AIエージェントの複合ツール実行精度が2倍超に向上

上海交通大学や香港科技大学などの研究グループは、大規模言語モデル（LLM）エージェントがツールを呼び出す際の根本的な非効率を解消する新手法「HyperTool」を発表した。MCP（Model Context Protocol）形式の統合インターフェースを通じ、複数ツールの連携処理を単一のコードブロックとして実行する仕組みを確立した。

従来のLLMエージェントは、ツールを呼び出すたびに「実行→観察→値の受け渡し」を逐次的にモデルの推論トレースに展開する方式を採用していた。この方式では、決定論的に処理できる一連のサブタスクを、モデルが都度判断しながら進める必要があり、コンテキスト消費量の増大と処理精度の低下を招いていた。研究者らはこの問題を「実行粒度のミスマッチ」と呼ぶ。

HyperToolはコードブロック単位でツール群を束ね、中間結果をローカルで保持したまま次の処理に渡す構造を取る。これにより、モデルが管理すべき低レベルのデータフロー処理を大幅に削減できる。評価ベンチマーク「MCP-Universe」での実験では、Qwen3-32Bモデルの平均精度が15.69%から35.29%へ、Qwen3-8Bでは9.93%から33.33%へと向上した。また、OpenAIのGPT-OSSやKimi-k2.5といった主要モデルを平均精度で上回る結果も示された。

この技術が実用化された場合、業務への影響が大きい部門は複数存在する。まず製造業・サプライチェーン部門では、在庫照会、発注処理、配送追跡といった複数システムにまたがる業務フローをAIエージェントが自律的にこなす際の完了率（タスク完了率）向上が見込まれる。現行システムでは一連の作業途中でエラーが発生しやすく、オペレーターによる介入が常態化していたが、HyperToolが精度向上をもたらせば有人監視コストの削減につながる。

金融機関のバックオフィス部門においても、口座情報照会・与信チェック・契約書生成を串刺しで処理する自動化フローの精度が向上し、処理件数（スループット）やエラー率といったKPIの改善が期待できる。特にコンプライアンス対応として処理ログの精緻化も求められる昨今、推論トレースの肥大化を抑制できる点は監査対応上の副次的メリットともなる。

マーケティング・データ分析部門では、複数のSaaSツールをまたいでデータ収集・変換・レポート生成を行うエージェントの安定稼働が課題だった。HyperToolの精度向上はキャンペーン効果測定の自動化や、ROI算出フローの無人化に直結する可能性がある。

システムインテグレーターやクラウドベンダーにとっては、MCP形式との親和性が高い点が商機となる。すでにMCP対応を進める企業環境であれば、既存ツールのスキーマ変更を最小限に抑えながら導入できるとされており、実装コストの低さが採用を後押しする要因となる。

一方、課題もある。HyperTool形式の学習データ合成にはクロスツール組み合わせタスクの設計と実MCP環境での検証が必要であり、自社固有のツール群に対応した追加学習コストが発生する。また、コードブロック単位での実行はデバッグの粒度が粗くなるため、障害発生時の原因特定に新たなモニタリング体制が求められる。

エンタープライズAI市場では、単体モデルの性能競争から「エージェントの実業務適合性」へと評価軸が移行しつつある。HyperToolはその文脈において、モデルサイズに依存しない精度向上を示した点で注目に値する。中小規模モデルでも大規模モデルに匹敵する性能を引き出せるとすれば、推論コスト削減の観点からも企業の選択肢を広げることになる。