2026年10月15日、AWSはMetaが開発したオープンウェイトモデル「Muse Spark Open」がAmazon SageMaker JumpStartで利用可能になったと発表しました。AWSの発表によると、同モデルはエージェントによるコーディング向けに最適化されており、AWSインフラ上で稼働するエンタープライズソフトウェア工学に向けて、多段階の推論とツール呼び出しを提供する目的で構築されています。
発表内容の詳細は、AWS公式の案内であるMuse Spark Open model now available on Amazon SageMaker JumpStart - AWSで確認できます。AWSの説明によれば、同モデルは複数ファイルのリファクタリングや長時間のデバッグといった実際の開発フローを学習しており、単発のツール呼び出しにとどまらず、長い作業工程の中で計画、行動、結果の観察、自己修正を行う設計とされています。総パラメータ数816B・トークンあたりアクティブ42BのMixture-of-Experts（MoE）アーキテクチャを採用し、100万トークンのコンテキストウィンドウによって、依存関係やレガシーコードを含むプロジェクト全体の取り込みを想定しています。JumpStartでは通常のBF16版に加え、メモリ要件を抑えたNVFP4量子化版も利用可能です。
自社AWSアカウント内での稼働と事前の利用条件確認
今回の提供形式における大きな特徴は、JumpStartを通じてデプロイしたエンドポイントが顧客自身のAWSアカウント内で動作する点です。ソースコードや入力プロンプトを自社のアカウント環境内で管理できる配置経路として、SageMakerコンソールのモデルカタログやSageMaker Python SDKが案内されています。
ただし、モデルを実際に自社の開発支援へ組み込む前には、プラットフォーム側の共通ルールにも目を向けなければなりません。SageMaker JumpStart pretrained models - Amazon SageMaker AIの公式ドキュメントで説明されているように、JumpStartで第三者のコンテンツを利用する際は、適用されるライセンス条件を確認・遵守し、自社の用途に適しているかを判断する責任が利用者にあります。また、すべてのモデルがカスタマイズやファインチューニング、評価機能に対応しているわけではないため、コンソールのモデル詳細画面で該当モデルが対応している操作をあらかじめ確かめる必要があります。
既存システムの改修工程と接続する仮定例の検討
自社アカウント内に推論エンドポイントを配置できたとしても、それだけで既存システムの改修作業が自動的に完了するわけではありません。モデルがコードを読み取って編集し、テストを実行して結果を確認するためには、リポジトリへのアクセス、ツール呼び出しの制御、実行ログの保持といった周辺の仕組みとの接続が欠かせません。
たとえば国内企業の社内受注システムにおいて、帳票出力の項目追加を行う保守作業を仮定例として考えてみます。この場合、帳票レイアウトの定義ファイルだけでなく、画面入力の処理や帳票生成ロジック、単体テストなど、複数ファイルにまたがる修正が発生します。こうした作業をAIエージェントで試す際は、いきなり本番同等の環境全体を触らせるのではなく、過去の改修履歴から期待する出力結果や確認用データが揃っている案件を切り出すことが現実的です。
具体的には、AIに渡すソースコードや設計資料の範囲を限定し、コード変更案の出力と既存テストの自動実行を安全に試せる検証環境を準備します。そのうえで、テストの合否判定だけでなく、仕様を満たしているかどうかの最終判断を担当者がどの段階で行うかという確認ルールをあらかじめ決めておくことで、ツール呼び出しを伴う自律的な改修の実行範囲を安全に見極めやすくなります。
改修工程の整理とデノフへの相談
既存業務システムの保守・改修へAIエージェントの組み込みを検討する際は、モデル自体の性能確認に加えて、既存リポジトリやテスト環境との接続要件、人が介在する確認ポイントの切り分けが欠かせません。
デノフでは、デノフのサービス案内に記載している通り、Webサイトや社内業務システムの設計・開発・運用保守から、AIを活用する業務の選定やツール選定、導入後の定着支援までを一貫して提供しています。自社の運用手順に合わせた接続要件の整理や、検証範囲の設計について課題をお持ちの際は、デノフへの相談窓口よりお気軽にご相談ください。
