Ciscoが2026年7月末から、全社員約9万人にパーソナルAIエージェントを配備すると発表した。単に「全員にChatGPTを配る」話ではない。CFOのMark Patterson氏が明かしたのは、タスクごとに最適なモデルへ自動的に振り分ける「モデルルーティング」というコスト設計と、その多くをオンプレミス基盤で組んだという判断だ。同時に、直前の5月に約4,000人の人員削減を発表しているという事実も重なる。AIエージェント開発者・PMにとって、この事例は「大規模導入をどう設計し、どう受け止められるか」の両面を学べる材料になる。
Ciscoが9万人に配ったAIエージェントの中身
Cisco CFOのMark Patterson氏がFortune誌のインタビューで明かした内容によれば、新会計年度が始まる2026年7月末から、約9万人の全社員に個人用AIエージェントが配布される。このエージェントはタスクの処理・質問への回答に加えて、リクエストを最も効率的なAIモデルへルーティングする機能を持つ。
財務部門では既に活用が先行しており、MD&A（経営者による財務状況の説明）セクションの草案について、AIが初稿の80〜90%を生成しているという。Patterson氏自身もベンチマーク用途でエージェントを使っているとされ、全社展開はこの財務部門での実績を土台にしたものだ。
モデルルーティングとは何か——コスト最適化の設計思想
Patterson氏の発言で興味深いのは「フロンティアモデルで大量のトークンを燃やすつもりはない」という一言だ。単純なタスクには軽量・高速なモデルを、複雑な推論が必要なタスクにはより高性能なモデルを、という形で自動的に振り分ける仕組みを指している。
これは実務上、次のような判断ロジックに落とし込まれる。
- 定型的な要約・分類・簡単な質問応答 → 軽量モデル（低コスト・低レイテンシ）
- 複数ステップの推論、コード生成、長文の一貫性が必要な作業 → 高性能モデル（高コスト・高精度）
- 機密性の高いデータを扱うタスク → オンプレミスまたは自社管理インフラ内のモデル
Cisco一社の数字は公開財務諸表と別建てで開示されていないため、削減額そのものは分からない(People Matters)。ただしPatterson氏は「これが最も効率的なやり方だと考えている。自社でAIスタックを構築し、ユースケースに応じて異なるモデルへ問い合わせに行く」と明言しており、モデル単一運用ではなく複数モデルを使い分ける前提でコスト構造を設計していることは明確だ。
コード例：コスト認識型ルーターの最小実装
Ciscoの内部実装は非公開だが、同じ設計思想は自前でも再現できる。タスクの複雑度を簡易スコアリングし、モデルを振り分ける最小限のルーターの例を示す(概念実装であり、Cisco自身のコードではない)。
from dataclasses import dataclass
@dataclass
class ModelTier:
name: str
cost_per_1k_tokens: float # USD換算の概算コスト
max_tokens: int
LIGHT_MODEL = ModelTier(name="light-fast", cost_per_1k_tokens=0.15, max_tokens=8000)
HEAVY_MODEL = ModelTier(name="frontier", cost_per_1k_tokens=3.00, max_tokens=32000)
def estimate_complexity(task: str, requires_multi_step: bool, is_sensitive_data: bool) -> int:
"""0-10でタスク複雑度を簡易採点する。実運用では分類モデルや過去実績で調整する。"""
score = 0
score += 3 if requires_multi_step else 0
score += 2 if len(task) > 2000 else 0
score += 4 if is_sensitive_data else 0 # 機密データは複雑度を問わずゲートを上げる
return min(score, 10)
def route_request(task: str, requires_multi_step: bool = False, is_sensitive_data: bool = False) -> ModelTier:
complexity = estimate_complexity(task, requires_multi_step, is_sensitive_data)
if is_sensitive_data:
# 機密データはコストよりガバナンスを優先し、オンプレ/自社管理モデルへ固定する運用が現実的
return HEAVY_MODEL
return HEAVY_MODEL if complexity >= 5 else LIGHT_MODEL
# 使用例
tier = route_request("先週の議事録を3行で要約して", requires_multi_step=False)
print(tier.name) # -> "light-fast"
ポイントは、コストだけでなく「機密データかどうか」をルーティング条件に組み込んでいる点だ。Ciscoがオンプレミス基盤にこだわった理由とも重なる。
オンプレミス基盤を選んだ理由——データガバナンスとコスト管理
Patterson氏は、インフラの多くを自社構築・オンプレミスで持つことで、コストとデータの両方をコントロールしやすくなると説明している。外部APIへの従量課金に依存し切らず、自社インフラで複数モデルへのルーティング層を持つという構成だ。
この判断は、AIエージェントをローカル/オンプレミスで動かす選択肢そのものへの関心の高まりとも重なる。プライバシーと自律性を両立させる設計は、大企業に限らず検討する価値がある論点だ。関連の実装アプローチはAIエージェントをローカルで動かす設計で扱っている。
また、社内の複数モデル・複数エージェントが業務データに触れる以上、アクセス制御や監査ログの設計は避けて通れない。この領域はAIエージェントを守るセキュリティツールの選定とセットで検討すべき部分だ。
レイオフ2週間後の展開——信頼構築という見えないコスト
Ciscoは2026年5月に世界で約4,000人規模の人員削減を発表しており、AIへの投資がその理由の一つとされた(Business Today)。カリフォルニアでの削減手続きは7月13日に開始され、AIエージェントの全社展開はその約2週間後というタイミングになる(Customer Experience Magazine)。同社の第3四半期売上高は158億ドル(前年比12%増)で、業績不振による削減ではないことも報じられている。
UC Todayの分析が指摘するのは技術面ではなく心理面のリスクだ。「AI投資のために人員を削減した」という説明と「これがあなたのAIエージェントです」という配布が同時期に重なると、従業員が自分の後任育成に加担させられていると感じても不思議ではない、という趣旨の指摘がされている。米国のテック業界全体でも2026年1〜5月だけで12万3,000人超のレイアウトが発表されており、AIが主要因として挙げられるケースが目立つ。組織の心理的安全性が損なわれた状態では、技術的な完成度に関わらず定着が進みにくいという組織研究の知見とも符合する。
AIエージェント開発チームにとっての教訓は明確だ。ツールの性能設計と同じ重みで、導入のタイミングとコミュニケーション設計を扱う必要がある。
中小規模のAIエージェント開発チームへの示唆
9万人規模でなくても、Ciscoの設計思想から転用できる論点は3つある。
| 論点 | Ciscoの判断 | 中小規模チームへの転用 |
|---|---|---|
| コスト設計 | タスク複雑度でモデルを自動振り分け | 全リクエストを最上位モデルに固定せず、まず軽量モデルをデフォルトにする |
| データガバナンス | 機密性の高い業務はオンプレ基盤で処理 | 顧客データを扱うタスクだけルーティング条件を分離する |
| 展開タイミング | レイオフ直後の展開で信頼面の逆風 | 組織変更・人員調整と同時期の大規模導入は避け、時間を空ける |
特にコスト設計は、AI社員を作るツールを検討している開発者にとって直結する論点だ。全業務を単一の最上位モデルで処理する設計は、初期のプロトタイプでは見えにくいが、利用者数が増えた瞬間にコストとして跳ね返ってくる。
よくある質問
モデルルーティングとは何ですか？
タスクの複雑度や機密性に応じて、複数のAIモデルの中から最適なものへリクエストを自動的に振り分ける仕組みを指す。単純なタスクには軽量・低コストなモデル、複雑な推論には高性能モデルを割り当てることで、精度を落とさずにコストを抑えることを狙う。
なぜCiscoはオンプレミスにこだわったのですか？
CFOのMark Patterson氏は、コストとデータの両方をコントロールしやすいためと説明している。外部APIへの従量課金だけに依存せず、自社インフラ上に複数モデルへのルーティング層を持つ構成にしている。
中小企業でも同じ仕組みは実装できますか？
Ciscoほどの規模のオンプレミス投資は難しくても、タスクの複雑度に応じて呼び出すモデルを切り替えるロジック自体は、外部API利用のままでも実装できる。まずは軽量モデルをデフォルトにし、複雑なタスクや機密データを扱う場合だけ上位モデルへエスカレーションする設計から始めるのが現実的だ。
この記事を読んで、自社のAIエージェント運用のコスト設計を見直したくなった方へ
UravationではAIエージェント導入の研修・コンサルを行っています。
