Akash SharmaのVellum、AI agentを「自分の仕事」に届けるworkflowへ変えた転換

Akash SharmaのVellumは、LLMを使った機能を作る難しさを、モデル選びだけでなくチームの分断として捉えた。

創業チームはDoverでproduction LLM use caseを経験し、prompt、比較、評価、運用のためのtoolingを自分たちで作っていた。出典

開発者向けの基盤から始める

初期のVellumは、technical teamがpromptとworkflowを管理し、domain expertが品質を確かめるための共同環境を目指した。

公式docsは、SDK/API、version control、testing、RAG、shared workspaceを一つのplatformとして説明している。出典

AIを現場へ渡す

2026年、Akash Sharmaは「AI Agents will finally work for the rest of us」と書き、Vellum for Agentsを発表した。出典

ここでVellumは、model selectionやtool接続の専門知識を隠し、仕事の目的を話すとagentの初稿ができる入口へ進んだ。出典

運用へ戻る

ただし、簡単に作れることだけでは本番にならない。

Vellumはagentの実行を観察し、edge caseを直し、codeやAPIへ持ち出す導線も示す。

無料tier、case study、docsを通じて、まず小さな仕事を自動化し、運用から次のagentを作る流れを狙っている。出典

Vellumの現在地は、AIを専門家の実験室から現場のworkflowへ運ぶ途中にある。

成功の条件はagentの数ではなく、誰が作り、誰が評価し、誰が変更を承認するかまで設計できることだ。

Vellumは、AIを試すだけでなく本番workflowへ運びたいmixed teamに適合する。

非技術者の文脈とengineerのcontrolを同じ資産に置けるため、promptの引き継ぎと評価の断絶を減らせる。出典

現在はtask-specific agentを自然言語で作る入口も加わり、AI automationを専門職の専管から現場へ移そうとしている。出典

Vellumのmoatは、prompt・workflow・評価・deploymentを同じ履歴で扱う運用知識にある。

単純なchat UIより移行コストが高く、チーム内の評価データとworkflowが蓄積するほど継続利用の理由が増える。出典

強いnetwork effectというより、チーム内の知識蓄積が効くproductivity loopだ。

利用者が増えるとfeedbackとscenarioが増え、workflow改善はしやすくなるが、外部ユーザーが増えるだけで価値が自動増幅するわけではない。出典

LLM機能を本番へ出したいproduct team、promptと評価を共同管理したいengineer、そして自分の定型業務をagent化したいOperations・Sales・Marketing担当者が中心だ。出典

単純な一回限りのchat利用や、厳格なon-prem要件だけを持つ組織には過剰になり得る。

第一にvisual builderとSDK/APIを併設したこと。

第二にevaluation、version、deploymentを一続きにしたこと。

第三に、agentを一つの万能機械でなく業務単位に分けたことだ。出典

この構造は、導入初期のわかりやすさと本番運用のcontrolを両立しやすい。出典

AI workflowはモデルの出力変動、integrationの変更、権限設定、評価データ不足に弱い。

Vellumが評価とrelease管理を提供しても、各社が良いtest setを用意する負担は残る。出典

また、agent builderの自由度が上がるほど、誰が本番変更を承認するかというgovernanceが重要になる。

公式の機能説明だけでは、長期的なcost controlや失敗率は要確認だ。

初期はAI application開発者向けのcontentとSDK/APIで信頼を作り、現在は非技術職向けの自然言語agent builderへ入口を広げている。

free tierとcase studyは試用の摩擦を下げ、企業には共有workspace、評価、release管理を売りやすい。出典

一方で、広いworkflow市場ではZapierやn8nと比較される。

Vellumは単純な連携数ではなく、AIの品質管理とagentの可観測性で差別化する必要がある。

主要チャネル: content, developer_community, product_led_growth, enterprise_sales, partnerships

AI platformはモデル性能の比較表だけでは定着しない。

作る、評価する、releaseする、失敗をscenarioとして戻すというloopを同じ場所に置くことで、AIを運用可能なproductへ変えられる。出典

日本のPdMが学べるのは、非技術者向けUIを追加してもcontrol planeを捨てない順番だ。

日本企業では、営業・CS・管理部門に散らばる手作業をagent化する際、workflowの権限・監査・承認を先に設計する必要がある。

Vellumのように現場が作れてengineerが検証できる二層構造は、PoC止まりを避ける一案になる。出典