11月18日、Retoolが「AI support agent on Retool's MCP server: 851 investigations」と題した記事を公開した。AIエージェントが社内システムに接触する場面が増える中、「エージェントにどこまで権限を与えるか」は多くのチームが頭を抱える問題だ。Retoolは自社のサポートチームでこの問題に直面し、MCPサーバーを軸にした権限管理アーキテクチャを構築・運用した実例を公開している。
問題の起点:野良エージェントが増殖する前に
年初、Retoolのサポートチームは顧客対応に使う各種データソース(Salesforce、Databricks、Confluence、Linearなど)にアクセスできる自製のAIエージェントを次々と作り始めた。しかしすぐに問題が顕在化した。
エージェントごとに権限管理がバラバラで、どのエージェントがどのデータにアクセスできるか把握できなくなったのだ。「このカスタマーのバージョンは?」という問いに答えるためのテーブルには、ライセンスキーやARR(年間経常収益)、アカウント名も一緒に入っていた。曖昧なプロンプトひとつで、チケット要約用のエージェントが売上データを読み始めるリスクがあった。
AIエージェントへのクレデンシャル直渡しによる情報漏洩リスクは、業界全体でも認識が高まっている課題だ。APIキーやトークンをエージェントのコンテキストに埋め込む運用は、プロンプトインジェクション攻撃や意図しないデータ参照の温床になりやすく、エンタープライズ向けAI導入における主要な障壁のひとつとなっている。
解決策:エージェントにクレデンシャルを渡さない
Retoolが採用した解法はシンプルだ。エージェントに直接クレデンシャルを渡すのをやめ、RetoolのMCPサーバー経由でデータアクセスさせることにした。
ここで前提として押さえておきたいのが、Retoolというプロダクトの立ち位置だ。Retoolはローコードで社内ツールを構築するプラットフォームであり、Salesforce・Databricks・PostgreSQLといった多様なデータソースへの接続と、ユーザーグループ単位できめ細かく設定できる権限管理機能をもともと備えている。つまり、すでに社内ツールの認証・認可基盤として機能しているRetoolが、その権限モデルをそのままAIエージェントに適用できる立場にある。MCPサーバーはその橋渡し役だ。
MCPサーバー(Model Context Protocol)とは、AIモデルが外部ツールやデータソースを呼び出すための標準プロトコルだ。Anthropicが2024年に提唱し、Claude、Cursor、その他のAI開発環境で採用が進んでいる。
エージェントは現在、Claude Codeのプラグインとして共有スキルの形で配布されており、データアクセスはすべてRetoolのMCPを経由する。既存の社内アプリが使っているのと同一の権限構造がそのままエージェントにも適用される。

851件、正解率94%
6月以降、このエージェントは851件のケース調査を実行した。事後評価として、実際にケースがどう解決されたかと照合したところ、評価可能な138件のうち94%が完全または部分的に正確だった。
チームの働き方も変わった。以前はエンジニアがケースを一から調べていたのが、今はエージェントの出力をレビュー・検証する形に移行している。

権限管理の仕組み
エージェントはユーザーの権限グループを継承する
サポート組織はユーザーグループごとにリソースへのuse/edit権限が設定されている。エージェントを呼び出したユーザーの権限がそのまま引き継がれるため、エージェントが「見えすぎる」状況を防げる。
コントラクターには行・列レベルで制限
外部コントラクター向けグループには、テーブルへのアクセスを全面禁止するのではなく、行・列レベルのポリシーで必要な情報だけ見せる設計にした。

クレデンシャル管理の変化も大きい。以前は新メンバーのオンボーディングに「5つのAPIキーを集める」作業が必要だったが、今は「グループに追加するだけ」で終わる。
ガバナンス機能:ログ・自己学習・ダッシュボード
MCPサーバー経由のすべてのアクセスはRetoolの監査ログに記録される。実行したSQL、リソース名、SSOのユーザーID、セッションIDが残り、エージェントトラフィックとアプリトラフィックも区別できる。
各実行結果はRetool Databaseにも記録され、月次でエージェントの判断と実際の解決策を照合して「レッスンカード」を生成、次回の推論に再利用する仕組みだ。
さらに、同じテーブルに対してプロンプトひとつでRetoolダッシュボードを作成し、使用状況・精度・ドキュメントのギャップを可視化している。これがプロンプト改善のサイクルを速める。

現状の制約と今後
Retool自身もこのアーキテクチャの限界を認めている。現状の課題として挙げられているのは以下の4点だ。
- ローカル実行が前提で、テクニカルなセットアップが必要
- Claude Codeのみ対応で、他のクライアントへの展開は未対応
- 自己学習機能は初歩的な段階にとどまる
- 調査は手動トリガーで、自律的なケース処理には至っていない
これらの解決策として、Retoolは現在**Retool Agents**(ウェイトリスト受付中)を開発中で、同じ権限構造を使いつつモデル非依存で自動的にケースを処理できるとしている。制約の多くはRetool Agents世代で解消される見込みだが、現時点では「Claude Code+MCPサーバー」という構成が前提となる点は留意が必要だ。
同様の構成を検討しているチームに向けて、元記事がまとめとして明示しているポイントは2つだ。まず権限モデルを固めること、そしてエージェント出力を最終回答ではなく一次草稿として扱うこと。チームの判断をループに残すことで、結果への信頼が積み上がると述べている。
詳細はAI support agent on Retool's MCP server: 851 investigationsを参照していただきたい。




