企業はどのようにAI SaaS製品を構築しているか

実際のUI内部での構造化出力生成

最もインパクトのあるAI機能のいくつかは、コンテンツを生成しない。

Excalidraw AIは完璧な例だ。ユーザーがサインアップし、Eメールを確認し、ダッシュボードを押す」というフローを記述すると、AIがそれに合わせてMermaid.jsのコードを記述します。図は即座に表示され、アプリ内で完全に編集可能だ。ゼロから始めるのではなく、ユースケースに合ったスマートで構造化されたベースを手に入れることができるのだ。

これは静的なグラフィックではない。思考するコードが、あなたが操作できる視覚的なワークフローになったものなのだ。

プロンプトをUIレイアウトに変換するUizardや、AIがユーザーの目標に基づいてフロントエンドとバックエンドのクエリーを設定するRetoolなど、他のツールもこれを模索している。

これらすべてのケースで、LLM 単にユーザーの動きを速くするだけでなく、製品の母国語でアウトプットを出しているのだ。

ワークフローに組み込まれた意思決定支援エージェント

ほとんどのSaaSツールは、ユーザーが次に何をすべきかを知っていることを前提としている。AIはそれを変えようとしている。

現在では、プロジェクト、課題、文書の現在の状態を読み取り、次のアクションを提案できるエージェントが組み込まれている。

において LinearLinearでは、AIがバグや問題を要約し、重大度、頻度、またはブロッカーのステータスに基づいて優先順位を提案します。単にチケットを要約するだけでなく、緊急度を解釈し、部門間の橋渡しをする垂直AIエージェントの役割を担って、チームに行動を促す。

Asana AIはプロジェクトデータで同じようなことをしている。行き詰まったタスク、ずれたオーナー、スケジュールのドリフトを発見し、作業のバランスを調整するためのアップデートを静かに提案する。

このタイプのエージェントはコンテンツを生成しない。システム内部のシグナルを読み取り、タスクの進捗状況、割り当て、入力を読み取り、仕事の方向性をシフトさせるような、小さな、役に立つ動きをする。

ユーザーに適応するAIネイティブ・オンボーディング

ほとんどのオンボーディング・フローは静的なものである。しかし、LLMs 、ユーザーが何を望んでいるかから始め、それを中心に構築することを可能にしている。

Codaでは、オンボーディングは会話のように感じられる。チームのオフサイトの計画、クライアントの成果物の管理、習慣の追跡など、あなたがやろうとしていることを説明すると、AIがワークスペースの足場を構築してくれます。テーブル、ボタン、数式はすでに用意されている。

Guiddeは異なるアプローチを取っている。製品メタデータとAIを使い、ユーザーの入力に基づいてアプリ内ウォークスルーを自動生成するのだ。どのようなガイドが必要かを入力すると、ガイドがフローを作成します。

以前はツアーだったものが、今はヘッドスタートだ。

あなたは意図を持って現れる。製品は構造に反応する。

構造化されたアウトプットからアダプティブ・オンボーディングまで、これまで取り上げてきたすべてのユースケースは、自然言語、コンテキスト、メモリー、ダイナミック・アウトプットを扱えるインフラに依存している。これらのツールのいくつかは、舞台裏で動作する。また、製品stack直接組み込まれているものもある。

エージェントの構築、RAGパイプラインの管理、インプットの構造化、LLMs 実際のワークフローへの組み込みを支援するものだ。

1.Botpress

Botpress 、単に質問に答えるだけでなく、それ以上のことをするエージェントを構築するときに使用します。ロジック、メモリ、アクションフロー、マルチチャネル展開を1つにまとめ、AIの動作を実際にコントロールしたいチームのために作られました。

任意のバックエンドに接続し、ターン間でコンテキストを渡し、APIコールを処理し、実際の結果をトリガーすることができます - すべて同じ会話の中から。チャットは、単に応答を提供するだけでなく、行動を促進する必要がある状況で特に強力です。ユーザーのオンボーディング、訪問のスケジューリング、内部オペレーションの処理、またはサポートのルーティングであろうと、Botpress シームレスに感じさせます。

このプラットフォームは、以下のようなウェブプラットフォームもサポートしています。 WhatsAppや TelegramやカスタムSDKもサポートしています。

主な特徴

• ロジック、メモリ、APIアクションの完全制御
• テスト、分析、バージョン管理のための組み込みツール
• マルチチャネル・サポート（ウェブ、WhatsApp、Slack、カスタム）
• ライブエージェントへの容易なハンドオフ、フォールバックフロー、カスタムUIウィジェット

価格設定：

• 無料プラン：月額0ドル、AIクレジット5ドル付き
• Plus月額89ドル - ライブエージェントハンドオフとアナリティクスを含む
• チーム：月額495ドル - ロール管理、SSO、コラボレーションを追加
• エンタープライズ大規模チームやコンプライアンスを重視するチーム向けのカスタム価格

2.ラングチェーン

LangChainは、計画エージェント、内部コパイロット、アナリティクス説明者など、チャットに全く見えない多くのAI機能のバックボーンです。柔軟でモジュール化されており、LLMs ツール、API、メモリに接続する明確な方法を開発者に提供します。

その柔軟性は、いくつかのトレードオフを伴う。LangChainは非常にSDK中心で、オーケストレーションやデバッグのほとんどはPythonやJavaScriptの深いところで行われる。彼らはLangFlowと呼ばれるノーコード・ビルダーを導入しているが、まだ初期段階であり、コアSDKエクスペリエンスの洗練性や安定性に欠けている。

それでも、エージェントがどのように考え、計画し、行動するかを完全にコントロールする必要がある場合は、ほとんどの人がこのツールを使う。

主な特徴

• ツールの使用、計画、記憶をサポートするエージェントフレームワーク
• OpenAI 関数、RAGパイプライン、ベクトル検索のネイティブサポート
• ワークフローと推論ステップを連鎖させるモジュール設計
• ほとんどのAPI、ベクターDB、ドキュメントローダーと連動

価格設定：

• LangChain OSS: フリー・オープンソース
• LangSmith（デバッグ＋モニタリング）：現在無料、近日中に使用量に応じた価格設定

3.松ぼっくり

Pinecone は、ほぼすべてのプロダクション RAG システムで使用されているベクターデータベースです。高速で拡張性があり、最小限のセットアップで高次元データの保存と取得が可能です。サポートチケット、内部ドキュメント、構造化ナレッジのインデックスを作成する場合でも、Pinecone を使用すると、LLM ワークフローに関連するコンテキストを簡単に取り込むことができます。

新しくリリースされたPinecone Assistantは、これをさらに簡単にします。チャンキング、埋め込み、検索を舞台裏で処理するため、チームはインフラを管理することなく、データを意識したエージェントや検索機能を構築できます。

しかし、フィルタリングされた高速検索が重要な場合、ほとんどのチームがPineconeを使用します。PineconeをLangChainやCohereに接続すれば、RAGベースのアシスタントの信頼できる基盤が完成する。

主な特徴

• 迅速なプロダクション対応ベクター検索
• 松ぼっくりアシスタント(2025)の抄録検索の複雑さ
• メタデータ・フィルター、マルチテナント・インデックス、ハイブリッド・スコアリング
• マネージド・インフラ - ホスティングやチューニングは不要

価格設定：

• スターター：5Mベクターまで無料
• スタンダード利用状況ベースのエラスティックなスケーリング
• エンタープライズ専用のキャパシティとサポート

4.コヒーレ

Cohereは、高速で高品質なエンベッディングを提供する企業としてスタートし、現在もその分野を支配している。しかしこの1年で、Rerank APIやホストされたCommand Rモデルのようなツールのおかげで、RAG（retrieval-augmented generation）を強化する、より広範なプラットフォームへと進化した。

RerankAPIはCohereが際立っているところだ。クエリにどれだけマッチしたかに基づいて検索結果を並べ替えることができるため、20の生のチャンクをLLM渡す代わりに、重要な3つのチャンクを送ることができる。その結果、レスポンスが速くなり、トークンの使用量が減り、意図的な回答が得られるようになります。

また、多言語サポート、ロングコンテキストの認識、埋め込み、検索、再ランクを一箇所で処理するオプションのホストされたstack 手に入る。

Cohereは、モデルの推論方法を変更するのではなく、モデルが見ているものを改善する必要があるときに輝きます。RerankAPIをPineconeのような優れたベクターストアやLangChainのようなスマートなオーケストレーターと組み合わせれば、より短く、より正確で、より説明しやすい回答が得られるだろう。

主な特徴

• Rerank v3.5で、文脈を意識したより鋭い回答選択を実現
• 低レイテンシAPIを備えたホスト型RAGstack
• Pinecone、LangChain、LlamaIndexとの相性が良い。

価格設定：

• 埋め込み：月10万クエリまで無料
• 再ランク: 利用ベース（価格はお問い合わせください）

5.ラマインデックス

LlamaIndexは、「AIは、あなたが与えてくれるデータと同じくらい良いものである」という特別な考えに基づいて構築されています。PDF、Wiki、データベース、スプレッドシートからデータを取得する場合、LlamaIndexは、構造、メタデータ、スマートルーティングによって、データを検索できるようにします。

ベクトル検索を扱うPineconeや関連性の再ランク付けを行うCohereとは異なり、LlamaIndexはモデルにフィードするパイプラインに焦点を当てています。ソースをチャンクしてインデックス化し、ドキュメントのメタデータを追跡し、キーワードや埋め込みだけでなく、構造や意図に基づいてクエリをルーティングする。

特に、製品マニュアル、顧客データ、エンジニアリング・ログなど、特定の分野に特化したコンテンツに依存するAI製品を構築するチームにとっては、コンテキストが重要であり、一般的な検索が機能しない場合に有効だ。

LlamaIndexはLangChainと重なる部分もあるが、エージェントの計画やツールの使用ではなく、データの準備とインデックス作成に重点を置いている。

主な特徴

• 構造化データおよび非構造化データのインデックス作成パイプライン
• スマートなクエリ・ルーティングとソース・トラッキング
• Pinecone、Chroma、またはローカルメモリストアで動作
• 信頼性の高い内部データアクセスが必要なエージェントに最適

価格設定：

• オープンソース：フリー（MIT）

6.ヴェルセルAI

Vercel AI SDKは、AIを単なるチャットボットとしてではなく、製品の一部として感じさせたいチームのための製品です。React、Svelte、またはNext.jsを使用して、応答性の高いチャットのようなインターフェイスをアプリ内に構築できます。

Next.jsを開発した同じチームによって作られており、フロントエンドの状態とUXをうまく処理していることがわかる。最新バージョンでは、MCP（Model Context Protocol）のサポートも追加された。MCPは、モデルの入力、ツールの使用、ソースの接地などを構造化するための今後の標準だ。これは、よりクリーンなAPI、より簡単なカスタマイズ、アシスタントが行うことのより良いコントロールを意味する。

ここではエージェントを構築することはできませんが、すでにエージェントをお持ちの場合は、これを洗練された製品エクスペリエンスに変えることができます。SDKは、どのようなフロントエンド・stackきれいにフィットし、MCP、ツールの使用、ストリーミングをサポートしているため、ネイティブ感を必要とするAIインターフェースに理想的です。

主な特徴

• AIインターフェースをReactまたはSvelteアプリに直接追加する
• ストリーミング、チャット履歴、ツールサポート、グラウンディング
• 構造化された制御可能なモデル動作のためのMCPをサポート
• Next.jsのクリエイターが構築 - フロントエンドのUXに最適化

価格設定：

• オープンソースSDK：無料
• バーセルホスティング使用量ベース（コンピュート＋帯域幅）

7.作る

Makeは、SaaS製品にとってのガムテープのようなものだ。Makeはビジュアルオートメーションプラットフォームで、コードをあまり書かなくても、アプリをつなぎ合わせたり、ワークフローをトリガーしたり、AIモデルをプラグインしたりすることができる。

完全なバックエンドや オーケストレーション・レイヤーを必要とすることなく、AIの動作をプロトタイプ化する能力を製品チームに提供することに優れています。ユーザーがチャットで否定的なフィードバックを提供したときに、サポートのフォローアップをトリガーする必要がありますか？Makeを使ってください。そのメッセージをOpenAI 要約し、Hubspot CRMに記録したいですか？Makeを使いましょう。

複雑なプランニング・エージェントや深いツールの使用には向いていませんが、A→B→Cとつなげるだけの作業には、高速で柔軟性があり、親しみやすいものです。これは、製品がAIファーストではないが、舞台裏にインテリジェンスを組み込みたい場合に特に有効だ。

主な特徴

• 何百ものアプリケーション統合済みのビジュアルビルダー
• AIの入力からアクションを簡単にトリガーできる（GPT サマリー→メール/送信/CRMなど）
• 内蔵のOpenAI モジュールとHTTPおよびwebhook サポート
• チームオペレーション、フィードバックループ、軽量オートメーションに最適
  
  

価格設定：

• 無料：1,000作戦/月、アクティブシナリオ2本
• コア:$9/月 - 小規模チームやライトユース向け
• プロ:$16/月 - オペレーション、スケジューリング、エラー処理を追加
• エンタープライズカスタム - ミッションクリティカルなフローを実行するチーム向け

1.AIを単なるアドオンではなく、製品の一部にする。

AIはコア・エクスペリエンスをサポートすべきであり、傍観すべきではない。チャットウィンドウが隅っこに浮かんでいるような、切り離された機能のように感じられれば、使われることはないだろう。

その代わりに、AIを人々がすでに利用しているワークフローに統合する。Linear、AIは課題の追跡と優先順位付けをサポートする。Codaでは、AIはユーザーの目標に基づいてテーブルとロジックを構築する。これらの機能は別個のものではなく、製品の機能の一部なのだ。

まず、ユーザーがどこで行き詰まるか、どこで作業が滞るかを特定することから始めよう。AIは、単に感動させるためだけでなく、そのような瞬間をスムーズにするために使うのだ。

2.インプットだけでなく、意図に基づいて構築する

LLMs 最もうまく機能するのは、単に何を入力したかではなく、誰かが何かをする理由を理解したときです。つまり、LLMはユーザーの意図を早期に把握し、それに沿ったフローを設計する必要があるのです。

これが、Notion AIやDuolingo Maxのようなツールを便利なものにしている。ただ応答するだけでなく、文脈や目標に基づいて応答を形成するのだ。それは、ユーザーの言葉だけでなく、ユーザーの意図から導き、学ぶようにUXを構成した場合にのみ機能する。

尋ねる：ユーザーは何を達成しようとしているのか？そして、そこから構築する。

3.ユーザーに可視性とコントロールを与える

AIは意思決定をサポートすべきであり、ブラックボックス化してはならない。ユーザーは、モデルが何をしているのか、どこで情報を得たのか、どのように行動を調整するのかを理解すべきである。

優れたAIインターフェイスは、何かを提案した理由を説明する。また、ユーザーに再試行、編集、代替案の探索をさせる。これは、ユーザーが自信を持ち、自動化に頼りすぎるのを防ぐのに役立つ。

データ・ソースを公開し、意味のあるときにはプロンプト・ロジックを表示し、常に手動によるオーバーライドの余地を残す。

4.エッジケースと失敗に備える

LLMs 常に期待通りに動くとは限らない。文脈を見落としたり、曖昧な出力をしたり、指示を誤って解釈したりすることもある。あなたの製品は、そのような事態に備える必要がある。

ガードレールを追加する。不確実な応答をルーティングするために信頼度スコアを使用する。他の大規模な言語モデルや人間によるサポートへの優雅なフォールバックを可能にする。そして最も重要なことは、ユーザーがどのようにAIとやりとりしているかを追跡することです。

AIは製品を改善すべきであり、予測不可能なものにしてはならない。

5.一つの強力なユースケースから始め、徐々に拡大する。

初日から製品全体をAI駆動にする必要はない。最も成功しているチームは、1つの機能、1つのワークフローといった小さなものから始め、ユーザーが毎日それを利用するようになるまで改善する。

オンボーディング、ドキュメント検索、分析サマリー、タスク自動化などだ。AIが摩擦を減らし、スピードを向上させることができる分野を1つに絞り、それをうまく機能させてから規模を拡大する。

強力で信頼性の高い機能は信頼を築きます。ひとたびユーザーに信頼されれば、他のユースケースへの展開も容易になります。