30秒サマリー
- 計画フェーズでLLM推論を不要にし、従来比でコストをほぼゼロに抑える新フレームワークが登場
- 12種の難題シナリオで成功率100%を達成、既存手法LATSの88.9%・ReActの23.9%を大幅上回る
- 決定論的な計画出力により、AIエージェントの動作が実行ごとにぶれない「安定性」を実現
何が起きたか
2026年7月9日、Maureese WilliamsとDymitr Nowickiの両研究者がarXivに論文を投稿し、AIエージェントの計画フレームワーク「GATS（Graph-Augmented Tree Search）」を発表した。GATSは、UCB1ベースのツリー探索と「層状ワールドモデル」を組み合わせ、計画フェーズ中のLLM推論呼び出しを排除する設計が特徴だ。
ワールドモデルは3層構造で構成される。第1層は記号的なアクションの完全一致、第2層は実行ログから学習した統計情報、第3層は未知のアクションに対してのみLLMを用いた予測という仕組みだ。この設計により、計画時のLLM呼び出し数はタスクあたりゼロとなる。一方、比較対象の既存手法LATSはタスクあたり平均37回の呼び出しが必要だと論文は述べている。
性能評価では、分岐路と行き止まりを含む合成計画タスクでGATSが成功率100%を達成し、LATS（92%）およびReAct（64%）を上回った。さらに、コーディング作業・ウェブナビゲーション・長期タスクを含む12の困難なシナリオを網羅したストレステストでも、GATSは100%の成功率を維持。同テストでLATSは88.9%、ReActは23.9%にとどまったと報告されている。加えて、GATSの計画結果は実行ごとに分散がゼロの決定論的な出力となる点も強調されている。
原典ハイライト
論文アブストラクトによれば、GATSは計画時のLLM呼び出しをゼロに抑えながら、12シナリオにわたるストレステストで100%の成功率を達成。LATSが同テストで88.9%、ReActが23.9%であるのに対し、計算コストと成功率の両面で優位性を示した。
出典: arXiv cs.AI（論文）
So What?（なぜ重要か）
AIエージェントの実用化における最大の障壁の一つは、LLM推論の繰り返し呼び出しによる高コストと、出力のランダム性に起因する信頼性の低さだ。GATSが示す「計画時LLM呼び出しゼロ・決定論的出力」のアーキテクチャは、これら二つの課題に正面から応える技術方向性を提示している。ただし本論文は査読前のプレプリントであり、独立した検証はこれからとなる。
日本企業への示唆
AIエージェントを業務自動化（RPA代替・社内ナレッジ検索・コード生成支援など）に導入を検討する日本企業にとって、計画フェーズのLLM呼び出し削減はAPI利用コストの直接圧縮につながる。また、実行ごとに結果がぶれない決定論的な動作は、品質管理や監査証跡の観点で製造・金融・医療などの規制業種で特に重要となる。GATSのアーキテクチャ（実行ログから統計を学習し、未知ケースのみLLMに問い合わせる層状設計）は、既存システムとのハイブリッド構成を検討する際の参考モデルとなりうる。まず社内の繰り返し業務でログデータを蓄積し、ワールドモデルの学習基盤を整えることが先決と言えよう。
背景・経緯
LLMエージェントの計画手法としては、ReAct（思考と行動を交互に行う手法）やLATS（言語エージェントツリー探索）が先行研究として知られている。これらは計画の各ステップでLLMを繰り返し呼び出す設計であり、コスト増大と出力の確率的ばらつきが課題とされてきた。GATSはその代替として、事前に学習したワールドモデルを活用することで推論時のLLM依存を排除する方向性を採る。
