AIに予測モデルを構築させたら、あなたのチームが見逃したパターンを発見した。

朝、CULVER CITYのLodge Breadで、全粒粉のサワードウパンをオーブンから引き出しているパン職人たちを見ていました。キャラメリゼされたクラストの香りと長時間発酵の深い酸味の香りが立ち込めていました。あのパンが特別なのは、レシピだけではありません。それはスターターです。それは生きたコロニーであり、何年にもわたり進化し、単なるイーストのパケットからは作り出せない微生物の複雑さを適応し、発展させつつあるエコシステムです。各ローフは、その歴史全体の記憶と洗練された成果を持っています。あのスターターは、独自の進化するシステムです。使用されることで良くなるのではなく、常に環境に適応することで進化し、パン職人がその進化を導くキュレーターとして機能します。

オフィスに戻る途中も、そのスターターのことを考えながら、2026年3月の最初の週の最新のarXivのアップロードをスクロールしていました。すると、ある論文が目に飛び込んできました。「Self-Evolving Agent for Time Series Algorithms (SEA-TS)」[3]というタイトルです。要約は内容が濃かったですが、核心的なアイデアは明確でした：予測モデルを実行するだけでなく、自律的に進化するマルチエージェントAIフレームワークで、「真に新しいアーキテクチャパターン」を発見します[3]。これはアルゴリズムのサワードウスターターです。静的なリストからベストモデルを選ぶのではなく、このシステムはLodge Breadのパン職人のように、常に実験し、洗練し、自身の手法を進化させて、根本的に時間をかけて何かより良いものを生み出します。需要予測に依存する商取引ブランド、つまり全ての商取引ブランドにとって、この論文は静かな地震です。在庫、スタッフ、収益計画に使う核心的論理が突然、深く古くなっています。

では、AIがAIを構築するって？SEA-TSとは？

こちらははっきりさせましょう：これはただのAutoMLツールではありません。自動機械学習は、データサイエンスを民主化することを約束し、予め定義されたモデルアーキテクチャやハイパーパラメータを自動的に探し、データセットに最適な適合を見つけるものです。AutoKaggleやTPOTのようなツールは、本質的に高度なブルートフォース検索アルゴリズムです[7]。それらは固定された人間によって定義された探索空間で機能します。既存の境界の中で最適化するのは得意ですが、新しいものを発明することはできません。最適な車を見つけることはできますが、新しいエンジンを設計することはできません。

SEA-TSは、今週アップロードされた論文に記載されている通り、全く異なる前提で動作します[3]。これは、時系列予測という特定の厄介な問題のために設計された自己進化型エージェントフレームワークです。小売やDTC需要計画の主力です。このフレームワークは、最適化を超えて真の発見に移行できるようにする3つの重要な革新の統合です。

まず、異なるAIエージェントが専門的な役割を持つマルチエージェントシステムを使用しています。予測モデルの実際のPyTorchコードを生成・修正する「コーディングエージェント」があり、それに合わせて、外部の知識ベース（arXivなど）から情報をその場で取得しながらコーディングエージェントの選択を情報提供する「深い研究エージェント」がいます[3]。これは、コードを書く前に関連する教科書を即座に読み取れるジュニアデベロッパーがいるようなものです。

次に、探索プロセスは**Metric-Advantage Monte Carlo Tree Search (MCTS)**というものによって導かれます。これは非常に重要な違いです。AIにおける従来のMCTSは、エージェントがわずかな改善に対して報酬を与えることがあります。しかし、Metric-Advantage MCTSは、選択したメトリック（予測の平均絶対誤差など）における統計的に意味のある改善に基づいて探索プロセスを報酬します。これにより、探索がより効率的かつ堅牢になり、統計ノイズを追いかけることを防ぎます[3]。より弾力性のある厳正で目的のある探検です。

最後に、最も重要なのは、MAP-Elites品質多様性アーカイブを組み込んでいます。これは秘密の成分であり、ベーカーの直感に相当します。ただ「最高の」モデルを探すのではなく（このプロセスはしばしばローカル最適解にハマります）、MAP-Elitesは、構造的に異なりながらも、高パフォーマンスの多様なソリューションの集団を維持します[3]。このアーカイブは、モデルをいくつかの「表現的次元」に沿ってインデックスします——例えば、モデルが崩壊にどのように対処するか、またはどのようなバイアスを含むかなどです。これにより、システムは、人間のデザイナーや標準の最適化アルゴリズムが無視する可能性のある奇妙で非伝統的なアーキテクチャを探索せざるを得なくなります。これらの奇妙な小道を探索することで、SEA-TSは最も興味深い発見をしています。

AIが新しい販売予測方法を発見した？

SEA-TS論文で最も挑発的な主張は、フレームワークが「確立された技術の範疇を超えた真に新しいアーキテクチャ的パターンを発見できる」ということです[3]。これはすべてのCTOに警鐘を鳴らすべきです。AIがより速いまたはより効率的であることは一つのことですが、より創造的であることはまた別のことです。著者たちは、エージェントによって発見された2つの具体的な例、「物理的にインフォームドデケイヘッド」と「学習可能な時間バイアス」を提供しています。

商取引の文脈でこれを分解してみましょう。標準的な予測モデルは、プロモーションの影響の減少をモデル化する際に、単純な指数的減衰を使用するかもしれません。影響は最初の日に最も強く、予測可能に弱まります。しかし、「物理的にインフォームドデケイヘッド」は、エージェントによって発見されたアーキテクチャのコンポーネントで、異なる方法で減衰をモデル化することができるかもしれません──おそらく、深い研究エージェントが引き出した熱力学や流体力学の原則を使用するかもしれません。それは、緩やかな変化ではなく、エコーと復活があるウイルスマーケティングキャンペーンの複雑な社会的感染の影響をうまく反映するような減衰パターンを発見するかもしれません。エージェントはこの知識でプログラムされているわけではありません。コードを進化させてデータに対してテストすることにより、MAP-Elitesアーカイブの導きによってパターンを発見します。

「学習可能な時間バイアス」は、オンラインと実店舗の両方を持つ小売業者にとってさらに興味深いものです。あなたのデータサイエンスチームは、モデルに「日中の時間」の機能を手動で追加するかもしれません。ランチタイムや夕方に販売がピークに達することは知っています。しかし、SEA-TSができることは、はるかに微妙で学習可能なパラメータを作成することです。平日午後2時30分に（学校後の親たちのラッシュ）マイクロスパイクがある一方で、午後4時30分には（みんなが交通渋滞に遭遇しているから）減少があることを、あなたのロサンゼルス店で発見するかもしれません。ニューヨーク店では、パターンは全く異なります。エージェントによって進化した学習可能なバイアス用語は、これらの超ローカルで店舗固有のパターンを自動的に捉えることができます。人間がそれらを仮定する必要はありません。

もちろん、懐疑的であることは妥当です。これらは本当に「新しい」発明ではなく、既存の概念の巧妙な再構成にすぎないと主張する人もいるかもしれません。これは他のエージェントシステムの批判が指摘してま[1]。彼らはFacebookのProphetのような従来のモデルにおける変化点検出との類似性を見出すかもしれません。しかし、これはポイントを見逃しています。革命は必ずしも新しい数学の発明ではありません。革命は自律性です。システムは、非常に経験豊富で、忍耐強く、非常に創造的なデータサイエンティストの作業を僅かな時間で行いました。あなたのチームがトップ50のSKUのために機能を手動で調整している間に、SEA-TSはすでにあなたのカタログにあるすべての10,000のSKU向けにカスタムで最先端の（SOTA）予測アーキテクチャを進化させ、そしてあなたが探しもしなかったパターンを発見しています。この論文は「公共のベンチマークにおいてSOTAのパフォーマンスを達成し、業界のデータセットにおいて大幅な改善を果たした」と述べています[3]。その最後の部分こそが、あなたを夜も眠れなくさせるはずです。

自律研究者の商取引AIアーキテクチャ

このような重要な飛躍がなぜ起こるのかを理解するには、アーキテクチャに目を向ける必要があります。今日の典型的なAIパイプラインは、リトリーバル・オーグメンテーション・ジェネレーション（RAG）を使用した高度なものでも、主に直線的です。ユーザーのクエリはベクターデータベースからのデータで豊かにされ、LLM が応答を生成します。これは一方通行の道です。

SEA-TSは循環的な進化的アーキテクチャを実装します。それは、継続的な改善のための閉じたループです。これは工場の組立ラインのようではなく、生物的なエコシステムのようです。

ここにフィードバックループの簡略化されたビューがあります：

これは単なるデータパイプラインではなく、他のパイプラインを生成し最適化するためのエンジンです。これを、エージェントを使ってMLデータパイプラインを最適化することに特化したフレームワークstratumと比較してください[4]。SEA-TSは、抽象のチェーンの上の一歩であり、モデリング論理そのものを最適化しています。コーディングエージェントとリサーチエージェントの間の相乗効果、MCTSによって調整されMAP-Elitesによってキュレートされることが、それをとても強力にしています。これは、より速い車を作ることと、それ自体でより速い車を設計し製造する工場を構築することの違いです。

Metric-Advantage MCTSが重要な理由

標準の探索アルゴリズムは、ランダム性に翻弄される可能性があります。モデルが単一の実行で0.1%の改善を示すと、そのアルゴリズムはそのリードを追いかけます。これは単なる統計のフリクリの場合でもです。Metric-Advantage MCTSは、より多くを要求します。統計的に重要な改善を探します。基本的に、「この新しいモデルは信頼できる改善がなされているのか、それともたまたま運が良かったのか？」と問いかけます[3]。この規律は、エージェントが行き止まりの道筋に大量の計算時間を無駄にしないことを保証します。商取引ビジネスにとって、進化したモデルは、今後の見たことのない販売データに対して堅牢で一般化しやすい可能性が高いということです。

MAP-Elitesの多様性の力

これはアーキテクチャの中で最も重要で直感に反した部分です。異なる方法で良好な解決策のライブラリを維持させることで——あるモデルはフラッシュセールを予測するのが得意で、その他は平凡なパフォーマンスを示し、さらに別のものは非常にシンプルで迅速——AIが近視眼的になるのを防ぎます[3]。これはグループシンクに対する内在的なメカニズムです。この多様性は革新の発芽です。「物理にインフォームドデケイヘッド」は、従来の最適化手法が直接ではなく、早期に見放された因子を探索するように促されたために登場した可能性があります。この側面、すなわち多様性を質の高いものと同様に優先することが、SEA-TSを単なる最適化手法から発見エンジンに引き上げる要因です。

あなたの需用予測と自己進化型予測

小売業やDTCブランドにとって具体的な意味は膨大です。数十年にわたり、需要予測は遅く、手動で高コストな作業でした。あなたの作業フローはおそらく次のようなものでしょう：高額のデータサイエンティストチームがデータのクリーニングを何週間もかけて行い、数十の機能を手動で設計し（祝日やプロモーション、季節性）、数少ないモデル（ARIMA、Prophet、場合によってはLSTM）をテストし、最終的に1つを展開します。そのモデルはそこに停滞し、次の四半期または年間レビューまで古くなります。それは世界の静的なスナップショットです。

SEA-TS駆動のワークフローは、継続的で自律的なプロセスです。それは映画であり、スナップショットではありません。

論文が「業界のデータセットにおいて大幅な改善を果たした」と述べるとき、これはただの学術的自慢ではありません[3]。大規模小売業者にとって、予測精度の5%の改善は、在庫運搬コストの数千万または数億ドルの削減、在庫欠品の最小化、より効率的なマーケティング支出につながる可能性があります。これらの利得を達成し、自身を継続的に改善する自律型システムの実現は、商取引AIアーキテクチャを考え直すパラダイムシフトです。

エージェントストアフロントの準備：あなたのスタックは知覚的予測を処理できるか？

つまり、あなたのクラウドには新しい自己進化型の予測神があります。それは毎時間、SKUレベルでの需用予測を超高精度で提供しています。素晴らしい。さて、次は何ですか？この新しい能力は、残りの商取引スタックが毎週のバッチスケジュールで運営されている場合、全く無駄です。これはエージェントストアフロントの準備の課題です。

あなたの現在のアーキテクチャはおそらく脆弱です。予測ツールと在庫管理システムや企業資源計画（ERP）との接続は、おそらくは一日一回アップロードされるCSVファイルです。あなたの価格エンジンは、3ヶ月前に設定された人間のマーチャンダイザーによって規則がハードコーディングされているかもしれません。これはうまくいくはずがありません。

自律型予測エージェントのメリットを生かすためには、全体の商取引AIアーキテクチャを、それと同じように：動的、リアルタイム、イベントドリブンにする必要があります。もしSEA-TSエージェントが特定のSKUに対して次の72時間で30%の需要急増を予測する新しいモデルを進化させた場合、その予測は一連の自動アクションを引き起こす必要があります:

1. 在庫とフルフィルメント： IMSは自動的に全ての流通センターの在庫レベルを確認し、必要に応じてアラートを生成したり、サプライヤーに自動的に発注書を生成したりします。
2. 動的価格設定： あなたの店の価格エンジンは、この信号を受け入れ、マージンを最大化するか、または在庫切れを防ぐために需要急増を抑えるためのマイクロ価格調整を考慮できる必要があります。
3. マーケティングオートメーション： あなたのマーケティングプラットフォームは、その製品に対して、より多くの広告予算を割り当てるか、特定の顧客セグメントへのメールキャンペーンをトリガーすることができるべきです。

これらの接続が人間の介入や遅いバッチプロセスに依存する場合、あなたはエージェントが生み出したすべての価値を失うことになります。本当のエージェント商取引は、単なる賢いエージェントを持つことではなく、それらのエージェントが提供する知性に基づいて行動できる相互接続された応答システムの神経系を構築することです。あなたの静的で一枚岩の商取引プラットフォームは、弱点です。未来には、予測エンジンが大きな知的ネットワークの中の一つのノードになる、分散型でAPI優先のアーキテクチャが必要です。

これはあなたのブランドにとって何を意味するのか

これは2030年の問題ではありません。論文は今週発表されました[3]。このようなフレームワークや、今後必然的に続く他のフレームワークは、次の18-24か月でオープンソースライブラリや商業製品にパッケージされます。あなたには準備のための限られたウィンドウがあります。これはもはや単なる学術的な好奇心ではなく、レガシー運営モデルに対する直接的な脅威であり、それに備えることで大きな機会を得られます。

では、具体的なステップは何ですか？Lodge Breadスタイルの静的なレシピから、進化し続ける生きたスターターへ移行するにはどうすればよいのでしょうか？

まず、現在の予測とデータインフラストラクチャの徹底的な監査を実施する必要があります。 あなたの需要予測はどこから来ていますか？それは財務チームによって更新されるExcelスプレッドシートですか？3年前に誰かが書いたPythonスクリプトですか？それが頼っているデータ——あなたの販売履歴、プロモーション、在庫レベル——はクリーンで細かく、API経由でアクセス可能でしょうか？あなたのAI検索と分析の構造化データが混乱している場合、どんなエージェントも助けることはできません。データの整理は、交渉の余地のない第一ステップです。

次に、AI体験ラボを構築する時が来ました。 これは大規模な数百万ドルのR&Dセンターではありません。小規模で集中したチームがチューする新しいエージェントフレームワークをテストを開始できる、クラウド内のサンドボックス環境です。最初として、トップ10のSKUの需要予測などの良く理解された問題から開始しましょう。SEA-TSやstratumを使用して、データパイプラインを構築し、ほかの新興エージェントシステムを試す自由を与えましょう[4]。目的は即時の生産展開ではなく、制度的な知識の構築です。これらのエージェントがどのように考え、失敗し、安全に統合するために何が必要かを学ぶ必要があります。

最後に、商取引プラットフォームのアーキテクチャを再評価する必要があります。 リアルタイムのデータ統合が困難または不可能になる堅牢で一枚岩のプラットフォームで運営している場合、深刻な問題があります。商取引の未来は、コモース可能でイベントドリブンです。予測のようなコアサービスを入れ替えることなくビジネス全体を再プラットフォームする必要があります。エージェント商取引のアーキテクトとして、これは私がすべてのクライアントと話している会話です。過去10年間、安定性を提供した一体型スイートは、現在新しいエージェントの現実を受け入れることを妨げているものであり、あなたを cage状態にしています。

不快な未来は自律です

私たちは興味深い転機にいます。私たちは手作業のタスクを自動化するシステムの構築から始まりました。今、私たちは知的発見を自動化するシステムを構築しています。SEA-TSのようなフレームワークは、単に質問に答えるだけでなく、より良い質問を発見します。このシステムを他のエージェントフレームワークと組み合わせると、その意味はさらに深まります。stratumを使って最適なデータパイプラインを構築するマスターエージェントを考えてみてください[4]。その後、SEA-TSを使用してカスタム順序予測アルゴリズムを進化させ、最後に予測に基づいてマーケティングキャンペーンを実行する他のエージェントを使います。人間の役割は、ビルダーから問題空間のアーキテクトにシフトします——目標、制約、および報酬関数を定義する者です。

あなたのデータサイエンスチームは、明日SEA-TSによって置き換えられることはありません。しかし、彼らの職務は永遠に変わるでしょう。彼らはモデルビルダーからモデルビルディングエージェントのキュレーターに移行します。彼らはパン職人となり、サワードウのスターターを世話し、その進化を導き、最終製品が単に技術的に正しいだけでなく、戦略的にも妥当であることを保証します。次の10年間で勝つブランドは、今日から自社のスターターを構築し始めるブランドです。

CTO.LAは、商取引ブランドがこの未来をサポートするエージェントインフラを構築しています。お話ししましょう。

• agentic commerce
• commerce ai architecture
• ai
• machine learning