検索システムに教えるのが最も難しいのは自制心である。ほとんどのAIエージェントは、情報を検索するよう指示されると、トークン制限やタイムアウトに達するまでコンテキストを引き続けてしまう。Databricksは、実際に完了した時点で停止するように訓練されたエージェントを開発した。
結果として得られたのは、強化学習に基づく検索強化生成エージェントKARLで、Claude Opus 4.6と同等のパフォーマンスを実現しながら、コストは33％削減され、遅延は47％低減されています。
エージェントに停止を教える
KARLの核心的な洞察は、検索の非効率性が通常、タイミングの問題であるということです。従来のRAGシステムは必要な以上のコンテキストを取得し、重複する情報を処理して計算リソースを消費します。KARLは強化学習を用いて、追加の検索が価値をもはや生まないタイミングを認識し、デフォルトで継続するのではなく検索を停止します。
Databricksは、エージェントがさらに取得するかどうかを決定する前に、すでに取得した内容を圧縮できるコンテキスト圧縮という技術と組み合わせています。
エージェント・ブリックスがこの状況に加えるもの
KARLは、2026年9月に発表されたAgent Bricksという、Databricksが導入したより大きなフレームワーク内に位置しています。Agent Bricksは、自動最適化され、ドメイン特化型エージェントを構築するためのプラットフォームです。この概念は、企業が展開するすべてのモデルを手動でチューニングする必要がないというものです。Agent Bricksは、平易な言語で定義された特定のタスクタイプに応じて、エージェントの動作を自動的に調整します。
ローンチ以来、プラットフォーム上で10万人以上のエージェントが構築されました。このフレームワークは、ClaudeやGPTのバリエーションを含む主要なモデルプロバイダーをサポートし、ガバナンスはDatabricksのUnity Catalogを通じて実行されます。
Databricksは、AI Search製品にリランキング機能を追加しました。リランキングとは、取得されたドキュメントの初期セットを言語モデルに渡す前に、関連性に基づいて再スコアリングするプロセスです。エンタープライズベンチマークにおける精度の向上は平均で15パーセンテージポイントでした。
フロンティア価格なしでフロンティアの精度
Databricksが内部で挙げているベンチマーク数値によると、並列思考や複数LLM設計のような専用エージェント手法を使用すると、特定のタスクタイプでの精度が約32%から90%以上に向上します。
検索と推論タスクにおいてClaude Opus 4.6と同等の性能を発揮しつつ、コストを3分の1に削減することで、Databricksはエンタープライズ市場で注目すべき立場に位置しています。同社は基礎モデルを販売しているのではなく、基礎モデルをスケールして利用可能にするインフラを提供しています。