工場はそのままの状態に保ちます。その周りに「プロセス・ハーネス」を巻き付けます。このハーネスは、AI（具体的には大規模言語モデル）を使用してプロセスを監視します。プロセスが特定のチェックポイントに到達すると、AIが介入し、一連の書かれたルール（ポリシー）に基づいて状況を思考し、次に何をすべきかを提案します。

2. 3つの「スマート・アシスタント」

この論文では、このハーネスが3種類の異なるAIアシスタントを使用していると述べています。それぞれに特定の役割があります。彼らは専門化されたマネージャーのチームのようなものです。

タスク・エージェント（作業員）：
- 役割： 実際の作業を行うこと。
- 比喩： タスクが「申請者の信用スコアを確認する」だとしましょう。従来のシステムでは、コンピュータのスクリプトがこれを行っていました。今では、タスク・エージェントが乱雑な財務書類を読み取り、内容を理解し、スコアを算出します。
- ルール： これには厳格なポリシーがあります。「スコアを算出することはできるが、『承認』または『拒絶』と判定してはならない」。その決定権は他の者にあります。
デシジョン・エージェント（交通整理員）：
- 役割： 道が分かれる分岐点で、どちらの道に進むかを決定すること。
- 比喩： 組立ラインが「承認」か「拒絶」の二つの経路に分かれます。デシジョン・エージェントは、タスク・エージェントが算出したスコアを確認します。そしてルール（例：「スコアが0.6以上なら左へ進む」）をチェックし、機械にどの経路を進むべきかを指示します。
- ルール： 決定が論理的であり、書かれたポリシーに従っていることを確認します。
フロー・エージェント（緊急管理責任者）：
- 役割： プロセス実行中にマップ（経路）を変更すること。
- 比喩： これは最も強力なエージェントです。組立ラインに特別な「フック（隠し扉）」があると想像してください。特定の状況（VIP顧客や規制上の緊急事態など）が発生した場合、フロー・エージェントが介入します。彼は「次の3つのステップをスキップせよ」「ラインを停止せよ」「ここに新しいステップを追加せよ」といった指示を出すことができます。
- ルール： 「フック・ポリシー」によって明示的に許可されていることしか行えません。勝手にマップを変えることはできず、必ずルールに従わなければなりません。

3. 「FRAME」（ルールブック）

AIが暴走しないようにするにはどうすればよいでしょうか？この論文ではFRAMEを導入しています。

FRAMEは、人間が読める形式（Markdownファイルのような、プレーンテキストによる記述）の巨大なルールブックだと考えてください。AIアシスタントが決定を下すたびに、必ずこのルールブックを最初にチェックしなければなりません。

タスク・エージェントは「タスク・ルール」をチェックします。
デシジョン・エージェントは「ルーティング・ルール」をチェックします。
フロー・エージェントは「緊急時ルール」をチェックします。

もしAIがルールブックで許可されていない行動を取ろうとした場合、システムはそれを阻止します。これにより、AIは単に何かをでっち上げるのではなく、人間のルールによって「フレーム（枠組み）」の中に留められるのです。

4. ローン承認の例

論文では、これが機能することをローン承認の例で証明しています。

**作業員（タスク・エージェント）**がローン申請書を読み、信用スコアを算出します。
**交通整理員（デシジョン・エージェント）**は、スコアが高い（0.82）ことを確認し、「よし、これは問題なさそうだ。'承認'のパスへ進もう」と判断します。
**緊急管理責任者（フロー・エージェント）**は、申請者のID番号が「4321」であることに気づきます。スコアは高いものの、ルールブックには「ID 4321は新しい規制により禁止されている」と記されています。
結果： フロー・エージェントが交通整理員の決定を上書きします。彼は「フック」を使用して、承認ステップをすべてスキップし、即座に「拒絶」のパスへとプロセスをジャンプさせます。

なぜこれがすごいのか？ 従来のシステムでは、数年前にソフトウェアの中に「ID 4321専用」のパスを組み込んでおく必要がありました。CUGA FLOを使えば、今日、テキストファイルを更新するだけで、コードを書き換えることなくシステムが即座に対応できるのです。

5. なぜこれが重要なのか（「両者の最高の組み合わせ」）

この論文は、これが大きな問題を解決すると主張しています。

旧来のシステムは安全で構造化されていますが、新しい事態に適応できません。
純粋なAIはあらゆることに適応できますが、リスクがあり、予測不可能で、監査が困難です。

CUGA FLOはこの両方を組み合わせます。「エンジン（旧来のソフトウェア）」は、構造が安全であり、マップに従っていることを保証します。「ハーネス（AI）」は、ルールブックという厳格な境界線の中で、適応し、推論し、予期せぬ事態に対処する能力を加えます。

まとめ

論文は、CUGA FLOを、古い、硬直化したビジネスソフトウェアを、古いソフトウェアを破棄することなく、スマートで適応可能なシステムへとアップグレードする方法として提示しています。これは、3種類のエージェント（作業員、交通整理員、緊急管理責任者）を使用する「プロセス・ハーネス」で旧来のシステムを包み込み、それらを人間が書いたルールブック（FRAME）によって厳格に統治することで実現しています。これにより、企業は厳格で監査可能な決定記録を維持しながら、予期せぬ状況にも自動で対処できるようになります。

テクニカル・サマリー：レガシーなワークフローをエージェンティックBPMへと昇華させるためのプロセス・ハーネス

1. 問題提起

従来のビジネスプロセス管理（BPM）システムは、厳格な構造的保証を提供する一方で、動的な環境において2つの根本的な限界に直面している。

クローズド・ワールド・レジーム（閉鎖世界仮説に基づく体制）： 名目上のパスからのあらゆる逸脱は、設計時に予測され、明示的にモデル化されていなければならない。予期せブルな状況（例：規制変更、新しい申請者プロファイル）が発生した場合、システムはエラー状態に陥るか、人間による介入を必要とし、結果として正式なプロセスをバイパスする「回避策」を招くことになる。
硬直したタスク実行： サービスタスクは固定されたスクリプトに依存しており、非構造化入力に適応することができない。また、ユーザータスクはスループットの制約をもたらす。エンジン自体には、オープンエンドな推論や文脈適応を行う能力が欠けている。

大規模言語モデル（LLM）はオープンエンドな推論能力を提供するが、現在の統合パラダイムは不十分である。「AI拡張型」パラダイム（特定のタスク内にLLMを組み込む手法）では、全体の制御フローは硬直したままとなる。逆に、「プランナーとしてのLLM」パラダイム（LLMがエンジンの外側で実行計画を生成する手法）は、構造的な適合性、監査可能性、またはコンプライアンス・ポリシーへの遵守を保証するメカニズムを欠いている。既存のワークフローエンジンを置き換えることなく、決定論的なワークフロー実行の構造的剛性と、ポリシーに統治されたエージェントの適応的な推論を両立させるシステムが必要とされている。

2. 手法：プロセス・ハーネスとTDFモデル

本論文では、既存の決定論的なワークフローエンジン上に、ポリシーに統治されたエージェント層をオーバーレイさせるメカニズムである**プロセス・ハーネス（Process Harness）**を紹介する。この層は、エンジンが構造的な権限を保持しつつ、指定された制御ポイントをインターセプトして、推論、適応、および監視に寄与する。

概念的な基盤は、LLMの推論を3つの異なる、ポリシーによって境界付けられたエージェント・タイプへと分解するTDF（Task–Decision–Flow）モデルである。

TaskAgent（タスク・エージェント）： 知識集約的なタスク実行を担当する。ハードコードされたスクリプトを、特定のタスク・ポリシー（ $C_T$ ）の範囲内でドメイン出力を生成するポリシー駆動型のLLM実行に置き換える。
DecisionAgent（デシジョン・エージェント）： ケースごとのゲートウェイ・ルーティングを担当する。静的な条件評価を、決定ポリシー（ $C_D$ ）に縛られたLLMの推論に置き換える。極めて重要な点として、ゲートウェイの条件が明示的に評価されることを確実にするため、決定論的な条件評価ステップを必須とする。
FlowAgent（フロー・エージェント）： 規律あるフック・メカニズムを介したランタイム・フロー適応を担当する。指定されたシーケンス・フロー（フック）をインターセプトし、フック・ポリシー（ $C_F$ ）の下で推論を行い、構造的な介入（例：スキップ、入れ替え、終了、またはトポロジーの変更）を推奨する。

ガバナンス・フレームワーク（FRAME）：
すべてのエージェントの推論は、人間が読める形式のポリシー文書の集合体であるFRAME（ $F$ ）によって制限される。これにより、「フレーム化された自律性（framed autonomy）」が確保され、エージェントは明示的かつ監査可能な制約内で動作する。二次的なガバナンス層であるaction_permissions（ $\phi$ ）は、FlowAgentが指示できる構造的介入のタイプを明示的に列挙し、LLMの推論とエンジンの実行能力を分離する。

アーキテクチャ（CUGA FLO）：
本論文では、TDFモデルの最初の実現体としてCUGA FLOを提示する。

デカップリング（分離）： 推論層（FlowAgentおよびそのサブエージェント）は、Model Context Protocol (MCP) Bridge（FastMCPサーバーとして実装）を介して、実行層（WorkflowEngine）から完全にデカップルされている。
インタラクション（相互作用）： ワークフローエンジンは実行を駆動し、制御ポイント（タスク、ゲートウェイ、フック）で一時停止してコールバック（execute_task, route_gateway, evaluate_hook）を呼び出す。FlowAgentは、ControlPointFlowKnowledge（プロセスモデル、状態、履歴）を用いてこれらのコールを処理し、構造化された推奨事項を返す。
実行： ワークフローエンジンは構造的適合性を強制し、FlowAgentの推奨事項（例：skip_toやremove_nodeのためのリワイヤリング）を適用する。ただし、実行済みのノードを再再生することはない。

3. 主な貢献

本論文は、以下の5つの具体的な貢献を行う。

プロセス・ハーネス・パラダイム： 構造的適合性、ポリシーによる説明責任、およびランタイムの適応性を特徴とする、従来のワークフロー・システムをエージェンティックBPMへと昇華させるメカニズムを導入した。
Task–Decision–Flow (TDF) モデル： LLMの推論を、それぞれ異なる役割とポリシー制約を持つ3つのエージェント・タイプ（Task, Decision, Flow）へと、形式的に概念分解した。
FRAMEのインスタンス化： TDFプロセスを統治する集約されたポリシー集合（ $F$ ）を定式化し、ポリシーをエージェント・タイプ間で分割することで、LLMレベルでの関心の分離がいかに実現されるかを実証した。
CUGA FLOの実装： ランタイム適応のためのフック・メカニズムと、置換可能なワークフローエンジンから推論を分離するMCPブリッジを備えた、プロセス・ハーネスの最初の実装を提示した。
実証実験： すべてのTDFエージェントと規制オーバーライド・フックを動かすローン承認ワークフローを用いたケーススタディにより、モデルを検証した。これにより、ゲートウェイ・ポリシーを変更することなく、フックがいかにして別の基準（例：申請者ID）に基づいてゲートウェイの決定をオーバーライドできるかを示した。

4. 結果と評価

本論文は、ローン承認ワークフローのケーススタディを通じてシステムを実証している。

標準的なケース： 標準的なクレジットチェック（TaskAgent）がスコアを生成し、DecisionAgentが閾値に基づいてルーティングを行い、FlowAgentのフックが継続を確認する。
規制オーバーライド・ケース： 高スコアの申請者（ID 4321）は、スコアに基づきDecisionAgentによって承認へとルーティングされる。しかし、FlowAgentのフックが「Yes」のフローをインターセプトし、規制ポリシー（IDに基づく）を適用し、拒絶パスへのskip_to介入を指示する。
結果： システムは、（ゲートウェイのポリシーを変更することなく）稀なコンテキスト固有のバリアント（規制オーバーライド）を正常に処理した。DecisionAgentとFlowAgentは別々のポリシーの下で動作しており、ルーティング・ロジックと規制オーバーライド・ロジックが独立して監査可能であることを保証している。

これらの結果は、プロセス・ハーネスが命令的要件（エンジンによって強制される）と規範的要件（ポリシーにフレーム化されたエージェントによって強制される）を両立できることを裏付けている。

5. 意義と主張

本論文は、プロセス・ハーネスがエンタープライズAIシステムにおける新しい形態のインストルメンテーション（計装）であると主張している。その意義は以下の点にある。

緊張関係の解消： プロセストポロジー（固定、エンジン強制）とプロセス適応（動的、ポリシー駆動）を分離することで、構造的剛性とオープンエンドな柔軟性の間のトレードオフを解決する。
漸進的な近代化： 組織は、基礎となるエンジンを置き換えることなく、既存のワークフロー・システムを完全なエージェンティックなものへと、段階的かつ可逆的に変革することができる。
説明責任： 実行トレースが非決定的であったりモデルと紐付いていなかったりする「LLM-as-Planner」のアプローチとは異なり、CUGA FLOは具体的な説明責任の基盤を提供する。すべてのLLMコールは統治ポリシー文書に関連付けられており、すべての介入は特定のプロセス要素に紐付いたプロセス知識に記録されるため、監査可能性と診断が可能である。
オープン・ワールド適応： 例外処理を、設計時に（あらゆるエラーパスをモデル化する）クローズド・ワールドの活動から、ポリシー・ドキュメントの推論能力によってハンドリング可能な状況が定義される、ランタイムのオープン・ワールドの能力へと移行させる。

著者らは、CUGA FLOを、エージェントによる拡張型BPMから、エージェントがプロセスをエンドツーエンドで統治する完全なエージェンティックBPMへと組織を進化させるための、実用的なフレームワークを提供する「エージェンティックBPM宣言」の最初の実現体として位置づけている。