エンタープライズのAIエージェントをめぐる問いが、また一段深くなりました。これまでの論点が「どのモデルが賢いか」「どのSaaSを契約するか」だったとすれば、2026年7月に浮上したのは 「エージェントを動かすスタックを、どこまで自前で持つか」 という問いです。2026年7月8日、LangChain と NVIDIA は、オープンなエンタープライズ・エージェント基盤 「NemoClaw for LangChain Deep Agents」 を発表しました（LangChain, "LangChain and NVIDIA Launch the NemoClaw Deep Agents Blueprint"／NVIDIA Blog）。
homula はエンタープライズ向けの AIエージェント・インテグレーターとして、日本企業の「PoCから本番・全社へ」を日々支援しています。私たちが実装に n8n / Dify / LangGraph を用いてきたのは、まさに「顧客が自分のスタックを持てる」ことを重視してきたからです。本稿は特定製品の宣伝ではありません。今回の発表が象徴する 「開いた（オープンな）エージェント実行基盤」 という潮流が、日本企業にとって何を意味し、そして「持てること」と「回せること」の間にどんな溝があるのかを、実務目線で整理します。
NemoClawとは何か——「開いた3層スタック」の正体
NemoClaw は単体の新モデルでも、新しいSaaSでもありません。エンタープライズが自社で長時間稼働型エージェントを 構築・評価・運用 するための リファレンス・アーキテクチャ（設計図） です。中身は、いずれも「開いている（重み・コード・ランタイムが公開され、自社で動かせる）」3つの層で構成されます（LangChain）。
| 層 | 構成要素 | 役割 |
|---|---|---|
| モデル | NVIDIA Nemotron 3 Ultra | オープンウェイトの大規模推論モデル。自社で動かし、業務向けに最適化できる |
| ハーネス | LangChain Deep Agents Code | 計画立案・ツール利用・記憶・タスク実行を担う、長時間稼働エージェントの「骨格」 |
| ランタイム | NVIDIA OpenShell | エージェントの動作を隔離・ポリシー統制する安全な実行環境 |
ポイントは、この3層が 「モデル」「エージェントの振る舞い」「実行の安全性」を別々のレイヤーとして分離 している点です。従来、閉じたSaaSエージェントではこれらが一体で提供され、利用者は中身に手を入れられませんでした。NemoClaw は各層を差し替え・調整可能な部品として提示します。
OpenShell は、エージェントとインフラの「あいだ」に立つ隔離ランタイムです。エージェントが「何を見られるか・何をできるか・推論をどこへ送るか」を、宣言的なポリシー（ファイルシステム・ネットワーク・プロセス・推論経路）で制御します。NVIDIA は OpenShell をオープンソースとして公開しており（NVIDIA/OpenShell（GitHub））、NemoClaw はこれを実行層に採用しています。
数字が示すもの——「オープンモデルで最高精度」と、約10倍のコスト差
今回の発表で注目を集めたのは、コストと精度の両立です。LangChain は自社の Deep Agents ハーネスを Nemotron 3 Ultra 向けにチューニングし、評価スイートで次の結果を公表しました（LangChain／BigDATAwire）。
- Deep Agents 評価スイートで 集計スコア 0.86、1タスクあたり $4.48。
- 最も近い競合モデルは 1タスクあたり $43.48 ——つまり 約10倍のコスト差。
- オープンモデルの中で最高精度を達成しつつ、より多くのタスクをより高いスループットで完了、と説明。
これは LangChain 自身が公表したベンチマーク である点は割り引いて読む必要があります。評価タスクの構成やワークロードが自社と異なれば、精度もコスト差も変わります。「10倍安い」を額面どおり自社に当てはめるのではなく、自社の代表的なタスクで再評価する ことが前提です。とはいえ、オープンモデル×専用ハーネスの組み合わせが、閉じた最先端モデルに対して桁で戦えるコスト帯に入ってきた、という方向性は無視できません。
長時間稼働するエージェントは、1回のタスクで何十回もツールを呼び、大量のトークンを消費します。ここで推論コストが1桁変われば、「PoCでは回ったが全社展開すると請求書で頓挫する」 という2026年に頻発したパターンを、構造から回避できる可能性があります。コスト統制の観点は、以前の記事「『トークン浪費』は終わった」でも整理したとおり、いまや導入設計の中心論点です。
なぜ「自前で持つ」が、いま現実解になったのか
NemoClaw の本質的な主張は、性能でもコストでもなく 「所有」 にあります。LangChain の説明を借りれば——「オープンなモデル・オープンなハーネス・オープンな安全ランタイムがそろえば、企業はスタック全体をエンドツーエンドで所有できる。自社のインフラ・自社のクラウド・自社のガバナンスの上で、どこでも動かせる」（LangChain）。
LangChain 共同創業者兼CEOの Harrison Chase 氏は、こうも述べています。
より良いエージェントを作る方法は、モデルの周囲のシステムを改善し続けることだ。記憶・ツール利用・評価・モデルの振る舞いは、チームがそれらを一緒にチューニングできるときに複利で効いてくる。
これは日本企業にとって重い含意を持ちます。「データを国外に出せない」「重要業務を外部SaaSのブラックボックスに委ねられない」 という制約は、これまでエージェント導入のブレーキでした（この論点は「ソブリンAIの実装」「頭脳はクラウド、実行は自社に」でも扱ってきました）。開いたスタックは、その制約を 「自社の環境で、モデルからランタイムまで所有して動かす」 という形で正面から解きにいきます。
象徴的なのは、グローバルなシステムインテグレーターである EY が、NemoClaw ブループリントを軸に NVIDIA 実装支援の体制を拡張し、顧客の専門エージェントの カスタマイズ・評価・ガバナンス を支援すると表明した点です（LangChain）。ほかにも Baseten、Fireworks、Nebius、Crusoe、DeepInfra、Together AI などがモデル提供・本番運用の支援に名を連ねています。設計図（ブループリント）だけでは企業は動かない——それを自社業務に落とし込む「実装者」が必要になる、という市場構造がここに表れています。
「持てる」と「回せる」は違う——ブループリントの先にある実装課題
ここが本稿でもっとも強調したい点です。NemoClaw は優れた出発点ですが、設計図を手にすることと、本番で安全に回し続けることの間には、依然として大きな溝 があります。むしろ「所有」を選んだ瞬間、それまでSaaSベンダーが肩代わりしていた責任が、すべて自社側に移ります。Harrison Chase 氏の言う「モデルの周囲のシステム」——これこそが、腕の見せどころであり、同時に落とし穴です。
- 評価（Evaluation）を自前で持てるか: 「10倍安い」も「精度0.86」も、ベンダーのタスクでの数字です。自社業務での正答率・失敗モード・回帰を継続的に測る評価基盤がなければ、オープンスタックの利点（チューニングの自由）は絵に描いた餅になります。
- ガバナンスを実行層に埋め込めるか: OpenShell はファイルアクセスやネットワークをポリシー統制できますが、「この操作は人手承認が必要」「この権限は営業部門には渡さない」といった業務ルール は、企業側が設計・運用しなければ意味を持ちません。監査ログをどこに残し、誰がレビューするのか、という体制まで含めて初めて「統制」になります。
- 統合（Integration）の重み: エージェントが価値を出すのは、実際の業務システム（基幹・SaaS・社内DB）とつながってこそです。開いたスタックを選ぶほど、この接続と権限設計は自社（または実装パートナー）の仕事になります。
つまり、NemoClaw が下げたのは 「モデルとランタイムの調達コスト」 であって、「業務に効くエージェントを、統制された状態で運用し続ける総コスト」 ではありません。後者こそが、日本企業がつまずいてきた本丸です。
homulaの観点——「所有」を選んだ企業の、評価・統制・接続を引き受ける
homula は、エージェント導入を「賢いモデルを買う」話ではなく、「モデルの周囲のシステムを組み上げる」話 として設計します。今回のオープンスタックの潮流は、私たちの設計思想とむしろ強く整合します。
- 適所適ツールで、自社のスタックを組む: n8n / Dify / LangGraph を組み合わせ、オープンなモデルやハーネスを含め、顧客が 所有・改善・持ち運びできる 形で実装します。特定ベンダーのブラックボックスに縛られない構成は、コスト・データ主権・ロックイン回避のいずれにも効きます。
- 実行層にガバナンスを埋め込む: Agens Control は、承認フロー・DLP・5年分の監査ログ・RBAC を提供します。OpenShell のような隔離ランタイムが「技術的な境界」を引くなら、Agens Control は「誰が・何を・どの権限で実行してよいか」という業務ルールと証跡をその上に載せます。自前スタックほど、この統制層を自社で設計する負担が増える——そこを引き受けます。
- 接続は絞って速く、設計に時間を割く: Agens は MCP を活用し、200以上のツールと構築ゼロで接続 します。開いたスタックで重くなりがちな「業務システムへの接続」を軽くし、評価とガバナンスの設計に工数を寄せられます。
- 評価とROIを最初に定義する: AIエージェント・ブートキャンプ では、業務棚卸し・プロトタイプ構築・ROI試算を3〜5日 で完結します。「ベンダーのベンチマーク」ではなく「自社タスクでの精度・コスト・失敗モード」を測る評価軸を、着手時点で置くことが、オープンスタックの自由を成果に変える前提になります。
順序が肝心です。オープンな3層スタックは強力な部品ですが、評価・統制・接続を後付けにすると、「安く持てたが、怖くて任せられない」 という別の袋小路に入ります。過去には処理時間の 93%削減 のような成果も出ていますが、それは技術の新しさではなく、制御層と評価軸を先に組んだ から取れた成果です。
まとめ——問いは「どのモデルか」から「どこまで自分で持つか」へ
NemoClaw が示したのは、エンタープライズ・エージェントの選択肢が 「閉じたSaaSに乗る」か「開いたスタックを自前で持つ」か という軸へ広がった、ということです。オープンモデル・オープンハーネス・オープンランタイムがそろい、しかも桁で安いコストが視野に入ったことで、「自前で持つ」は理想論ではなく、現実的な経営判断になりました。
一方で、所有を選ぶことは、評価・ガバナンス・統合の責任を自社に引き受けることでもあります。EY のような実装者が市場に立ち上がっているのは、その溝が現実に存在するからです。日本企業がいま準備すべきは、流行のスタックを追いかけることではなく、「自社タスクでどう評価し、どの実行を承認・監査し、どの業務システムにどうつなぐか」 という、モデルの外側の設計です。そこさえ先に固めておけば、モデルやランタイムがこの先また変わっても、投資は無駄になりません。
「開いたスタックを、統制された本番運用へ」——homula は、オープンなエージェント基盤の評価・ガバナンス・業務接続を、業務棚卸しからROI試算まで一気通貫で支援します。まずは自社に合う「持ち方」を一緒に見極めませんか。