October 23, 2026
翻訳においてLLMとAI agentのどちらを選ぶか迷っている場合、その名称だけでは何が問題になり得るかはほとんどわかりません。1回のLLM呼び出しは、警告なしに自信満々で誤った答えを返すことがあります。agentは適切な質問をすることができますが、ステップを踏むごとにかかる時間が増え、失敗する可能性のある箇所も増えます。
多くの場合、「AI agent」という名称は3つの異なるものを指しています。1回のLLM呼び出し、一度に多くのモデルを実行するワークフロー、そしてループ内で計画と実行を行うagentです。MachineTranslation.comでは、この3つすべてを運用しています。以下の違いは、これらを本番環境で運用することから得られた知見です。
LLMはモデルです。1回の呼び出しでテキストを送信し、テキストを受け取ります。AI agentは、LLMを中心に構築されたシステムです。 Anthropicのエンジニアリングチーム は、ステップを誰が決定するかによって両者を区別しています。ワークフローでは、コードが事前にステップを設定します。agentでは、LLMが独自のステップとツールを選択します。
これにより、翻訳には3つの形態が生まれます。1回のLLM呼び出しは最もシンプルであり、その答えが正しいかどうかを示す手掛かりなしに1つの答えを返します。一度に多くのモデルを実行して結果を比較するようなワークフローは、固定されたパスに従います。agentはループ内で動作します。何をすべきかを決定し、それを実行し、結果を確認します。また、処理を続行する前にユーザーに質問することもできます。
1回のLLM呼び出しは1つのステップです。コンセンサスワークフローは同じテキストを一度に多くのモデルに送信し、出力を比較します。agentは計画、実行、確認をループし、必要に応じて停止してユーザーに質問することができます。
| 1回のLLM呼び出し | コンセンサスワークフロー | AIエージェント | |
|---|---|---|---|
| ステップ | 1回の呼び出し | 一度に多数の呼び出し、その後に1回の比較 | 計画、実行、確認のループ |
| 所要時間の特性 | 1つのモデルのレイテンシ | プール内の最も遅いモデルによって決まる | ステップごとに増加する |
| 主なリスク | 警告なしに返される自信に満ちた誤答 | すべてのモデルが同じ暗黙の前提を共有している | 余分なステップによる遅延と新たな障害発生箇所の増加 |
| 有効な対策 | 再チェック | ユーザーへの質問 | ステップ数の制限と人間による確認 |
エージェントは、単一のモデル呼び出しでは不可能な判断を下すことができます。文をフォーマルにするかカジュアルにするかを尋ねることもできます。また、用語を調べたり、自身の下書きをチェックしたりすることも可能です。これらはそれぞれ追加のステップとなり、各ステップによって処理時間が増加し、失敗の原因となり得る箇所も増えることになります。
Anthropicのガイダンスでは、機能する最もシンプルな設計から始めることが推奨されています。明確に定義されたタスクにはワークフローを使用し、タスクに柔軟な判断が必要な場合にはエージェントを使用します。私たちも同じルールに従っています。AI Translation Agentは、テキストのフォーマル度など、文において何らかの判断の余地が残されている場合にのみ介入する独立したレイヤーです。
マルチモデル合意は、固定された経路を持つワークフローです。同じテキストがすべてのモデルに同時に送られます。出力が比較され、最も多くのモデルが合意したバージョンが返されます。Anthropicでは、信頼性を高めるために複数の試行を一度に実行することをparallelizationと呼んでいます。
エンジニアリング上の課題は時間です。仮に22のモデルを順番に実行した場合、待ち時間は22回の呼び出しの合計になります。これらは並列で実行されるため、ClaudeやChatGPT内で検証済みの翻訳を取得するためのガイドで説明しているように、待ち時間はプール内で最も遅いモデルによって決まります。あるローンチ時の例では、5つのモデルが4単語のフレーズを翻訳し、751ミリ秒で結果を返しました。テキストが長くなればそれだけ時間がかかりますが、同じルールが適用されます。
プールサイズをテストした結果、22に決定しました。モデル数が少なすぎると合意のシグナルが弱くなります。多すぎると、レイテンシが生じ始めます。ユーザーに表示される結果は1つだけです。それを迅速にするための処理は、クリックされる前に行われているのです。
合意ではモデル間の不一致しか確認できないため、すべてのモデルが同じように下した選択を捉えることはできません。一般的なフレーズを用いたテストでは、表示された7つのモデルすべてが「good morning」をフォーマルな「おはようございます」と日本語に翻訳しました。これは丁寧さに関する暗黙の判断であり、ユーザーには一切確認されていません。
フランス語の「Je t'aime」も同様のパターンをたどりました。モデルは1つの翻訳で一致しましたが、このフレーズは恋愛、プラトニックな愛、家族愛を表すことができ、直訳ではそのいずれであるかを判別できません。すべてのモデルが同じように回答した場合、比較ステップには比較対象が何もない状態になります。
そのギャップがあるからこそ、AI Translation Agentは独立したレイヤーとして動作します。テキスト上で未確定な要素がある場合にのみ、言語使用域、対象読者、トーンについて確認を求めます。合意は意見の分かれるモデルを捕捉します。エージェントは、それらすべてのモデルが前提としていることを捉えます。
AIの教科書では、エージェントが何を行うかをどのように決定するかに応じて分類しています。その 典型的なリスト は、現在の入力に反応する単純反射型エージェントから、結果に向けて計画を立てる目標ベースのエージェント、フィードバックから改善する学習エージェントまで多岐にわたります。
システムの観点では、リストを一段階上がるごとに、保持すべき状態やループが増加します。翻訳は目標ベースの領域から最大の恩恵を受けます。なぜなら、翻訳は現在の文に含まれていないコンテキストに依存することが多いためです。弊社のAI Translation Agentはそこに位置しています。コンテキストに合った翻訳に向けて機能し、その主なツールはユーザーへの質問です。
はい、あります。なぜなら ニューラル機械翻訳 システムは言語間の翻訳のみを目的としてトレーニングされており、汎用LLMとは異なる種類のモデルだからです。LLMファミリー内の一部のモデルも動作が異なります。ほとんどのLLMは一度に1トークンずつ生成します。Inception LabsのMercuryは、テキストのブロックを並列に生成する拡散言語モデルであり、これについてはGemmaとMercuryをプラットフォームに追加することに関する弊社の投稿で取り上げています。
ニューラル翻訳APIとLLMのどちらがより適しているかは、タスクによって異なります。ニューラル翻訳APIは1つのタスクのために構築されたモデルを提供するのに対し、LLMは指示に従い、より多くのコンテキストを活用できます。MachineTranslation.comのエンジン構成には、従来の機械翻訳エンジンとLLMの両方が含まれているため、1回のリクエストでどちらの種類も利用できます。
最も優れたLLMは言語ペアや翻訳の方向によって異なるため、プラットフォームレベルで1つに絞ることはしていません。構成にはChatGPT、Claude、Gemini、DeepSeek、Qwen、Grok、Mistral AIが含まれています。すべてのモデルが並列で実行されるため、モデルを追加したり入れ替えたりしても待ち時間は増えません。特定のモデルの品質結果は、モデル比較テストに基づいています。
AIエージェントやアシスタントは、MachineTranslation.comをツールとして呼び出すことができます。MCPコネクターにより、有料プランの利用者はClaude、ChatGPT、Copilot、またはカスタムコネクターをサポートする任意のアシスタントから利用できます。リクエストは同じ22モデルのプールで並列に処理され、その大半が合意したバージョンを返します。アシスタントにとって、翻訳は1回のツール呼び出しとなります。モデルの比較は弊社のシステム内で行われ、会話側には結果のみが表示されます。
お手持ちのテキストで、並列実行とエージェントからの質問を確認できます。MachineTranslation.comに文を貼り付けると、モデルが一斉に実行されます。エージェントは、文に曖昧な点が残されている場合にのみ質問します。
LLMは1回の呼び出しでテキストを入力として受け取り、テキストを出力として返します。AIエージェントはLLMを中心に構築されたシステムであり、自ら手順を選択し、ツールを使用します。自身の成果物をチェックし、ユーザーに質問することも可能です。翻訳において、エージェントは次に何をすべきかを判断しますが、1回の呼び出しでは答えを出力するだけにとどまります。
教科書には、どのように行動を決定するかに基づいて、単純反射エージェント、モデルベースエージェント、目標ベースエージェント、効用ベースエージェント、学習エージェントが挙げられています。翻訳は、用語集の検索やユーザーへの質問などのツールを使用する目標ベースのエージェントから最も大きな恩恵を受けます。なぜなら、翻訳は現在の文に含まれていない文脈に依存することが多いからです。
はい。ニューラル機械翻訳システムは翻訳のみを目的としてトレーニングされており、汎用的なチャットモデルではないためです。Mercuryのような拡散言語モデルは依然として言語モデルです。これらはテキストをブロック単位で生成しますが、ほとんどのLLMは一度に1トークンずつ生成します。MachineTranslation.comは、従来の機械翻訳エンジンとLLMの両方を実行します。
はい。エージェントは翻訳ツールを実行して結果を確認できるほか、何かを返す前にトーンや想定読者などの不足している文脈について質問することができるためです。これらの各ステップには時間がかかります。明確に定義されたテキストの場合、通常は単一モデルの呼び出しや固定されたワークフローの方がシンプルであるため、エージェントは判断が必要なケースに適しています。
ニューラル翻訳APIは1つのタスクのために構築されたモデルを提供するのに対し、LLMは指示に従い、より多くの文脈を活用できるため、業務内容によって異なります。MachineTranslation.comはいずれか一方だけを選ぶことはしません。エンジンプールには従来の機械翻訳エンジンとLLMの両方が含まれており、1回のリクエストでどちらの種類も利用できます。
ChatGPT、Claude、Gemini、DeepSeek、QwenはLLMであり、それぞれが1回の呼び出しで翻訳を処理します。並列ワークフローは、それらの多くを組み合わせます。AIエージェントはその上に判断を追加します。たとえば、文中でトーンや想定読者が明確でない場合にそれらについて質問する、MachineTranslation.comのAI Translation Agentなどがあります。