11月18日、KongHQが「AI Governance Roadmap: 4 Steps to Stop AI Sprawl」と題した記事を公開した。急増するAIモデル・MCPサーバー・エージェントが誰も追跡できないペースで増殖し、コスト・セキュリティ・可視性のすべてが崩れていく——この「AIスプロール」をどう組織的に制御するか。記事は即日着手できる4ステップのガバナンスロードマップを提示している。
「AIにいくら使っているか?」に答えられないリスク
「今、AIモデルにいくら使っているか?」——この問いに即答できるチームは少ない。使っているモデルの一覧も、開発者のラップトップで動いているMCPサーバーも、2つのチームが独立して作り上げた同機能のエージェントも、誰も把握していない。
この「見えなさ」がAIスプロール(AI sprawl)の本質だ。モデル・MCPサーバー・エージェントが誰も追跡できないペースで増殖し、誰も所有せず、誰も管理できない状態になる。その影響はコスト・セキュリティ・可視性・レジリエンスの4領域に現れる。
なお、MCPサーバーとは「Model Context Protocol」に基づくサーバーで、AIエージェントがツールや外部データにアクセスするためのインターフェースを提供する仕組みだ。エージェントAI基盤の普及とともに急速に広まっている。
AIスプロールの3類型
記事はスプロールを3種類に分類し、それぞれの失敗パターンを整理している。
モデルスプロール
多くのモデルを使うこと自体は問題ではない。問題は、各チームやエージェントがガバナンスなしにモデルを直接呼び出す構造だ。「どのモデルが使われているか分からない。2日おきに新しいものを発見する」という状況が典型的なサインだ。
MCPスプロール(最も危険)
記事によれば、KongがユーザーへのヒアリングをもとにAIスプロールの類型を整理した結果、最も問題として挙げられたのがMCPスプロールだという(調査の具体的な規模・時期・手法は元記事では開示されていない)。MCPサーバーは開発者のラップトップ上で特に広がりやすく、その多くがAPIやデータストアの手前に置かれる。管理されていないMCPサーバーは、データへの無管理な入口になる。
さらにコスト問題もある。「MCPはそれ単体ではトークン効率が低い」とされ、設計の粗いサーバーがモデルに過剰なコンテキストを流し込み、トークン消費・レスポンス速度・回答精度のすべてを悪化させる。
エージェントスプロール
既存のエージェントを把握できないため、各チームが独自に作り直す。「既にエージェントが存在するのに、それを知らないから自分たちで作ってしまう」。これはかつてのAPIスプロールとまったく同じ構造だ。APIゲートウェイが登場する前のマイクロサービス時代の繰り返しとも言える。
4ステップのガバナンスロードマップ
記事が提示する処方箋は、順序が重要な4ステップだ。各ステップの出力が次のステップの入力になる。
Step 1: 発見(Discover)
ガバナンスの前提は「見えること」だ。AIアセットを発見する方法は2つある。
- シャドーAI検出:ネットワークトラフィックを監視し、稼働中のMCPサーバーやモデルを洗い出す。有効だが、継続的な解決策ではない。
- ゲートウェイ経由の可視化:AIゲートウェイを通じてすべての通信を記録し、継続的にインベントリを維持する。
最低限の記録項目は「名称・オーナー・接続先・利用チーム」の4点だ。
※編集部の考察:元記事ではKong AI Gatewayが実装例として挙げられているが、ゲートウェイ経由の可視化という考え方自体はベンダー非依存のアプローチだ。
Step 2: 統合(Consolidate)
インベントリが揃えば、重複が見えてくる。同一機能のMCPサーバーが複数あれば、トークン効率が最も高いものを「承認済みサーバー」として登録し、レジストリに集約する。「承認済みの選択肢が一番見つけやすい」状態を作ることで、スプロールが自然に抑制される。
Step 3: 標準化(Standardize)
MCPサーバーがよく失敗するのはここだ。 「APIのすべてのエンドポイントをそのままMCPサーバーのツールとして並べる」設計は、モデルが不要なコンテキストを受け取り続けることになり、トークンを浪費し、レスポンス速度と回答精度の両方を損なう。記事では、この問題を構造的に防ぐ4つの設計原則が紹介されている。
- Progressive tool disclosure(段階的ツール開示):プロンプトの意図に合致するツールだけを公開することで、モデルに渡すコンテキストを最小化し、不要なトークン消費を防ぐ。
- Multi-API server generation:複数のAPIから選択したエンドポイントだけを束ねる1つのMCPサーバーを生成することで、エージェントが参照するインターフェースを統一し、重複呼び出しを排除する。
- Composite MCP servers:複数のMCPサーバーを束ねる単一インターフェースを作り、エージェントは1エンドポイントだけを叩く構造にする。接続先の分散を防ぐことで、トークンの重複消費とレイテンシを抑える。
- Tool filtering and access control:各エージェントやユーザーには、利用許可のあるツールだけを見せる。不要なツール定義をコンテキストから除外することが、直接的なトークン削減につながる。
これら4原則に共通するのは「モデルに渡す情報量をロール・意図・権限に応じて絞り込む」という思想だ。設計段階でこれを徹底することが、運用フェーズでのコスト・精度・速度の問題を根本から防ぐ。
Step 4: キュレーション(Curate)
承認済みアセットを、人とエージェント両方が参照できる場所(開発者ポータル的なもの)に公開する。ここで重要なのがアクセス制御の粒度だ。「営業エージェントがエンジニアリングチームのMCPサーバーを発見できてはならない」ケースがある。チームごとに独立したレジストリを用意し、ゲートウェイで認証・認可を強制する。
最初の1週間でやること
記事は具体的なチェックリストも提示している。
- 現在使っているモデル・MCPサーバー・エージェントをすべてリストアップし、マチュリティモデル上の自分たちの位置を確認する
- モデルとMCPのトラフィックをゲートウェイ経由にし、リストが自動更新される状態を作る
- レジストリを1つ立ち上げ、機能ごとに承認済みMCPサーバーを登録する
- 次の問題(コストかアイデンティティ管理)を1つ選び、最初のステップから着手する
コスト管理については「まずトークンを金額に換算できるトラッキングを入れ、帰属(attribution)を設定し、予算を定義してから最適化に進む」という順序が推奨されている。
ガバナンスを「後で考える問題」にしている組織ほど、AIがパイロットから本番に移行した瞬間に問題が顕在化する。この4ステップは、今四半期中に着手できる粒度で設計されている点が実用的だ。
詳細はAI Governance Roadmap: 4 Steps to Stop AI Sprawlを参照していただきたい。




