顧客データを混ぜずにAIエージェントを外販｜AWS新指針

AI TREND

AWS：プール型分離設計を公開

AWSが、複数の顧客（テナント）に同一のAIエージェント基盤を提供しながら各顧客のデータを完全に分離する「プール型」マルチテナント設計を、Amazon Bedrock AgentCoreを使った具体構成として公式ブログで解説した。

3 の要点を3分で

AWSが、複数の顧客に同一のAIエージェント基盤を提供しながら各顧客のデータを完全に分離する「プール型」マルチテナント設計を、Amazon Bedrock AgentCoreを使った構成として公式ブログで解説した。複数のクリニックや病院に医療AIアシスタントを提供する例で示している。

分離の核は認証設計にある。Amazon Cognitoが発行するトークンに顧客の階層・所属組織・役割を埋め込み、各処理がそのテナント範囲だけを操作する。加えて各エージェントセッションを隔離された小型仮想マシン（micro-VM）で実行し、計算資源レベルでも分離する。サービス階層ごとにモデルも変え、簡易階層は軽量モデル（Mistral Ministral 3 8B）、上位階層は高度な推論モデル（OpenAI GPT OSS 120B）とWeb検索機能を割り当てる。

コスト配分タグにより階層ごとの費用追跡が可能で、データ分離・品質階層・費用按分という外販の必須要件が1つのパターンで揃う。医療を例にしているが、企業内の部門別利用や受託サービスにも応用できる汎用パターンで、サンプル実装コードもGitHubで公開された。本記事はマルチテナント設計シリーズの第2回。

顧客データを混ぜずにAIエージェントを外販｜AWS新指針の本文内説明図 — 図解: AIエージェント - AWSが複数の顧客（テナント）に同一の基盤を提供しながら各顧客のデータ

押さえるポイント

この変化で何が要点か。図解と出典つきで一目で。

1つの基盤を全顧客で共有しつつデータを論理分離する設計を実例で提示
認証トークンに顧客の階層・組織・役割を埋め込み処理範囲を自動限定
簡易階層は軽量モデル、上位階層は高度な推論モデルとWeb検索を割当

5W1Hでサクッと理解

構造化された事実を最初に。誰が何をいつどこでなぜどのように。

誰が: AWS
何を: プール型分離設計を公開
いつ: 2026年6月24日
どこで: AWS公式ブログ
なぜ: 顧客データ分離と効率の両立
どのように: AgentCore標準機能

背景

複数顧客向けにAIアプリを提供する場合、顧客間のデータ漏えい防止、顧客ごとに異なる品質保証、コストの按分管理といった課題がある。Amazon Bedrock AgentCoreは、AIエージェントを安全に大規模運用するためのAWSの基盤で、実行環境（Runtime）、会話状態保持（Memory）、認証（Identity）、ツール接続（Gateway）、行動制御（Policy）などの構成要素を持つ。本記事はマルチテナント設計シリーズの第2回で、第1回は設計上の考慮点を扱っている。Webからの情報取得機能やコスト評価機能なども順次追加されてきた。

なぜ今注目なのか

AIエージェントを自社サービス（SaaS）として外販する企業が増える中、顧客データの分離と運用効率の両立は避けて通れない実務課題である。本記事はAWS標準機能だけで分離を実現する具体的な構成を示すため、自前で複雑な仕組みを作る手間を減らせる。医療を例にしているが、企業内の部門別利用や受託サービスにも応用できる汎用パターンである。

1つの基盤を全顧客で共有しつつデータを分ける「プール型」

AWSが、複数の顧客（テナント）に同一のAIエージェント基盤を提供しながら、各顧客のデータを完全に分離する設計を公式ブログで解説した。採用するのは「プール型」モデル——顧客ごとに別基盤を立てるのではなく、共通基盤の上で識別子・アクセス権・データ区画によって論理的に隔離する方式である。

In this post, you will learn patterns for implementing production-ready multi-tenant systems using Amazon Bedrock AgentCore. You will see these patterns demonstrated through healthcare AI agents that serve multiple clinics and hospitals.
出典: Shared infrastructure, isolated tenants（AWS Machine Learning Blog）

引用にある通り、本番運用に耐えるマルチテナント（1つの基盤を複数顧客で共有する仕組み）を、複数のクリニックや病院に医療AIアシスタントを提供する例で示している。Amazon Bedrock AgentCoreは、AIエージェントを安全に大規模運用するためのAWSの基盤で、実行環境・会話状態の保持・認証・ツール接続・行動制御といった部品を持つ。本記事はマルチテナント設計シリーズの第2回で、第1回は設計上の考慮点を扱っている。

認証トークンに「誰が・どの組織で・何の役割か」を埋め込む

分離の要は認証情報の設計にある。AWSの認証サービス（Amazon Cognito）が発行するトークンに、顧客の階層・所属組織・役割を埋め込み、各処理がそのトークンの示すテナント範囲だけを操作する。これにより、別の顧客のデータに手が届かない構造を、アプリ側で都度チェックを書かずに担保できる。

さらにAWSは、計算資源のレベルでも分離する。各エージェントセッションは隔離された小型仮想マシン（micro-VM＝1つの処理単位ごとに切り離された軽量な仮想サーバー）で実行され、ある顧客のセッションが別の顧客の処理に干渉しない。論理的な区画分けと、物理に近い実行環境の分離を二段構えで重ねる設計である。

この考え方は医療に限らない。トークンに部門・役割を入れる手法は、企業内の部門別利用や、複数顧客向けの受託サービスにそのまま移植できる汎用パターンとして整理されている。

料金プランをモデルと機能で差別化する

プール型は単にデータを分けるだけでなく、サービス階層ごとに提供価値を変える設計も含む。簡易階層には軽量モデル（Mistral Ministral 3 8B）を割り当て、上位階層には高度な推論モデル（OpenAI GPT OSS 120B）とWeb検索機能を割り当てる。安いプランは応答が速い軽量モデル、高いプランは推論の深いモデルと最新情報の取得、という具合に、技術構成そのものを料金プランの差別化に使える。

コスト面では、AWSのコスト配分タグ（費用を分類するためのラベル）によって、階層ごとの費用を追跡できる。どの顧客層がどれだけ計算資源を使ったかを把握できるため、外販時の費用按分や、プランごとの採算管理の土台になる。データ分離・品質階層・費用按分という、AIエージェントを外販する際に避けて通れない3要件が、1つの設計パターンの中で揃う点が実務上の価値である。