融資システムのテストを担当すると、「一般的なシステムテストと同じ考え方でよいのか」「どの機能まで細かく確認すればよいのか」と迷いやすいものです。 特に融資業務は、申込情報を登録して終わるものではなく、 審査・承認・契約・融資実行・返済まで複数の処理が連続してつながっています 。 個人融資を扱うシステムでも、商品や申込内容に応じたワークフロー、自動審査、信用情報機関への照会、勘定系システムとの連携など、多くの機能が組み合わされています。 そのため、個々の画面が正常に動くことだけを確認しても、融資システム全体の品質を十分に確かめたことにはなりません。 融資金額や金利、返済額、審査結果などに誤りがあれば、顧客や金融機関の業務へ大きな影響を与える可能性があります。 金融機関のシステムでは、システムの停止や誤作動、不正使用などによって顧客や金融機関が損失を被るリスクも考慮する必要があります。 そこで今回は、 融資システムで押さえたいテスト観点とテストケースの作り方を、業務の流れとリスクの両面から整理しました！ 融資業務に不慣れな場合でも、どこから確認すればよいか判断できるよう、実務に落とし込みやすい順番で解説します。 import haihaiInquiryFormClient from "https://form-gw.hm-f.jp/js/haihai.inquiry_form.client.js";haihaiInquiryFormClient.create({baseURL: "https://form-gw.hm-f.jp",formUUID: "927d2c4e-f06c-45b1-bd36-0240e55ccf72",}) ▼テストの種類について詳しい内容はこちら▼ 【保存版】テストの目的別タイプ一覧 まず押さえたい！融資システムのテストは「業務の流れ」から考える 融資システムのテストを考えるとき、最初から画面一覧や機能一覧を見てテストケースを書き始めると、重要な確認が抜けることがあります。 先に整理したいのは、 融資案件がどのような業務を通り、どのデータやシステムと関係するのか という全体像です。 たとえば個人融資では、申込内容に応じて審査を行い、信用情報や行内情報を取得し、条件を判定したうえで後続の手続きへ進む仕組みがあります。 融資実行後も、残高管理、条件変更、保証料計算、入出金、完済などの処理が続くケースがあります。 つまり、テスト対象を「申込画面」「審査画面」といった単位だけで捉えると、画面と画面の間で起こるデータ不整合や誤った状態遷移を見落としかねません。 業務フローを軸に機能を並べ、その流れが途中で崩れないか確認すること が、融資システムにおけるテスト設計の基本になります。 融資申込から返済までの流れをつかめば、テストの抜け漏れを減らせる！ まず、対象となる融資商品の業務フローを整理します。 一般的には、申込受付から審査、承認、契約、融資実行へ進み、実行後は返済や残高管理、条件変更などの処理につながります。 企業向けの融資管理システムでは、申込・契約登録・実行・請求・回収・延滞債権管理・返済条件変更などを一連の業務として扱う製品もあります。 ここで大切なのは、 各工程を独立した機能として見るのではなく、前後の工程とのつながりを見ること です。 たとえば、申込時に入力した融資希望額や顧客情報が審査処理へ正しく渡っているか、承認された案件だけが契約へ進めるか、契約済みの内容と実行時の条件が一致しているかを確認します。 業務フロー図だけでなく、状態遷移図、要件定義書、画面一覧、帳票一覧、外部インターフェース一覧なども組み合わせると、確認対象を洗い出しやすくなります。 商品によって業務ルールは異なるため、住宅ローンやカードローン、事業性融資などを同じテストケースで一律に扱わず、 対象商品のルールを起点にテスト範囲を決めること が重要です。 単体・結合・総合・受け入れテストの役割を整理しよう！ 融資システムでは、テスト工程ごとに確認する目的を分けると、同じ確認を繰り返すだけのテストになりにくくなります。 単体テストでは、金額計算や条件分岐、入力チェック、エラー処理など、個々のプログラムや機能が想定通りに動くかを確認します。 結合テストでは、画面、API（アプリケーション・プログラミング・インターフェース）、データベース、バッチ、外部サービスなどを組み合わせたときに、情報が正しく受け渡されるかを確認します。 システムテストでは、統合されたシステム全体が要求された動作を満たすかを確認し、受け入れテストでは業務上必要な処理を実際に遂行できるかを確かめます。 融資システムであれば、総合的なテストでは 申込から審査、契約、融資実行までを一つの業務シナリオとして通す視点 が重要です。 受け入れテストでは、単に仕様書通りかを見るだけでなく、担当者が現実の業務手順で問題なく処理できるか、必要な情報を確認できるかまで検証します。 工程ごとに「何を確認するか」だけでなく、 この工程でどのリスクを取り除くのか を決めておくと、テスト目的が明確になります。 テスト項目を増やす前に「障害が起きたら何が困るか」を考えよう！ テストケースを増やせば品質が比例して高くなるとは限りません。 システムが複雑になるほど、考えられる入力や条件の組み合わせも増えるため、すべてを同じ深さで確認するのは現実的ではありません。 そこで役立つのが、 障害が発生する可能性と、発生した場合の影響を踏まえて優先順位を付けるリスクベースの考え方 です。 融資システムなら、融資額や金利、返済額など顧客の金銭に直接関係する処理、審査・承認など融資判断を左右する処理は、優先度を高く設定しやすい領域です。 「金利が誤って計算される」「否決案件が実行される」「同じ融資が二重実行される」「障害復旧後に同じ処理が再実行される」といった 起きてはいけない事象から逆算する方法 も有効です。 金融システムでは、停止や誤作動だけでなく、不正利用や重要情報への不正アクセスもシステムリスクになります。 限られた期間で品質を確保するには、すべてを均等に確認するのではなく、 業務への影響が大きい部分ほどテストを厚くする設計 が求められます。 ここは外せない！融資システムで確認したい重要テスト観点 融資システムには、一般的な業務システムでも必要になる入力チェックや画面遷移に加え、金融業務ならではのテスト観点があります。 特に重要なのが、 金額・金利・返済、審査条件、案件ステータス、権限、外部システム連携、日付処理 です。 個人融資の審査システムでも、自動審査、商品規定や審査規定による判定、信用情報機関への照会、勘定系やWeb申込システムとの外部連携など、複数の要素が組み合わされています。 実行後の管理では、残高や保証料、条件変更、入出金、完済などの処理も発生します。 それぞれを個別に確認するだけでなく、ある処理の結果が後続処理へ正しく反映されるかを見る必要があります。 ここからは、融資システムのテストケースを設計するときに優先して確認したい観点を整理します。 金額・金利・返済計算は「1円のズレ」まで確認する！ 融資システムで特に慎重に確認したいのが、 融資金額・金利・利息・返済額・残高などの金額計算 です。 画面に表示された結果だけでなく、内部データ、帳票、外部システムへ連携される値まで一致しているかを確認します。 金額条件には、最低融資額や最高融資額、融資限度額などの境界が設定される場合があるため、境界値そのものだけでなく、その直前と直後もテストすると不具合を見つけやすくなります。 金利計算では、小数点以下の扱いや端数処理、切り上げ、切り捨て、四捨五入などのルールも確認対象です。 返済についても、通常の約定返済だけでなく、一部繰上返済、全額繰上返済、返済条件変更などを考慮します。 融資管理システムには、元金均等・元利均等・期限一括といった返済方法や、固定金利・変動金利、一部・全額の繰上返済を扱うものもあります。 計算結果だけでなく、その結果が後続処理へ正しく引き継がれるところまで確認すること がポイントです。 審査・承認は「条件の組み合わせ」と「境界」を重点的に確認する！ 融資審査では、一つの入力値だけで結果が決まるとは限りません。 商品条件や申込内容、行内情報、信用情報など、複数の情報を使って審査処理を行うシステムがあります。 そのため、テストケースでは どの条件によって審査結果が切り替わるのか を明確にする必要があります。 承認されるケースだけではなく、否決、保留、追加確認など、仕様上存在する結果を一通り通せるデータを準備します。 条件の組み合わせが多い場合は、すべての組み合わせを機械的に作るのではなく、判定結果が変化する条件を優先します。 たとえば限度額や対象年齢、申込期間などに境界がある場合は、条件を一つだけ変えて結果の変化を見ることで、判定ロジックの誤りを発見しやすくなります。 自動審査のあとに担当者の確認や承認を挟む仕組みでは、自動判定そのものだけでなく、 判定結果が正しい担当者へ渡り、その後の操作が適切に制御されるか まで確認しましょう。 ステータスと業務フローは「進めるケース」と「進めないケース」の両方を見る！ 融資案件には、申込受付、審査中、承認、否決、契約済、実行済、完済など、処理状況に応じた状態があります。 テストでは、正しい順番で状態が変わることに加えて、 本来は許可されない順番で処理できないこと も確認します。 たとえば、審査が終わっていない案件を契約済みにできないことや、否決された案件をそのまま融資実行できないことなどが確認例です。 正常系だけを実行していると、このような禁止ルートの不具合を見落としやすくなります。 さらに、現実の業務では取消、差戻し、再申請、再審査、条件変更など、一直線に進まないケースも発生します。 複数の担当者が同じ案件を操作できるシステムでは、同時操作によって更新内容が失われないか、承認や融資実行が重複しないかも確認したいポイントです。 「正しく進めること」と「誤った状態では進めないこと」をセットでテストする と、状態遷移に関する抜け漏れを抑えやすくなります。 権限・本人確認・セキュリティは「見えてはいけない・できてはいけない」まで確認する！ 融資業務では、顧客情報や審査情報など重要な情報を扱うため、権限制御やセキュリティも重要なテスト対象です。 担当者、承認者、管理者など役割が分かれている場合は、それぞれの利用者が参照・登録・変更・承認できる範囲を確認します。 画面上でボタンが非表示になっているだけではなく、URLを直接指定した場合やAPIを直接呼び出した場合にも、権限のない処理を実行できないことが重要です。 本人確認が必要な業務では、確認が完了していない状態で契約や融資実行などの後続処理へ進めないかも確認します。 金融機関では、システムの不正使用や重要情報への不正アクセス、漏えいなども重大なシステムリスクとして扱われます。 金融情報システムの安全対策に関する基準も継続的に更新されており、2026年3月には第14版が公開されています。 機能が正常に動くかだけではなく、 見えてはいけない情報が見えないこと、実行してはいけない操作が実行できないこと もテスト観点として組み込みましょう。 外部連携・バッチ・日付処理は「止まったとき」までテストする！ 融資システムは単独で完結せず、複数のシステムと連携するケースがあります。 個人融資の審査領域では、勘定系、情報系システム、Web申込システム、担保評価システム、個人信用情報機関などとの連携が考えられます。 そのため、正常にデータが返る場合だけでなく、 タイムアウト、通信切断、エラー応答、応答遅延などが発生した場合 も確認します。 通信エラー後に自動で再実行する仕組みでは、同じ申込や融資実行が二重登録されないことも重要です。 また、返済日や利息計算、期日管理などでは日付条件が結果に影響するため、月末、年末、年度末、うるう年、休日などのケースも検討します。 日次や月次のバッチ処理が途中で停止した場合は、復旧後にどこから再開するのか、処理済みデータが再処理されないかを確認します。 外部システムやバッチが正常に動く前提だけでテストせず、「止まる・遅れる・途中で失敗する」状況まで想定すること が重要です。 抜け漏れとムダを減らす！実践的なテストケースの作り方 重要なテスト観点を把握しても、そのまま項目を並べるだけではケース数が膨らみやすくなります。 融資システムでは商品、顧客属性、金額、審査条件、権限、状態など多くの条件が組み合わさるため、すべての組み合わせをテストしようとすると現実的な件数に収まらないことがあります。 テスト設計では、 何を確認するかと同時に、何を優先して確認するかを決めること が重要です。 リスクの高い機能や条件を厚く確認し、影響の小さい部分まで同じ粒度でテストしないよう濃淡を付けます。 また、ケース作成と並行してテストデータや証跡の残し方まで考えておけば、テスト実施段階での手戻りも抑えやすくなります。 ここでは、限られた工数の中でテストの抜け漏れとムダを減らすための具体的な方法を整理します。 まず「業務リスク×機能」の一覧を作って優先順位を付ける！ 最初に、対象機能とその機能で障害が発生した場合の影響をセットで整理します。 たとえば「融資実行」という機能だけを書くのではなく、「誤った金額で実行される」「同一案件が二重実行される」「未承認案件が実行される」といった問題まで具体化します。 そのうえで、顧客資産への影響、業務停止の有無、情報漏えい、復旧の難しさなどを基準に優先順位を付けます。 リスクベーステストは、 リスクの種類やレベルをもとにテスト活動やリソースの優先順位を決める考え方 です。 高リスクと判断した領域では、正常系だけでなく、異常系、境界値、組み合わせ、障害復旧などまで確認範囲を広げます。 反対に影響が限定的な機能では、重要な正常系を中心にするなど、テストの深さを調整します。 この整理を残しておけば、レビュー時にも「なぜこの機能を重点的に確認するのか」を説明でき、 ケース数ではなくリスクに基づいてテスト計画の妥当性を示しやすくなります 。 正常系だけで安心しない！6つの切り口でテストケースを広げる テストケースを考えるときは、正常系だけで終わらせず、 正常系・異常系・境界値・組み合わせ・状態遷移と権限・障害と復旧 という切り口から確認します。 正常系では、想定された申込内容と正しい業務手順によって、融資処理を最後まで完了できるかを確認します。 異常系では、必須項目不足、不正な入力、外部連携エラーなどに対して適切なエラー処理が行われるかを見ます。 境界値では、融資限度額や年齢、期間など、判定結果が切り替わる値の直前・境界そのもの・直後を確認します。 組み合わせでは、商品、顧客属性、申込条件、審査条件などを組み合わせたときに、単独条件では発生しない不具合がないかを確認します。 状態遷移と権限では、案件の状態や利用者の役割によって操作可否が適切に変わるかを検証します。 障害と復旧では、処理中断や通信失敗後に データ不整合、処理漏れ、二重処理が残らないこと まで確認すると、実運用に近いテストになります。 テストデータは「ケースを書いたあと」ではなく設計段階で準備する！ テストケースが完成してからデータを用意しようとすると、「必要な条件の顧客を作れない」「審査結果を狙った状態にできない」といった問題が起こりやすくなります。 そのため、 テストケースを設計する段階で必要なデータ条件も同時に決めること が大切です。 たとえば正常に承認されるデータだけでなく、限度額ぎりぎり、審査条件を一つだけ満たさない、延滞状態、返済条件変更後など、確認したい結果を再現できるデータを整理します。 前工程で作った案件を後工程でも利用する場合は、どのデータが申込中で、どのデータが承認済みなのかといった状態管理も必要です。 同じデータを複数人が使うと、途中で状態が変わって再現できなくなることもあるため、利用ルールを決めておくとテストが安定します。 また、個人情報や金融情報を扱うシステムでは、本番情報を安易にコピーするのではなく、プロジェクトのセキュリティルールに沿ったデータ準備が欠かせません。 何度実行しても同じ条件を再現できるデータを用意しておくこと は、再テストや障害解析の効率向上にもつながります。 テスト結果は「合格・不合格」だけでなく、判断できる証跡を残す！ テストを実行した結果として「合格」と記録するだけでは、あとから同じ結果を確認することが難しくなります。 実施日時、使用したテストデータ、操作内容、期待結果、実際の結果などを追跡できる形で残しておくと、レビューや障害調査が進めやすくなります。 必要に応じて画面キャプチャ、APIの応答内容、ログ、帳票などを保存し、 第三者が見ても期待結果と実際の結果を比較できる状態 にします。 金融系システムのテストでは、操作ログや画面キャプチャなど大量の証跡を扱うケースがあり、証跡取得自体が大きな作業になることもあります。 すべての操作で大量の証跡を残せばよいわけではなく、プロジェクトのルールや確認目的に合わせて取得対象を決めることが重要です。 不具合が見つかった場合は、入力データや操作順序、ログなどから同じ現象を再現できる情報を残します。 結果を残す目的は資料を増やすことではなく、あとから正しく判断・再現できるようにすること と考えると、必要な証跡を選びやすくなります。 自動化は「全部やる」のではなく、繰り返すテストから始める！ 融資システムのテスト工数を減らす方法として、自動化を検討するケースもあります。 ただし、最初からすべてのテストを自動化しようとすると、シナリオ作成や保守に時間がかかり、かえって負担が増えることがあります。 まずは、 同じ操作を何度も繰り返す回帰テストや、期待結果を機械的に判定しやすい処理 から候補を選ぶ方法が現実的です。 金額計算の確認、APIテスト、データの比較、同一シナリオの繰り返し実行などは、自動化を検討しやすい領域です。 実際の融資管理システム開発でも、手作業で行っていたテストに自動化を導入し、証跡取得や結果確認の負担を軽減した事例があります。 一方で、担当者による業務判断や画面の使いやすさなど、人が確認したほうが適切な項目まで無理に自動化する必要はありません。 金融系の開発・テスト環境ではネットワークやセキュリティ上の制約も考えられるため、導入前に実行環境やツールの保守方法まで確認します。 自動化率の高さではなく、繰り返し工数や確認負荷をどれだけ減らせるかを基準に対象を選ぶこと が重要です。 まとめ｜融資システムのテストは「機能」ではなく「業務リスク」から組み立てよう！ 融資システムのテストでは、画面や機能を一つずつ確認するだけではなく、 申込・審査・契約・融資実行・返済までの業務全体をつなげて考えること が重要です。 特に、融資金額や金利、返済計算、審査条件、状態遷移、権限、外部システム連携、日付処理などは、融資業務の品質を左右しやすい確認領域です。 正常に処理できるケースだけでなく、異常値、境界値、禁止操作、通信障害、処理中断後の復旧まで対象を広げることで、本番環境で問題になりやすい不具合を見つけやすくなります。 ただし、考えられる条件をすべてテストしようとするとケース数が膨大になるため、重要度を無視した網羅は現実的ではありません。 障害が起きた場合にどのような影響が出るのかを整理し、影響の大きい領域から優先してテストを厚くすること が、品質と工数を両立するポイントです。 テストデータや証跡、自動化についても、テスト実行を始めてから考えるのではなく、設計段階から準備しておくと手戻りを抑えやすくなります。 まずは対象となる融資商品の業務フローを書き出し、それぞれの工程で「起きてはいけない事象」を整理するところから始めると、必要なテスト観点を体系的に洗い出せるようになります。 QA業務効率化ならPractiTest テスト管理の効率化 についてお悩みではありませんか？そんなときはテスト資産の一元管理をすることで 工数を20%削減できる 総合テスト管理ツール「 PractiTest 」がおすすめです！ PractiTest (プラクティテスト) に関する お問い合わせ トライアルアカウントお申し込みや、製品デモの依頼、 機能についての問い合わせなどお気軽にお問い合わせください。 お問い合わせ この記事の監修 Dr.T。テストエンジニア。 PractiTestエバンジェリスト。 大学卒業後、外車純正Navi開発のテストエンジニアとしてキャリアをスタート。DTVチューナ開発会社、第三者検証会社等、数々のプロダクトの検証業務に従事。 2017年株式会社モンテカンポへ入社し、マネージメント業務の傍ら、自らもテストエンジニアとしテストコンサルやPractiTestの導入サポートなどを担当している。 記事制作： 川上サトシ （マーケター、合同会社ぎあはーと代表）

ビジネスチャンス 組織は、エンタープライズレディな AI エージェント、つまりテクノロジーランドスケープ全体のツールやデータソースに安全に接続し、ライブのビジネスデータをもとに推論し、自律的にアクションを実行できるエージェントの構築にますます注目しています。世界中のお客様がこのニーズを肌で感じています。Harman International、Fortescue、PLDT などの複数のお客様は、従来の自動化の枠を超えて、企業全体でインテリジェントな意思決定を実現しようとしています。これらのお客様は、AI エージェントを SAP システムやその他のエンタープライズワークフローに接続し、財務プロセスにおける例外処理のオーケストレーション、調達ワークフローにおけるインテリジェントな自動化の推進、テクノロジーアップグレード時のデータ管理の最適化、サプライチェーンオペレーションのリアルタイムでの効率化を目指しています。しかし、このようなエージェントを構築するには、エージェントと連携先システムとの密結合が必要となり、それぞれを独立して開発、デプロイ、更新することが困難でした。 堅牢でスケーラブルな AI エージェントエコシステムは、エージェントとエージェントが使用するツールとの間のシームレスな相互運用性を実現する、標準化された通信プロトコルに依存しています。AWS は、真にエンタープライズレディな AI エージェントへの道は、エージェントとツールを疎結合にすることにあると考えています。これを実現するために、AWS は 2 つのオープンスタンダードを採用しました。2024 年に Anthropic がオープンソース化した Model Context Protocol （MCP）は、AI エージェントが外部のツールやデータソースに接続する方法を標準化し、任意の MCP クライアントが任意の MCP サーバーを検出して操作できるようにします。2025 年 4 月に Google が発表した Agent-to-Agent プロトコル （A2A）は MCP を補完するもので、異なるフレームワーク、ベンダー、組織の境界を越えて、独立した AI エージェント間の自律的なコラボレーションを可能にします。この 2 つが組み合わさることで、エージェントとツールを独立して開発、デプロイ、更新できる疎結合アーキテクチャが実現します。 今月初め、AWS は Amazon Bedrock AgentCore 上での AWS for SAP MCP Server の一般提供開始を発表しました。これは、この疎結合なエージェンティックアーキテクチャをお客様の SAP ランドスケープにもたらすために専用に構築されたものです。SAP が財務、調達、ロジスティクスなどの API を標準化するために使用している Open Data Protocol （OData）を基盤として構築された AWS for SAP MCP Server により、MCP クライアントとエージェントは SAP のビジネスデータやビジネスプロセスに接続できます。AWS for SAP MCP Server と Amazon Bedrock AgentCore を組み合わせることで、AI エージェントは SAP のデータとビジネスプロセスを理解し、それらをもとに推論し、リアルタイムでアクションを実行できます。しかも、完全な可視性、エンタープライズグレードのセキュリティ、そして企業のニーズに合わせて成長できるスケーラビリティを備えています。AWS for SAP MCP Server は、SAP Sapphire 2026 での発表を紹介した最近の AWS ブログ でも取り上げられています。 AWS for SAP MCP Server とは？ AWS for SAP MCP Server は、SAP ERP のビジネスデータとビジネスプロセスをファーストクラスの MCP ツールへと変換します。 Amazon Quick 、 Strands SDK 、 SAP Joule Studio でエージェントを構築する場合でも、A2A を使用してマルチエージェントワークフローをオーケストレーションする場合でも、AWS for SAP MCP Server を使えば、エージェントはすぐにライブの SAP データを検出して操作できるようになります。AWS はこの MCP サーバーをコンテナイメージとして無償で提供しており、MCP サーバーを大規模にホスティングするためのフルマネージドサービスである Amazon Bedrock AgentCore Runtime にデプロイできます。Amazon Bedrock AgentCore Runtime は、セッションの分離、SAP リソースへのプライベート接続、そして Amazon Bedrock AgentCore Identity による安全なインバウンドおよびアウトバウンドの認可を担うため、お客様はインフラストラクチャの管理ではなくエージェントの構築に集中できます。 AWS for SAP MCP Server の中核は、OData API として公開された SAP のビジネスデータとビジネスプロセスを MCP ツールとして橋渡しすることです。Amazon Bedrock AgentCore Runtime と組み合わせることで、MCP クライアントは以下のことが可能になります。 ファーストクラスの MCP ツールを通じて利用可能な SAP OData サービスを検出し、エージェントが SAP ERP システムで利用可能なビジネスプロセスおよびデータ API のカタログにアクセスしてオーケストレーションを行えるようにする 受注伝票、購買発注、品目、会計伝票などの SAP ビジネスオブジェクトの作成（Create）、読み取り（Read）、更新（Update）、削除（Delete） エンタープライズ ID プロバイダーと業界標準の OAuth 2.0 を使用して、ユーザーとエージェントを安全に認証・認可する SAP Business Technology Platform （SAP BTP）内の API Management を通じて SAP ERP に接続する エージェントや MCP クライアントによるすべてのツール呼び出しを、さまざまなログレベルで完全に可視化する AWS for SAP MCP Server とは何か、そして全体像がどのように構成されているかを見てきました。次に、これをエンタープライズレディたらしめている主要な機能を詳しく見ていきましょう。 図 1: SAP BTP 経由の SAP ERP 接続を備えた Amazon Bedrock AgentCore 上の AWS for SAP MCP Server アーキテクチャ 基盤: 主要機能 標準に基づいて構築: OData の利点: SAP は、SAP ERP アプリケーション（SAP S/4HANA および SAP ECC）を含む全製品ポートフォリオにわたって OData を標準の API プロトコルとして採用しており、財務、調達からロジスティクス、人事管理（Human Capital Management）まで、ビジネスのあらゆる側面をカバーする数百の OData サービスをドキュメント化して公開しています。また、SAP が OData サービスの構築と公開のために提供するフレームワークである SAP Gateway を使用して、独自のカスタム OData API を構築・公開することもできます。これにより、コア外のエージェンティックワークフローやカスタム統合といったクリーンコア拡張をサポートし、システムのアップグレード耐性を維持しながら、インテリジェントな自動化を実現できます。これらの API は SAP ERP システム内に存在し、有効化するとお客様のランドスケープまたはネットワーク内でアクセス可能になります。AWS for SAP MCP Server はこの基盤の上に構築されています。AI エージェントはまず、公開されている MCP ツールを使って SAP OData カタログを検出し、サービスメタデータを調査して、どのようなビジネスデータやビジネスプロセスが利用可能かを把握します。その上で、受注伝票の作成、購買発注の更新、会計伝票の読み取りといった SAP ビジネスオブジェクトへのアクションを実行できます。現在のリリースは OData V2 をサポートしており、SAP ERP アプリケーションとの互換性があります。 利用可能なサービスの検出: 動的サービスカタログとヒント : AWS for SAP MCP Server の最も強力な機能の 1 つは、エージェントに提供されるカタログ検出 MCP ツールです。これにより、エージェントはお客様のランドスケープで利用可能な SAP OData サービスを実行時に検出できます。AWS for SAP MCP Server は 2 つのカタログ検出モードをサポートしており、エージェントが利用可能な SAP OData サービスを検出する方法を柔軟に選択できます。 リモートカタログ — MCP サーバーが SAP ERP システムの公開する OData カタログサービスに直接接続し、有効化されている OData サービスのライブでリアルタイムなビューをエージェントに提供します。新しいサービスが有効化されるたびに、SAP システムで利用可能なサービスの最新のビューをエージェントに常に持たせたい場合は、このモードを選択してください ローカルカタログ — Amazon S3 に保存された独自のカタログ設定ファイルを持ち込むことで、どの SAP OData サービスをエージェントに公開するかを完全にコントロールできます。SAP API が API 管理レイヤー（例: SAP BTP の API Management）を通じて公開されており、ネイティブの SAP OData カタログが利用できない場合は、このモードを選択してください 検出機能に加えて、MCP サーバーはサービスヒント機能を提供しており、特定の SAP OData サービスに関するより深いコンテキストガイダンスを AI エージェントに与えます。OData メタデータがサービスで利用可能なエンティティ、フィールド、リレーションシップを記述するのに対し、サービスヒントはさらに踏み込んで、既知の問題、推奨される回避策、サービス固有のガイダンスをエージェントに提供し、エージェントが SAP データを正しく解釈して操作できるよう支援します。ヒントは JSON 設定ファイルとして Amazon S3 に保存されます。ヒントは、利用可能な SAP OData サービス全体にグローバルに定義することも、パターンによって特定のサービスを対象にすることもできます。MCP サーバーは、エージェントがオンデマンドでサービスヒントをリクエストするためのツールを提供し、エージェントが正確かつ効率的な SAP OData 呼び出しを行うために必要なコンテキストガイダンスを返します。 エンタープライズセキュリティのために構築されたネットワークアーキテクチャ : AI ワークロードとエージェントを SAP に安全に接続することは、エンタープライズデプロイメントにおける重要な要件です。AWS for SAP MCP Server は、お客様自身の VPC 内の Amazon Bedrock AgentCore Runtime にデプロイできるため、MCP ツール呼び出しはプライベートネットワークの境界内にとどまります。MCP クライアントが MCP サーバーにツール呼び出しを行うと、VPC 内で実行されている MCP サーバーが SAP システムに接続してリクエストを実行します。AWS for SAP MCP Server は、SAP ERP システムのホスティング場所と SAP API の有効化方法に応じて、さまざまな接続オプションをサポートしています。各デプロイメントトポロジーのサポート方法は以下のとおりです。 SAP BTP API Management — SAP OData API は SAP BTP API Management レイヤーを通じて有効化することを推奨します。AWS for SAP MCP Server は、OAuth 2.0 認証を用いた HTTPS でこれらの API に安全に接続できます。この場合、トラフィックはインターネットに向けて送出され、TLS 暗号化によりトランスポートレイヤーで保護される点にご注意ください。 AWS 上の SAP cloud ERP private（旧 RISE with SAP） — お客様の VPC 内の Amazon Bedrock AgentCore にデプロイされた AWS for SAP MCP Server は、シンプルな直接接続には VPC ピアリング、複数の VPC や AWS アカウントにまたがる複雑な構成には AWS Transit Gateway を使用して、SAP マネージド VPC に接続します。お客様の VPC と SAP マネージド VPC 間のトラフィックは、AWS バックボーンネットワーク内にとどまります。 AWS 上の SAP ERP — SAP システムがお客様自身の AWS アカウントで稼働している場合、AWS for SAP MCP Server は同一 VPC 内、または同一アカウント内の VPC 間接続で Amazon Bedrock AgentCore にデプロイでき、接続は容易です。すべてのトラフィックは AWS ネットワーク内にとどまります。 すべての接続を保護: アイデンティティと認証 : AWS for SAP MCP Server は AgentCore Identity を使用して、インバウンド（MCP クライアントから MCP サーバーへ）とアウトバウンド（MCP サーバーから SAP へ）という 2 つの重要なフローにわたる認証を管理します。この二層アプローチにより、各フローに対して個別の信頼境界が維持され、認証と認可の判断が各境界で独立して検証されます。このアーキテクチャ上の分離により、クライアントアクセスと SAP システムアクセスがそれぞれ独立した監査可能なポリシーで管理される、健全な認証態勢が実現します。組織は、業界標準のプロトコル（OAuth 2.0、OIDC、または SAML）を使用して認証を行い、任意の ID プロバイダーを選択できます。インバウンド認証には、AWS Identity and Access Management (IAM)、Amazon Cognito、または Microsoft Entra ID や Okta などのエンタープライズプロバイダーを使用できます。SAP へのアウトバウンド認証では、SAP に直接接続することも、エンタープライズディレクトリ経由でルーティングすることもできます。この柔軟性により、既存の ID 基盤に合わせた認証フローを設計でき、大規模な入れ替え（リップ&amp;リプレース）は不要です。 AI エージェントのアクションに対する包括的なオブザーバビリティ : ライブの SAP システムに対して本番環境で AI エージェントを実行するには、企業がミッションクリティカルなアプリケーションに求めるのと同レベルのオブザーバビリティが必要です。AWS for SAP MCP Server には、AgentCore Observability による包括的なテレメトリが組み込まれています。AWS for SAP MCP Server を Amazon Bedrock AgentCore Runtime にデプロイすると、AgentCore は MCP サーバー用の Amazon CloudWatch ロググループを自動的に作成し、サーバーへのすべての MCP ツール呼び出しのログをキャプチャします。これにより、エージェントが SAP システムで何を読み取り、作成、更新、削除しているかを完全に可視化できます。AWS for SAP MCP Server は設定可能なログレベルをサポートしているため、環境やニーズに応じてログの詳細度をコントロールできます。すべての MCP ツール呼び出しのサマリーを記録するには INFO を、SAP への OData 呼び出しを含む詳細なリクエストとレスポンスのペイロードを取得するには DEBUG を、認証エラー、認可の問題、SAP から返される OData 固有のエラーなどの障害を記録するには ERROR を使用します。 ここまで AWS for SAP MCP Server の中核機能を説明してきました。次に、Agent-to-Agent プロトコルとあわせて、より広いエージェンティックランドスケープの中でどのように位置づけられるかを見ていきましょう。 マルチエージェントエコシステムにおいて MCP は A2A をどのように補完するのか？ 企業がより高度なエージェンティック AI システムを構築するにつれて、複数のエージェントが連携して業務を遂行する必要が出てきます。オープンソースプロトコルはイノベーションを可能にする鍵であり続けてきましたが、エージェンティックの時代も例外ではありません。2024 年に Anthropic がオープンソース化した MCP は、エージェントが SAP のようなツールやデータに接続する能力を提供します。A2A はさらに一歩進んで、構築されたフレームワークやプラットフォームに関係なく、エージェント同士が対話できるようにします。MCP と A2A は、エージェンティックアーキテクチャの相互補完的な 2 つのレイヤーを形成します。 MCP は、エージェントを SAP OData サービスなどのツールやデータに接続するプロトコルであり、ビジネスプロセスとデータをエージェントに広く開放します A2A は、異なるフレームワークで構築された、異なるベンダーによる、あるいは組織の境界を越えたエージェント同士が通信し、協働できるようにするプロトコルです。 AWS for SAP MCP Server はこの両方の世界に自然に適合し、エージェントが単独で動作する場合でも、より大きなマルチエージェントシステムの一部として動作する場合でも、ライブの SAP データを検出して操作するためのツールを提供します。 数分でデプロイ: CloudFormation による自動化 AWS for SAP MCP Server は、プロビジョニングプロセス全体を数分で自動化する AWS CloudFormation テンプレート を使用してデプロイできます。このテンプレートは、Bedrock AgentCore Runtime に AWS for SAP MCP Server をデプロイするために必要なリソースの作成を担います。これには、アイデンティティのセットアップ、IAM ロールの作成、SAP システムで利用可能な API を検出してファーストクラスの MCP ツールとして公開するために必要な設定が含まれます。 実世界へのインパクト: エージェンティックエンタープライズをリードするお客様 テクノロジーの最も説得力のある証明は、その約束だけでなく、お客様がそれを使って何を構築するかにあります。AWS for SAP MCP Server の早期採用のお客様は、SAP のビジネスプロセスの深さと AWS の AI 機能を組み合わせることによる変革の可能性を、すでに実証しています。 Fortescue : S/4HANA とのエンタープライズスケールの AI 統合 – 「Fortescue は、AWS SAP MCP の一般提供開始を、SAP システムとの エンタープライズスケールの AI 統合 を可能にする重要な一歩として期待しています。この機能は、SAP の機能をセキュアで構造化された再利用可能なツールレイヤーを通じて公開するという当社のアプローチをサポートし、強力なガバナンスとコントロールを維持しながら AI ユースケースの提供を加速するのに役立ちます。Fortescue にとってこれは、スケーラビリティ、セキュリティ、サポート性が重要となる S/4HANA 周辺およびクロスシステムの AI アプリケーションに特に関連します。私たちは AWS とのコラボレーション、そしてこの機能が企業全体で実践的かつ本番環境志向の AI 統合を推進する上で果たしうる役割を高く評価しています」 PLDT : エージェンティック AI による Procure-to-Pay の変革 – 「PLDT では、AWS for SAP MCP Server を活用したエージェンティックワークフローを通じて、 Procure-to-Pay 業務を変革 する旅に乗り出しています。今日、手作業を削減しサイクルタイムを短縮しながら、企業全体にわたるインテリジェントで自己学習型のエージェンティックシステムの基盤を築いています。」- Gilbert Gaw 氏、First Vice President &amp; Head of IT and the Transformation Office (PLDT &amp; SMART)、SMART Communications Harman International : エージェンティック AI によるテスト管理のモダナイゼーション – 「AWS との戦略的パートナーシップは、エージェンティック AI の領域における新たな可能性を評価する機会を私たちに提供し続けています。現在、AWS for SAP MCP Server を活用して テスト管理戦略を進化 させるとともに、当社のモダナイゼーションの取り組みを支援する上での可能性を検討しています」 – Varada Reddy 氏、Director of SAP Platform 始めましょう Amazon Bedrock AgentCore Runtime 上の AWS for SAP MCP Server は、調達ワークフローの自動化、注文から入金（Order-to-Cash）サイクルの加速、財務の例外処理管理、あるいは SAP システムと非 SAP システムにまたがるマルチエージェントシステムの構築など、どのようなケースにおいても、AI エージェントを SAP のデータとプロセスにセキュアかつスケーラブルでエンタープライズレディな方法でオンボードするためのツールを提供します。AgentCore Runtime がサービスディスカバリ、セキュアな接続、インバウンドとアウトバウンドの認可、完全なオブザーバビリティを担うため、お客様は真のビジネス価値を生み出すエージェントの構築に集中できます。エンタープライズレディな AI エージェントの時代が到来しました。今日から構築を始めましょう。まずは AWS for SAP MCP Server のページをご覧ください。AWS が数千の SAP のお客様に選ばれるプラットフォームであり、イノベーションの場である理由については、 AWS for SAP のページをご覧ください。 本ブログはAmazon Bedrockを用いて翻訳を行い、パートナーSA松本がレビューしました。原文は こちら です。 著者について Rengarajan Sridharan Renga は AWS の AI and Strategic Partner Engineering 部門の Senior Technical Program Manager として、SAP ワークロードに特化したプログラムを推進しています。エンタープライズリソースプランニング（ERP）ソリューションにおける 20 年以上の経験を持ち、お客様とパートナーがエンタープライズシステムをモダナイズし、ビジネス価値を最大化してデジタルトランスフォーメーションの成果を推進できるよう支援することを専門としています。 Krishnakumar Ramadoss KK は Amazon Web Services (AWS) の Senior SAP Innovation Solutions Architect で、エンタープライズテクノロジー分野で 20 年の経験を持っています。著書を持つ技術エバンジェリストでもあり、データ分析、アプリケーション統合、生成 AI にわたって、お客様とパートナーが AWS 上で SAP ワークロードをモダナイズし拡張できるよう支援することを専門としています。 <!-- '"` -->

AI エージェントをプロトタイプから本番環境に移行すると、インフラストラクチャの課題は倍増します。エージェントは、数時間または数日間実行される複数ステップのワークフローにわたって状態を維持する必要があります。他のエージェントと調整したり、コンテキストを共有したり、特殊なタスクのために GPU にアクセスしたりする必要があります。Amazon Bedrock AgentCore Runtime microVM は、最大 8 時間実行できる完全マネージド型の呼び出し環境を提供し、マネージドセッションストレージを通じてステートフルワークフローをサポートします。ワークロードによっては、専用の大容量環境のメリットもあります。たとえば、エージェントを複数日間継続して実行したり、GPU や基盤となる OS にアクセスしたり、同じホスト上で複数の連携エージェントを実行したりする必要がある場合などです。 2026 年 8 月 6 日、ランタイムインスタンスを発表できたことを嬉しく思います。これは Amazon Bedrock AgentCore Runtime の新しい補完的なコンピューティングオプションで、複雑なエージェントワークロード向けに構築された永続的でマネージド型のインフラストラクチャをエージェントに提供します。 得られるもの ランタイムインスタンスは、それぞれが独自の依存関係とアーティファクトタイプを持つ複数のエージェントを 1 つのランタイムにデプロイする AWS マネージド EC2 インフラストラクチャを提供します。エージェントは、最大 14 日間持続する共有セッション内で同じホストで共同作業できます。このサービスは、計算量の多いタスクのための GPU アクセラレーション、アイドル期間中のコスト削減のためのセッション停止/再起動、および独立して出荷したいチーム向けのコンテナ化されたデプロイをサポートします。セッション終了後も存続させる必要のある知識については、ランタイムインスタンスが Amazon Elastic Block Store (Amazon EBS) と AgentCore Memory と自然に組み合わされます。これにより、エージェントはセッションや環境を超えて長期的に思い出すことができます。 これまで、エージェントを何日も稼働させたい場合や、GPU アクセスやマルチエージェントの連携が必要な場合は、そのインフラストラクチャを自分で構築して管理する必要がありました。EC2 インスタンスのプロビジョニング、ネットワーキングの設定、セッション管理のセットアップ、スケーリングの処理、モニタリングの統合を行いました。ランタイムインスタンスは、AgentCore Runtime MicroVM ですでに使用しているのと同じ AgentCore API、ID 制御、およびオブザーバビリティと統合しながら、これらすべてを自動的に処理します。 エージェント開発者を笑顔にするべきことがいくつかあります。それは、エージェントが共有セッション内でお互いをツールと呼び、仕事が完了するまで自律的に反復できることです。どんなフレームワーク（ CrewAI 、 LangGraph 、 LamaIndex 、Strands でもどんなモデルでも持ち込めます。パッケージは最小限で、 @app.entrypoint デコレータと zip ファイルまたはコンテナイメージだけです。また、ワークフローが何日にも及ぶ場合は、月曜日の夜に休止状態にして、水曜日の朝にすべてそのままの状態で再開してください。 Runtime MicroVM とランタイムインスタンスは補完的なコンピューティングオプションであり、単独で使用することも、同じ AgentCore Runtime API を使用して一緒に使用することもできます。Runtime MicroVM 上の軽量オーケストレーターエージェントは、インスタンス上で実行されている専用のワーカーエージェントに作業を調整してディスパッチできます。オーケストレーターは Runtime MicroVM の高速スケーリングを使用して API コール、タスクルーティング、結果集約を処理します。一方、インスタンス上のワーカーは、コードのコンパイル、セキュリティスキャン、GUI 自動化など、永続的な状態と OS への直接アクセスを必要とする計算量の多いタスクを実行します。 仕組みを見ていきましょう このデモ用に 2 つのエージェントを作成しました。1 つは自然言語による記述から Python コードを生成する Code writer エージェントで、もう 1 つは生成されたコードのバグ、セキュリティ問題、スタイルの改善を分析する Code reviewer エージェントです。どちらのエージェントも同じファイルシステムを共有しているため、レビュー担当者はデータ転送や API コールを行わずに、ライターが作成したものをすべて読むことができます。 これがコードライターです（簡略化されており、エラー処理はありません）。 ライター = エージェント ( model=“us.anthropic.claude-sonnet-4-5-20250929-v 1:0“, system_prompt=( 「あなたはPythonのシニアエンジニアです。」 「タスクが与えられたら、Python のコードブロックを1つだけ返す。散文は返さない。」 ), ) @app.entrypoint def handler(event, context): task = event.get(“task“) or event.get(“prompt“) session_id = getattr(context, “session_id“, None) or event.get(“session_id“) session_dir = SHARED_DIR / session_id session_dir.mkdir(parents=True, exist_ok=True) code = str(writer(task)) (session_dir / ”code.py”).write_text(code) return {“agent“: “writer“, “wrote“: str(session_dir / “code.py“), “code“: code} これが Code reviewer エージェントです（簡略化され、エラー処理はありません）。 レビュアー = エージェント ( model=“us.anthropic.claude-sonnet-4-5-20250929-v 1:0“, system_prompt=( 「お客様は厳格なPythonコードレビュアーです。」 「与えられたコードに対して、バグ、スタイル、提案という3つの箇条書きを返す。」 ), ) @app.entrypoint def handler(event, context): session_id = getattr(context, “session_id“, None) or event.get(“session_id“) code_path = SHARED_DIR / session_id / "code.py" code = code_path.read_text() review = str(”reviewer(f ”Review this code:\n\n{code}”)) return {”agent”: ”reviewer”, ”read”: str(code_path), ”review”: review} 各エージェントは、 Strands Agents を使用する Python アプリケーションで、 @app .entrypoint デコレータとお好みのモデルを備えています。それぞれを zip ファイルとしてパッケージ化します。今回は AWS マネジメントコンソール を使用します。 AgentCore CLI 、 AWS コマンドラインインターフェイス (AWS CLI) 、またはインフラストラクチャーアズコード (Infrastructure as Code) を使用することも可能です。 ステップ 1: 容量プロバイダーを作成します。 容量プロバイダーは、エージェントが実行される EC2 インフラストラクチャを定義します。AgentCore コンソールでは、左側のナビゲーションで [ ランタイム ] を選択し、次に [ 容量プロバイダー ] タブと [ 容量プロバイダーの作成 ] を選択します。 名前を付けて 、 Operating system として Linux (64ビットARM) を選択し、 許可するインスタンスタイプ として c7g.2xlarge を選択します。これにより、8 個の vCPU と16GiB のメモリが得られ、両方のエージェントを快適に並べて実行することができます。 さらに、ネットワークアクセス用に VPC 、 サブネット 、 セキュリティグループを構成します 。 ストレージ構成 では、デフォルトの gp3 ボリュームのままにします。[ サービスアクセス ] で [ 新しいサービスロールの作成 ] を選択し、私に代わって EC2 インスタンスを管理するインフラストラクチャロールをコンソールに作成させます。 [ 容量プロバイダーの作成 ] を選択し、数秒待ちます。ステータスが [ アクティブ ] に移動します。 容量プロバイダー設定の概要 (オペレーティングシステム、インスタンスタイプ、サブネット、セキュリティグループ、インスタンスプロファイル、インフラストラクチャーロール) に注意してください。作成後は説明のみを編集できるので、先に進む前に設定を確認してください。 ステップ 2: ランタイムを作成し、最初のエージェントをデプロイします。 「 ランタイム 」ページに戻り、「 ランタイムの作成 」を選択します。 Name を入力し、 Compute type としてインスタンスを選択し、前のステップで作成した 容量プロバイダー を選択します。 [ エージェントソース ] で [ S3 ソース ] を選択し、次に [ S3 にアップロード ] を選択します。エージェントの zip ファイル ( ACIDemoWriter.zip ) を選択し、 言語ランタイム を Python 3.13 に設定し、 agent.py を Agewnt entry point として指定します。これは @app .entrypoint でデコレートした関数を含むファイルです。[ 権限 ] で [ デフォルトロールの作成 ] を選択して、エージェントが必要とする IAM ロールをコンソールにプロビジョニングさせます。 「 ランタイムを作成 」を選択し、ステータスが「 準備完了 」になるのを待ちます。 コードレビュー担当者にも同じプロセスを繰り返します。2 番目のランタイムを作成し、同じ容量プロバイダーを選択し、レビューアーエージェントの zip ファイルをアップロードして、 Ready になるのを待ちます。両方のエージェントは、基盤となる同じ EC2 インフラストラクチャを共有するようになりました。 コンソールには、 エージェントをプログラムで呼び出すためのすぐに使用できる Python、TypeScript、JavaScript のスニペットを含む [ 呼び出しコードの表示 ] セクションが表示されます。ただし、このデモでは、組み込みのテスト機能を使用します。ライターエージェントのページで [ テスト ] を選択します。 ステップ 3: エージェントを呼び出し、コラボレーションを観察します。 ランタイムプレイグラウンドが開きます 。上部には、「 ランタイムエージェント 」、「 エンドポイント 」、「 セッションID 」の 3 つのフィールドがあります。コンソールはセッション ID を自動的に生成します。レビュアーエージェントで再利用するのでメモしておきます。 入力フィールド に、ライターエージェントにコードを生成するように要求する JSON ペイロードを入力します。 {”prompt”: ”write a fibonacci suite”} [ 実行 ] を選択します。数秒後、 アウトプットパネルにエージェントの応答が表示されます 。 ライターエージェントは、フィボナッチ数列の 2 つの実装 (リストベースの関数とジェネレーター) を含む Python モジュールを生成し、それを /tmp/agentcore-session/ca5ec24d-07f5-4eeb-add1-5ba416bf9eb2/code.py に書き込みました。 ファイルパスにあるセッション ID に注意してください。そのディレクトリは、このセッションの共有ファイルシステムです。 &nbsp; ステップ 4: 同じセッションでレビュー担当者エージェントを呼び出します。 次に、 ランタイムエージェント のドロップダウンを ACIDEMoreViewer に切り替えます。重要な部分：同じセッションID（ ca5ec24d-07f5-4eeb-add1-5ba416bf9eb2 ）を セッション ID フィールドに貼り付けます。これが 2 つのエージェントをつなぐものです。 簡単なプロンプトを入力します。 {”prompt”: ”review the code”} [ 実行 ] を選択します。レビュー担当エージェントは、ライターが共有セッションディレクトリから作成したファイルを読み取り、詳細なコードレビューを返します。重大なバグは見つかりませんが、タイプヒントの追加、入力検証、エッジケース処理の簡略化を提案します。 2つのエージェントがメッセージを交換したり、互いの API を呼び出したりすることはありませんでした。彼らは、ランタイムインスタンスがセッション内で提供する共有ファイルシステムを介して共同作業を行いました。このパターンは、コードを実行するテストエージェント、README ファイルを生成するドキュメンテーションエージェント、脆弱性をスキャンするセキュリティエージェントなど、任意の数のエージェントに拡張できます。これらはすべて同じ作業ディレクトリを共有します。 主な詳細 始めるにあたって知っておくべきことがいくつかあります。 サポート対象 OS : ローンチ時はLinux (ARM64およびx86_64)。 セッションの持続性 : セッションは最大 14 日間持続します。 ランタイム : ネイティブコードをサポートするPython 3.11-14。コンテナイメージもサポートされています。 GPU : GPU アクセラレーション対応のインスタンスタイプをサポートします。 統合 : AgentCore Runtime と同じ AgentCore API、アイデンティティ、オブザーバビリティ、ポリシーコントロールを使用します。 料金 : 標準の EC2 料金と AgentCore オーケストレーションの管理料金が加算されます。 地域 : 米国東部 (オハイオ、バージニア北部)、米国西部 (オレゴン)、アジア太平洋 (ムンバイ、シンガポール、シドニー、東京)、ヨーロッパ (フランクフルト、アイルランド) To get started, visit the runtime instance in 開始するには、 Amazon Bedrock AgentCore documentation &nbsp; のランタイムインスタンスにアクセスし、最初の容量プロバイダーを作成してください。 – seb 原文は こちら です。