ツール呼び出しとは？

ツール呼び出しとは、AIモデルが外部のツール、API、システムと連携して、モデル単体でできる範囲を超えたアクションを実行したり、情報を取得したりする機能のことです。トレーニングデータに組み込まれた知識だけに頼るのではなく、ツール呼び出し機能を備えたモデルは、ユーザーのリクエストに外部の支援が必要なタイミングを認識し、適切なツールを選択して、タスクを完了するためのリクエストを構築できます。

これこそが、静的なチャットボットと、機能的なAIエージェントを分ける機能です。ツール呼び出しがなければ、大規模言語モデルはトレーニング中に学習したパターンに基づいてテキストを生成することしかできません。しかし、この機能があれば、同じモデルがリアルタイムの在庫を確認したり、データベースにクエリを実行したり、メールを送信したり、コードを実行したり、サードパーティのAPIを呼び出したりできるようになります。ツール呼び出しは、AIモデルに「手」を与えるのです。

AIエージェントにとってツール呼び出しが重要な理由

AIエージェントとは、環境を認識し、意思決定を行い、目標を達成するために行動を起こすことができるシステムです。ツール呼び出しは、この「行動を起こす」部分を可能にするものです。ツールを呼び出せないエージェントは会話しかできませんが、ツールを呼び出せるエージェントは実務を行うワーカーになります。

ジェネレーティブAIからエージェント型AIへの移行

ジェネレーティブAIはテキスト、画像、コードを生成します。 エージェント型AIはさらに一歩進んで、複数ステップのワークフローを計画し、ツールを使用して各ステップを実行し、結果に基づいて適応します。ツール呼び出しは、これら2つのパラダイムの架け橋となります。これは、AIモデルが「何ができるか」を説明するのをやめ、実際に「実行する」ためのメカニズムです。

企業が注目する理由

ビジネスケースは極めて明快です。 Gartnerによると、2026年末までにエンタープライズアプリケーションの40%にタスク特化型のAIエージェントが組み込まれると予測されており、これは2025年の5%未満から大幅な増加となります。この成長は、信頼性の高いツール呼び出しにかかっています。エージェントがCRMへのクエリ、レコードの更新、ダウンストリームワークフローのトリガーなどを確実に行えなければ、本番環境レベルの価値を提供することはできません。

また、ツール呼び出しは、チームの自動化に対する考え方を変えます。考えられるすべてのワークフローに対して、硬直したルールベースの統合を構築する代わりに、組織は文脈に基づいて適切なツールを動的に選択して呼び出すAIエージェントをデプロイできます。これにより、システムがより柔軟になり、壊れやすいポイントツーポイント接続を維持するためのエンジニアリングオーバーヘッドが削減されます。

AIのツール呼び出しはどのように機能するのか？

ツール呼び出しは、構造化されたループに従います。モデルはツールを直接実行するわけではありません。代わりに、アプリケーションレイヤーが実行する構造化されたリクエストを生成し、その結果を自身のレスポンスに組み込みます。プロセスのステップごとの流れは以下の通りです。

ステップ1：ツールが必要なタイミングの認識

このプロセスは、モデルがトレーニングデータだけでは回答できないリクエストをユーザーが送信したときに始まります。ユーザーが「フランスの首都はどこですか？」と尋ねた場合、モデルは直接回答します。ユーザーが「Q2の売上数値はどうでしたか？」と尋ねた場合、モデルは外部のデータソースにクエリを実行する必要があることを認識します。

この認識は、モデルのトレーニングに依存します。ツール呼び出しをサポートするモデルは、クエリが自身の知識の境界を超えているタイミングや、利用可能なツールが役立つタイミングを特定できるようにファインチューニングされています。モデルは、アクセスを許可されている ツールリストと照らし合わせて、ユーザーの意図を評価します。

ステップ2：適切なツールの選択

モデルはツールが必要であると判断すると、利用可能なセットから最も適切なものを選択します。各ツールは、ツールの名前、機能、受け入れるパラメータを含むスキーマを使用してモデルに説明されます。モデルは、ユーザーのリクエストをこれらの説明と照合して、適切なツールを選択します。

たとえば、エージェントが天気APIとデータベースクエリツールの両方にアクセスでき、ユーザーが明日の天気予報について尋ねた場合、モデルは天気APIを選択します。ユーザーが先月の収益について尋ねた場合は、データベースクエリツールを選択します。

ステップ3：リクエストの構築と送信

ツールを選択した後、モデルは通常JSON形式で、呼び出すツールと渡す引数を指定する構造化された出力を生成します。モデル自体はこの呼び出しを実行しません。モデルがリクエストを生成し、アプリケーションレイヤーが実行を処理します。

ステップ4：レスポンスの受信と処理

外部ツールがリクエストを実行し、結果を返します。これには、データベースからのデータペイロード、アクションが完了したことの確認、エラーメッセージ、またはその他の構造化されたレスポンスが含まれます。アプリケーションレイヤーは、最終的な回答を生成するためのコンテキストとして、この結果をモデルに送り返します。

ステップ5：回答の提供またはアクションの実行

ツールのレスポンスを受け取ると、モデルはユーザー向けに自然言語の回答を合成します。ユーザーがQ2の売上数値を求めた場合、モデルは「2026年Q2の北米の売上高は合計1,430万ドルで、Q1から12%増加しました」のように回答する場合があります。モデルは、ツールからの生データと言語機能を組み合わせて、明確で文脈に沿った回答を生成します。

場合によっては、結果が対話的な回答ではなく、メールの送信、データベースレコードの更新、ワークフローのトリガーなどの実行されたアクションになることもあります。モデルはユーザーにアクションの完了を確認します。

ステップ6：結果の反復と洗練

ツール呼び出しは、必ずしも1回で終わるとは限りません。複雑なリクエストでは、複数のツール呼び出しを順番に行う必要があります。「前四半期のパフォーマンスのサマリーを作成し、リーダーシップチームにメールで送信する」よう求められたエージェントは、まずパフォーマンスメトリクスについてデータベースにクエリを実行し、次にコード実行ツールを呼び出してグラフを生成し、さらにメールAPIを呼び出してサマリーを送信します。

各ステップで、モデルは処理を進めるのに十分な情報があるか、あるいは追加のツール呼び出しが必要かを評価します。この反復ループこそが、 エージェント型AIシステムが複数ステップのワークフローを処理できるようにしている要素です。

ツール呼び出しの一般的な種類

ツール呼び出しのパターンは1つだけではありません。ユースケースによって異なる種類のツールが必要となり、それぞれがエージェントのワークフローで異なる目的を果たします。

情報の取得と検索

最も一般的なタイプのツール呼び出しは、モデルが持っていないデータを取得することです。これには、データベースへのクエリ、ドキュメントリポジトリの検索、検索APIの呼び出し、株価、気象データ、ニュースなどのリアルタイム情報の取得が含まれます。検索拡張生成（RAG）は、モデルがナレッジベースにクエリを実行して、検証済みのデータに基づいて回答を生成する、このパターンの具体的な形態です。

コードの実行

タスクによっては、単にテキストを生成するだけでなく、モデルがコードを記述して実行する必要があります。コード実行ツールを使用すると、エージェントは計算の実行、データの変換、可視化の生成、分析スクリプトの実行などを行えます。AIコーディングエージェントは、Python関数を記述し、サンドボックス環境で実行して、その出力をユーザーに返すことができます。

プロセスの自動化

ツール呼び出しにより、エージェントは外部システムでアクションをトリガーできます。これには、メールの送信、プロジェクト管理ツールでのチケット作成、CRMレコードの更新、承認ワークフローの開始、コミュニケーションプラットフォームへのメッセージの投稿などが含まれます。これらのツールにより、エージェントは受動的な観察者ではなく、ビジネスプロセスの参加者になります。

スマートデバイスとIoTモニタリング

産業や運用の現場において、ツール呼び出しはAIエージェントを物理システムに接続します。エージェントは、製造装置からのセンサーデータをクエリしたり、スマートビルのサーモスタット設定を調整したり、フリート車両のテレメトリーを監視したりできます。これらの統合により、AIの機能がデジタル世界から物理世界へと拡張されます。

ツール呼び出し vs. 関数呼び出し

これら2つの用語は密接に関連しており、しばしば同じ意味で使用されますが、理解しておく価値のある重要な違いがあります。

「関数呼び出し（function calling）」は、ツール呼び出し（tool calling）の始まりとなった機能です。OpenAIがこの機能を初めて導入した際、開発者が定義した関数に対してモデルが構造化された引数を生成するための方法として位置づけられていました。エコシステムが成熟し、エージェントが複数の外部システムを伴うより複雑なワークフローを制御するようになるにつれて、より広い概念を示す「ツール呼び出し」という用語が標準となりました。

実際、ドキュメントで「関数呼び出し」と書かれている場合、それは同じ基礎となる仕組みを説明しています。Databricksは、ドキュメントとプラットフォーム機能の両方で両方の用語をサポートしています。関数呼び出しが実際にどのように評価されるかについて詳しく知るには、Databricksの 関数呼び出しベンチマークをご覧ください。

AIツール呼び出しの実際の活用例

ツール呼び出しは、すでにさまざまな業界の本番環境で稼働しています。ここでは、組織がこれをどのように活用しているかの具体的な例をご紹介します。

カスタマーサポートエージェント

サポートエージェントが、注文状況を尋ねる顧客からのメッセージを受信します。エージェントはツールを呼び出して注文管理システムに問い合わせ、追跡情報を取得し、配送予定日を回答します。顧客が配送先住所の変更を希望する場合、エージェントは更新ツールを呼び出してレコードを修正します。すべてのツール操作は、アクセス制御を適用し、エージェントのアクションからソースデータまでのリネージ（系統情報）を維持する Unity Catalogのようなプラットフォームを通じてガバナンスが効かされ、監査可能です。

データ分析ワークフロー

アナリストがAIエージェントに、今四半期の地域別売上の比較を依頼します。エージェントはSQLクエリツールを呼び出してレイクハウスからデータを取得し、コード実行ツールを呼び出して成長率の計算とチャートの生成を行い、フォーマットされたサマリーを返します。アナリストが手動のクエリ作成やスプレッドシート作業で30分かけていたことが、1回会話を交わすだけで完了します。

IT運用とモニタリング

運用チームが、インフラストラクチャの健全性を監視するエージェントをデプロイします。サーバーのCPU使用率がしきい値を超えると、エージェントは診断ツールを呼び出してシステムログを収集し、アラートツールを呼び出してオンコールエンジニアに通知し、修復ツールを呼び出してリソースを自動的にスケールアップします。エージェントは、人の手を介さずに初期対応ワークフローを処理します。

エンタープライズ検索とナレッジマネジメント

従業員が社内のAIアシスタントに、会社の育児休暇制度について質問します。エージェントは検索（retrieval）ツールを呼び出してHRのナレッジベースを検索し、関連するポリシー文書を見つけ、全文へのリンクとともに簡潔な回答を返します。このパターンは、イントラネットを検索し、特定の回答を見つけるために複数のページを読み進めるという、よくある手間を解消します。

Databricksでのツール呼び出しによるAIエージェント構築の開始

Databricksは、Agent Bricksを通じて、ツール呼び出しエージェントの構築、デプロイ、ガバナンスのための完全なプラットフォームを提供します。Databricksによると、すでに10万以上のエージェントがこのプラットフォーム上で構築され、年間1千兆（1クアドリリオン）以上のトークンを処理しています。

Databricksがツール呼び出しをサポートする方法

Agent Bricksは、ツール統合の新たなオープン標準であるModel Context Protocol（MCP）をネイティブにサポートしています。これにより、エージェントは標準化されたインターフェースを介して、API、データベース、SaaSアプリケーションに安全にアクセスできます。MCPツールは、組み込みのカタログを通じて組織全体で検出および共有でき、すべての統合はUnity Catalogを通じて可視化され、権限設定と監査が可能です。

開発者は、いくつかの方法でエージェントをツールに接続できます。

• Databricksデータソース用のマネージドMCPサーバー
• ガバナンス対象のMCPサービスとして登録された外部MCPサーバー
• カスタムロジックやタスク固有のツール用のUnity Catalog関数
• PythonベースのAgent SDKで構築されたカスタムツール

Agent SDKは、ツールの実行、関数呼び出し、マルチステップのワークフロー、および会話状態の管理を処理します。開発者は、エージェントが使用できるツールと、複数ターンの会話における動作を定義します。

始めるには

ツール呼び出しを初めて試すチームのために、AI Playgroundは、コードにエクスポートする前にLLMの選択、ツールの追加、エージェントの動作テストを行えるノーコードのサンドボックスを提供します。Agent Bricksは、LangGraph、CrewAI、Agno、Claude Code SDK、OpenAI Agent SDKなどの一般的なエージェントフレームワークをサポートしているため、チームはすでに使い慣れているフレームワークを使用して構築できます。

ガバナンスは最初から組み込まれています。エージェントのガバナンスとデータのガバナンスはUnity Catalogで直接管理され、ロールベースのアクセス制御がモデル、ツール、接続に適用されます。プロンプトインジェクションの防止、機密データの検出、コンテンツフィルタリングに関する組織全体のポリシーは、単一のコントロールプレーン内で設定されます。

自社のデータでツール呼び出しエージェントの構築とテストを開始するには、 Agent Bricksと Databricksエージェントツールフレームワークをご覧ください。

よくある質問

AIにおけるツール呼び出しとは何ですか？

ツール呼び出しとは、AIモデルが外部のツール、API、またはシステムを呼び出して、テキスト生成以外のタスクを実行する機能のことです。これにより、モデルはリアルタイムのデータを取得し、コードを実行し、外部アプリケーションでアクションをトリガーできるようになります。

ツール呼び出しと関数呼び出しの違いは何ですか？

関数呼び出しは、ツール呼び出しのサブセット（一部）です。関数呼び出しは、特にモデルが事前に定義された関数に対して構造化された引数を生成することを指します。ツール呼び出しは、関数呼び出しに加えて、API統合、データベースクエリ、コード実行、その他の外部とのやり取りを含む、より広い概念です。

LLMにおけるツール呼び出しはどのように機能しますか？

ツール呼び出しをサポートするLLMは、次のようなループに従います。ユーザーのリクエストが外部ツールを必要としていることを認識し、利用可能なセットから適切なツールを選択し、正しいパラメータを含む構造化されたリクエストを生成し、ツールの応答を最終的な回答に組み込みます。モデルはツールを直接実行するわけではありません。アプリケーションレイヤーが実行するための構造化された出力を生成します。

ツール呼び出しに最適なLLMはどれですか？

ツール呼び出しのパフォーマンスは、モデルやユースケースによって異なります。Berkeley Function Calling Leaderboard（BFCL）は、モデル間でのツール呼び出しの信頼性を評価するために最も広く参照されているベンチマークです。Databricksは、OpenAI、Anthropic、Google、Metaなどのモデルを含む複数のLLMプロバイダーをサポートしているため、チームは特定の要件に基づいてモデルを選択し、比較できます。

AIツール呼び出しとMCPの違いは何ですか？

ツール呼び出しは「機能」そのものです。MCP（Model Context Protocol）は、ツールがどのように記述され、検出され、呼び出されるかを規定する「標準化レイヤー」です。MCPは一貫したインターフェースを提供するため、エージェントはカスタムの統合コードなしで、あらゆるMCP互換ツールに接続できます。Databricks Agent Bricksは、ガバナンスの効いたツールアクセスのためにMCPをネイティブにサポートしています。

AIエージェントにとってツール呼び出しが重要なのはなぜですか？

ツール呼び出しがなければ、AIエージェントはトレーニングデータに基づいてテキストを生成することしかできません。ツール呼び出しは、データベースへのクエリ実行、APIの呼び出し、メッセージの送信、コードの実行、ワークフローのトリガーなど、エージェントに「行動する能力」を与えます。これは、言語モデルを、実際のタスクを完了できる自律的なAIエージェントへと変革する中核的な仕組みです。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事