2026年のエージェンティック AI: Hermes、NVIDIA Nemotron、そしてオープンモデルのスタック

2026年の面白いフロンティアは、より大きなチャットボットではない。それはエージェントだ。計画を立て、ツールを呼び、結果を読み、タスクが完了するまでループを回すモデルである。チャットは質問に答える。エージェントはシステムの状態を変える。そしてモデルが行動できるようになった瞬間、信頼性は嬉しいおまけであることをやめ、製品そのものになる。

2つのオープンウェイト系統が、セルフホスト型エージェントの背骨になった——Nous Research の Hermes と NVIDIA の Nemotron だ。ここでは、なぜそうなのか、そしてその周りのスタックがどんな姿をしているのかを示す。

「エージェンティック」が本当に要求するもの

有能な会話モデルが、自動的に有能なエージェントになるわけではない。エージェントは、より狭い一群のスキルで生きるか死ぬかが決まる:

• Function calling — 整形式でスキーマに準拠したツール呼び出しを、たいていではなく毎回、発行すること。
• 構造化出力 — 周りのコードがヒューリスティックなしにパースできる信頼できる JSON。
• 操縦性(steerability) — エージェントの役割と限界を定義する system prompt に実際に従うこと。
• ループ下での推論 — 複数ステップの作業を計画し、ツールがエラーを返したときに立ち直ること。

雑学で 2% 優れているが、有効なツール呼び出しの発行で 20% 劣るモデルは、より劣ったエージェントだ。この一つの事実が、オープンモデルの地形のほとんどを説明する。

Hermes: オープンで操縦しやすい働き者

Nous Research の Hermes は、Llama のようなオープンなベースの上に構築された fine-tune の系統だ。その評判は、エージェントを作る者が気にかける3つのことに支えられている。強力な function calling、頼れる構造化/JSON 出力、そして意図的に中立で操縦しやすいアラインメント——ベンダーがハードコードしたペルソナではなく、あなたの system prompt に従う。

自分自身のガードレールに収まって予測可能に振る舞う必要があるセルフホスト型エージェントにとって、その操縦性こそが魅力のすべてだ。あなたが役割を定義し、モデルがそれに忠実に従う。それは、以前私が探った、モデルをローカルで動かすことの背後にあるのと同じ本能だ——重みだけでなく、振る舞いに対する制御である。

NVIDIA Nemotron: ツール向けに調整された推論

Nemotron は NVIDIA のオープンモデル系列であり、Llama Nemotron 推論モデル(Nano、Super、Ultra のサイズ)は、エージェンティックな作業のために明示的に調整されている。複数ステップの推論とツール呼び出しを備え、難しいタスクには推論をオンに、安いタスクにはオフに切り替えられる。オープンウェイトで提供され、標準的な API の背後にデプロイするために NIM マイクロサービスとしてパッケージ化されている。

Nemotron 系統は、地味な場所でもその働き分を稼ぐ。合成データ生成だ。より大きな reward や instruct のバリアントは、他のモデル——あなた自身が fine-tune するかもしれないエージェントを含む——の学習データを生成・採点するために広く使われている。

モデルの周りのスタック

モデルは、機能するエージェントのおそらく3分の1にすぎない。残りはエンジニアリングだ:

• ツールスキーマ — 引き締まって、よく説明された関数定義。曖昧なスキーマは曖昧な呼び出しを生む。
• オーケストレーション — 計画/行動/観察のループ(ReAct 方式)。ステップ制限とタイムアウトを設けて、混乱したエージェントが永遠にトークンを燃やす代わりに素早く失敗するようにする。
• ガードレール — すべてのツール呼び出しを実行前に検証せよ。モデルがチェックなしに本番システムへ到達することを決して許すな。
• Eval — モデルやプロンプトを変えるたびに再実行する黄金のタスク集。eval がなければ、それはエンジニアリングではなく当てずっぽうだ。
• 可観測性 — すべてのステップをトレースせよ。エージェントが午前2時に暴走したとき、あなたを救うのはトレースだけだ。

オープン vs API: どう選ぶか

フロンティアの API モデルは、いまなお有能なエージェントを今日動かす最も簡単な方法であり、多くのチームにとってそれが正しい判断だ。オープンなスタック——Hermes、Nemotron——に手を伸ばすのは、データレジデンシー、大容量での予測可能なコスト、fine-tuning による深いカスタマイズ、あるいは単に来四半期に足元でモデルが変わらないという保証が必要なときだ。しばしば現実的な答えは混合だ。難しい推論にはフロンティアモデルを、高頻度でよく範囲の定まった呼び出しにはオープンモデルを。

---

エージェンティック AI が報いるのは、モデルの誇大宣伝よりもはるかに、退屈なエンジニアリングの規律だ。引き締まったツール、厳格なループ、本物のガードレール、そして信頼できる eval。ツール呼び出しが本当に得意なモデルを選び——Hermes も Nemotron も両方そうだ——エネルギーはその周りのハーネスに注げ。エージェントを実際のビジネスデータに配線するなら、データが住む場所から始めよ。Databricks の lakehouse と Fabric と Copilot Studio だ。