AIエージェントは「検索」「コード実行」「社内データ参照」などの外部ツールで一気に強くなります。しかし現場では、ツールを“呼べば呼ぶほど賢くなる”わけではなく、むしろ遅く・高く・不安定になりがちです。今週は、ツール呼び出しを“能力”ではなく“意思決定”として扱う研究と、実際に無駄呼び出しを劇的に減らした事例、さらに多言語安全性の整備が同時に進みつつある流れをまとめます。
ツール呼び出しは「必要性・効用・コスト」の意思決定問題になった
arXivの論文「To Call or Not to Call」は、LLMがツール（特にWeb検索のようにノイズが入りやすいもの）を使うべきかどうかを、意思決定理論に寄せて評価する枠組みを提案しました（arXiv:2605.00737）。
ポイントは、ツール呼び出しを次の3軸で分解して見ることです。
- Necessity（必要性）: そもそも外部情報が無いと解けないタスクか
- Utility（効用）: 呼び出し結果を統合できれば正答率が上がるか
- Affordability（支払可能性）: レイテンシ/費用/失敗率を踏まえて“払う価値”があるか
「自分は必要だと思った」だけでは最適にならない
この研究が面白いのは、モデルの行動から推定される“自己判断（descriptive）”と、最適配分から逆算する“真の必要性（normative）”がズレる、と明確に問題設定している点です（arXiv:2605.00737）。
実装上の示唆はシンプルで、ツールを呼ぶ/呼ばないのポリシーをLLM本体の気分に任せないことです。論文では、隠れ状態から必要性・効用を推定する軽量推定器を学習し、そこに基づくコントローラで判断品質と性能を改善した、と述べています（arXiv:2605.00737）。
- プロダクトでは「検索は必須」ではなく「検索が効く局面」を定義し、判定器＋ルーティングで運用する
- 評価は“最終正答率”だけでなく、呼び出し回数、失敗時のフォールバック品質まで含める
「ツール使用税（tool-use tax）」が、プロトコル自体の負債として現れる
もう1本の論文「Are Tools All We Need?」は、ツール連携が逆に性能を落とすケースを、かなり実務的な観点で切り分けています（arXiv:2605.00136）。
彼らは、ツール呼び出しの手順（フォーマット、呼び出し→結果→統合という儀式）が生む性能劣化を tool-use tax と呼び、特に“意味的なノイズ（semantic distractors）”があるとツールの利益が税を上回れない、と主張します（arXiv:2605.00136）。
実運用で起きるのは「ツールが弱い」ではなく「段取りが邪魔」
ここで重要なのは、問題がツール側の品質だけではなく、ツール呼び出しプロトコルそのものが推論を壊すという見立てです（arXiv:2605.00136）。論文は介入フレームワークで、(1)プロンプト整形コスト、(2)プロトコル手続きのオーバーヘッド、(3)実ツール実行のゲイン、を分離して評価しています（arXiv:2605.00136）。
実装の示唆:
- “ツールを呼ぶ前の思考”と“呼んだ後の統合”で、テンプレを増やしすぎると税が増える
- 失敗時（検索が空振り、コードが例外、権限エラー）の再計画ができないと、税だけ払って崩れる
- ゲート（論文のG-STEPのような推論時の軽量制御）で、最低限「呼ぶべきでない時」を止める価値がある（arXiv:2605.00136）
研究が“現実のコスト”に追いついた：無駄呼び出し 98%→2% の事例
産業側でも「呼び出し抑制」は中心課題になっています。VentureBeatは、Alibabaの研究として、強化学習フレームワークHDPOで学習したマルチモーダル推論エージェント“Metis”が、冗長なツール呼び出しを 98%から2%に削減したと報じました（VentureBeat）。
記事によると、HDPO（Hierarchical Decoupled Policy Optimization）は精度と効率を別チャネルで最適化し、誤答は効率側で決して報われないように設計することで、まず当てに行ってから段階的に節約へ寄せる“暗黙のカリキュラム”を作る、と説明されています（VentureBeat）。
実務的には、ここまで極端な削減が出るのは「モデルが賢くなった」以上に、
- どのツールを
- いつ呼ぶと得か
- どう失敗を扱うか
を学習対象として明示した、という点が大きいはずです。
多言語ガードレールが「翻訳ベース」から「規制ベース」へ
ツール呼び出しが広がるほど、出力安全性は“英語中心の分類”だけでは足りません。ML-Bench&Guardは、地域の規制テキストからリスクカテゴリと細則を抽出し、14言語で安全性を評価できる政策根拠型ベンチマークを提案しています（arXiv:2605.00689）。
さらに、同論文は拡散LLMベースのガードレールML-Guardを提示し、軽量な1.5Bモデルと、詳細な説明つき判定ができる7Bモデルの2系統を用意したと述べています（arXiv:2605.00689）。
実用上の示唆：プロンプトより先に「準拠すべき規則」を持て
多言語展開では、禁止カテゴリのラベルを翻訳しても、地域ごとの規制・文化差を取りこぼします。規制テキスト由来のルールで評価し、そのルール条件を入力としてコンプライアンス判定する、という発想は、エージェントが社内ツールや外部検索で“具体”に踏み込むほど重要になります（arXiv:2605.00689）。
まとめ：エージェントは「ツールが使える」から「ツールを節約できる」へ
今週見えた方向性は、ツール統合が次の段階に入った、ということです。
- ツール呼び出しは能力ではなく、必要性・効用・コストの最適化問題（arXiv:2605.00737）
- プロトコル自体が推論を壊す“税”になり得るので、段取りの設計とゲーティングが重要（arXiv:2605.00136）
- 実例でも、冗長呼び出しの削減が品質とコストの両面で競争力になる（VentureBeat）
- 多言語安全性は翻訳ベースから規制ベースへ進み、ガードレールは“説明責任”を前提に（arXiv:2605.00689）
次にエージェントを設計するなら、「どのツールを足すか」より先に「呼ばない判断をどう作るか」「税が増えない手続きをどう保つか」「言語圏ごとの準拠をどう担保するか」を設計項目に入れるのが、実装の近道になりそうです。