Graft AI

Graft AIはインターフェースに接続し、視覚、アクセシビリティの信号、UIの状態を使って、ある時点で画面上に実際にあるものを理解する。つまりAPIのないシステムでもエージェントから呼び出せる。緑色の画面のメインフレームや頑固なデスクトップツールを前にしたチームにとって、ここが残りすべてを可能にする部分だ。 APIがない？ 障害にはならない。

各ワークフローは、明確なスキーマ、型付きの入力、定義済みの出力を持つバージョン管理されたツールにコンパイルされる。エージェントは顧客ID、金額、通貨を渡して create_invoice を呼び出し、何が返るかを把握している。ここではバージョン管理が重要だ。UIの前提が変わったとき、Graftは影響を受ける操作を切り離し、全体をずらすのではなく再テストの対象として印を付ける。

ロール、境界、承認はツールの一部であり、後付けではない。書き込み操作は実行前に承認を要求できるので、エージェントが本番データを静かに変えることはない。効果はあらかじめ明示される。たとえば作成操作はちょうど1件のレコードを作るといった具合で、これが影響範囲を小さく保つ。影響範囲は小さい。肝はそこにある。

すべての操作は、ソースシステムに結び付いた証拠を返す。たとえばソースレコードと、作成されたもののIDだ。これがエージェントの操作を監査可能にする。効果が実際のシステムで起きたことを、モデルが自分でしたと思っていることの要約を信じるのではなく、確認できる。信頼より証拠だ。

ここでのガバナンスとは、ロール、境界、承認、監査証跡が同じ1つの操作を指していることだ。ツール契約にAIエージェントガバナンスを組み込む意義はそこにある。承認された操作には定義された効果、必要な承認者、何が変わったかの記録がある。監査担当者は雰囲気ではなく具体を得る。

Graft AIは各ステップを完全なコンテキストとともに記録し、動く環境のロールと制約を尊重する。エージェントが何を作成し、更新し、取り消したか、そしていつ行ったかを継続的に把握できる。毎回、完全なコンテキストで。 監査担当者に説明する立場の人にとって、これがデモと実際に導入するものとの違いになる。

セキュリティ制御はワークフローと環境ごとに評価され、リスクに関係なくすべての操作を同じに扱う画一的なポリシーとしては適用されない。なぜ重要か。給与のワークフローとサポートの照会に同じガードレールが必要とは限らないからだ。データの扱いも範囲を絞り、入力、証拠、ログを評価対象のワークフローに限定する。厳しいデータ規則がある環境なら、このワークフロー単位のやり方は汎用のクラウドコネクタより正当化しやすい。