ニュース

AgentMon｜AIエージェント行動監視ツールの仕組みと活用法

2026.04.07 公開 7分で読める

この記事の結論

Codenotaryが発表したAgentMonは、AIエージェントのファイルアクセス・通信パス・トークン消費をリアルタイムで監視するエンタープライズ向けエージェント監視基盤。仕組みと選定ポイントを解説。

AIエージェントが増えれば増えるほど、「エージェントが今何をしているか」が見えなくなる。

複数のエージェントが並行してデータを処理し、外部サービスを呼び出し、互いに通信し合う環境では、従来のアプリケーション監視ツールでは追いきれないイベントが大量に発生する。Codenotaryが2026年3月31日に発表したAgentMonは、そのギャップを埋めるために設計されたエージェント専用監視基盤だ。

—

AgentMonはエンタープライズ向けのエージェントネットワーク監視プラットフォームだ。単一のエージェントを監視するのではなく、エージェントネットワーク全体をシステムとして可視化することを目的としている。

監視カテゴリ	具体的な監視項目	検出できる問題
オペレーショナルヘルス	エージェント稼働状態・応答時間	ダウン・遅延スパイク
通信パス	エージェント間・サービス間の連携経路	異常な通信先・ループ
リソース消費	トークン使用量・モデル選択・推論レイテンシ	コスト爆発・非効率なモデル選択
セキュリティ動作	ファイルアクセス・シークレット処理	権限外アクセス・情報漏洩の兆候
データアクセス	データアクセスパターン・データ系統	ポリシー違反・PII流出リスク

特徴的なのはベースライン行動との差異検出だ。正常時のエージェント行動パターンを学習し、そこからの逸脱をリアルタイムで検知する。「このエージェントは通常アクセスしないファイルにアクセスしている」「トークン消費が急増している」といったアラートを発報する。

なぜ今「エージェント監視」が必要なのか

BCGのレポートによると、AIエージェント市場は今後5年間で年率45%の成長が予測されている（BCG調査、参照日: 2026-04-07）。企業が複数のエージェントを本番環境に展開し始める中、「エージェントを動かすこと」から「エージェントを安全に運用し続けること」へとニーズが移行している。

実際に問題になるのは以下のようなシナリオだ。

## エージェント監視なしで起きる典型的な問題

シナリオ1: コスト爆発
  - あるエージェントがループに入り、毎分数百のAPI呼び出しを実行
  - 検知まで数時間 → クラウド請求が急騰
  - 監視あり: トークン消費スパイクで5分以内に検知

シナリオ2: データ漏洩リスク
  - エージェントが本来アクセス不要の顧客DBを参照
  - ログを見ないと発見できない
  - 監視あり: 異常なファイルアクセスパターンを即座にフラグ

シナリオ3: サイレント障害
  - 下流エージェントへのメッセージが届かずタスクが止まる
  - エラーログに出ないため発見困難
  - 監視あり: 通信パス異常を検出しアラート

# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

AIエージェントの安全な構築と運用の基本についてはAIエージェント構築完全ガイドでも取り上げているが、監視インフラはその延長として必須の要素になりつつある。

Codenotaryがエージェント監視に参入した背景

Codenotaryは元々ソフトウェアサプライチェーンのセキュリティで知られる企業だ。銀行・政府・防衛機関を含む数百の企業顧客を持ち、コードの整合性検証（Notarization）を主力製品としてきた。

その強みであるデータ系統追跡（data lineage）の技術をエージェント監視に応用したのがAgentMonだ。ソフトウェアの改ざん検知と同様の仕組みで、エージェントの「行動の連鎖」を記録・検証することで、「どのエージェントが何のデータにアクセスし、何の判断をしたか」を追跡可能にする。

## AgentMonのデータ系統追跡イメージ（概念コード）

# エージェントアクション記録の例
{
  "agent_id": "agent-customer-support-01",
  "timestamp": "2026-04-07T09:23:15Z",
  "action": "file_read",
  "resource": "/data/customer/pii_records.csv",
  "authorized": false,        ← ポリシー違反フラグ
  "downstream_agents": [
    "agent-billing-02"        ← 連鎖した先のエージェント
  ],
  "token_consumed": 4200,
  "baseline_deviation": 3.2  ← ベースライン比3.2倍の消費
}

# 注意: 実際のデータ形式はAgentMonのAPIドキュメントを参照してください。
# 本番環境で使用する前に、必ずテスト環境で動作確認してください。

対象ユーザーとユースケース

AgentMonが想定するターゲットはCIO・CISO・コンプライアンス責任者だ。技術的な監視設定はエンジニアが行うとして、その結果を経営レベルで可視化・報告できる形式を提供するという方向性がうかがえる。

具体的なユースケースとして以下が挙げられる。

マルチエージェント環境のコスト管理: エージェントごとのトークン消費を追跡し、不必要に高コストなモデルを使っているエージェントを特定する
コンプライアンス監査対応: エージェントがどのデータにアクセスしたかの記録を監査証跡として保持する
セキュリティインシデント調査: 問題発生後に「どのエージェントが何をしたか」をさかのぼって特定する
SLO管理: エージェントの推論レイテンシを継続的に測定し、サービスレベル目標への適合を確認する

【要注意】エージェント監視の落とし穴

1. 監視自体がオーバーヘッドにならないか確認する

エージェントの全アクションをロギングすると、監視システム自体がトークンコストを押し上げる可能性がある。必要なイベントだけを記録するフィルタリング設定を適切に行うことが重要だ。

## 監視設定のトレードオフ例

# 全ログ記録（コスト高・精度高）
monitoring_level: "verbose"
events: ["all"]
retention_days: 90

# 選択的ログ記録（コスト低・重要イベントのみ）
monitoring_level: "standard"
events: ["security_anomaly", "cost_spike", "policy_violation"]
retention_days: 30

# 推奨: まず "standard" で開始し、必要に応じて拡張する
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

2. アラートの「ノイズ」問題

ベースライン学習が完了する前の初期段階では、正常なエージェント動作も「異常」として検知されやすい。フォールスポジティブが多い段階でアラートを無視する習慣がつくと、本物の問題を見落とすリスクがある。

3. 料金情報が公開されていない

2026年4月時点でAgentMonの具体的な料金は公式サイトで問い合わせ対応となっており、エンタープライズ向けカスタム価格が基本になると推測される。導入検討時は事前に見積もりを取ることを推奨する。

エージェント監視ツールの選択肢

AgentMonは専門特化型だが、類似のエージェント観測系ツールとして以下も存在する。

AgentOps: Pythonエコシステム向けオープンソースSDK。CrewAI・LangChain等と統合しやすい。コスト追跡やセッション記録に強い。
Langfuse: LLMアプリのトレース・評価に特化。プロンプトのバージョン管理もカバーする。
AgentMon（Codenotary）: エンタープライズ向けセキュリティ・コンプライアンスに重点。マルチエージェントネットワーク全体の可視化が強み。

ツール選定の詳細比較はAIエージェントツール比較ガイドも参照してほしい。エージェント監視は「構築の次のステップ」として、今後ますます重要な領域になる。