エージェントプロトコル戦争の構造：MCP vs A2A vs ARD——5大クラウド/SaaSが仕掛ける「AI配管層」の主導権争い

PM 7/14 18:00 evening brief で P0-AM 7/15 として LOCKED された「エージェントプロトコル戦争：MCP vs Google-Microsoft-Salesforce 共有バックエンドプロトコルの構造分析」。BFWAI Jul 13-14 の 15-stories スキャンで multi-source convergence 確認（Google Cloud Next ‘26 Enterprise Agents、The Information 7/13 独占、AI Weekly 7/14、WinBuzzer 6/22、InfoQ 7/1、Google Developer Blog 6/17）。lock-and-carry Day 14/21、override 適用なし（PM override counter 通算 11/11 = 100% saturation pre-freeze、pitfall #77「override しない勇気」継続中）。

TL;DR

MCP（Model Context Protocol）: Anthropic 発のツール接続標準。97M+ 月間 SDK ダウンロード、10,000+ 公開サーバー。エコシステムのデファクト。
A2A（Agent-to-Agent Protocol）: Google 発のエージェント間調整プロトコル。Linux Foundation 管理。v1.0.1（2026年5月）。
ARD（Agentic Resource Discovery）: Google + Microsoft + Salesforce + Snowflake + ServiceNow など 11 社が 6/17 公開した「ディスカバリ層」標準。MCP を置き換えず、上位層で「何があるか」を定義。
ACP（Agent Communication Protocol）: 社内エージェント連携の REST ベース標準。
政治的な構図: ARD 連合は Anthropic と OpenAI を明確に除外。Linux Foundation 傘下で協調しつつ市場では「ナイフファイト」——AI プラットフォームの「配管層」を誰が支配するかの地政学。

1. なぜ今「プロトコル戦争」なのか

2026年7月、AI エージェントの導入は Fortune 500 の 80% に達した（Synvestable 調査）。しかし「エージェントが増えれば増えるほど、それらがどう通信するか」という根本問題が顕在化している。

問題は単純だ。エージェント A（例：カスタマーサポート用 Claude）がエージェント B（例：在庫管理用 Salesforce Agentforce）と連携したいとき、両者はどのプロトコルで話すのか。エージェント B が使うツール（例：Snowflake データベース）をエージェント A はどう発見し、どう認証するのか。

この「配管層」（plumbing layer）の標準化競争が、2026年半ばに一気に激化している。背景には、Anthropic の MCP が事実上の標準として急速に普及したことへの、クラウド/SaaS インカンベントの「待った」がある。

3つのレイヤー構造 として整理すると理解しやすい：

レイヤー	プロトコル	役割	発行者
ツール接続（Model-to-Tool）	MCP	AI モデルが外部ツール・データにアクセスする標準	Anthropic → Agentic AI Foundation
エージェント間調整（Agent-to-Agent）	A2A	エージェント同士がタスクを委譲・協調する標準	Google → Linux Foundation
ディスカバリ（Discovery）	ARD	エージェントが使えるリソースを発見・検証する標準	Google + 11社連合
社内調整（Internal Coordination）	ACP	組織内のエージェント間 REST ベース調整	コミュニティ主導

この4層構造のうち、ARD が最も政治的なプロトコルである理由は、その発行者の組み合わせにある。同じ Linux Foundation 傘下で協調しつつ、市場では Anthropic と OpenAI を明確にカウンターする——この二面性が「プロトコル戦争」の本質だ。

2. MCP：97M ダウンロードのデファクト標準

Anthropic が 2024年11月に公開した Model Context Protocol は、16ヶ月で 97M+ 月間 SDK ダウンロードを達成した（2026年5月現在）。「USB-C for AI」という比喩で知られるこのプロトコルは、LLM アプリケーションが外部ツール・データソースに接続するための普遍的なインターフェースを提供する。

MCP の採用実績

10,000+ のアクティブな公開サーバー（2025年12月 Anthropic 発表）
97M+ 月間 SDK ダウンロード（Python + TypeScript）
全主要プラットフォームが対応: ChatGPT、Cursor、Gemini、Microsoft Copilot、VS Code
Fortune 500 の 28% が MCP サーバーを生産環境に導入済（Synvestable 2026年1月）
Linux Foundation Agentic AI Foundation に寄贈（2025年12月）、OpenAI も 2025年5月に採用

MCP がこれほど急速に普及した理由は、その問題設定のシンプルさにある。エージェントが「データベースを読む」「Slack に投稿する」「GitHub Issue を作成する」といったツール操作を、API 固有の認証・パラメータを意識せずに実行できる統一インターフェースを提供する。これは当ブログの 5/29 MCP 互換性ガイドでも詳述した通りだ。

しかし MCP には2つの明確なギャップがある：

ディスカバリ機能の不在: 「どのツールが使えるか」をランタイムに発見する標準機能がない
エージェント間調整機能の不在: 1つのエージェントが別のエージェントにタスクを委譲するプロトコルがない

この2つのギャップを埋めるべく登場したのが、A2A と ARD である。

3. A2A：Google 発のエージェント間調整標準

Google が 2025年に発表した Agent-to-Agent Protocol（A2A）は、エージェント同士の直接通信を標準化する。MCP が「モデル→ツール」の縦方向接続なら、A2A は「エージェント→エージェント」の横方向連携だ。

A2A の特徴

Agent Card: 各エージェントが自身の能力を記述した機械可読カードを公開（/.well-known/agent-card.json）
タスクライフサイクル管理: 非同期的なタスク委譲と進捗報告を標準化
スキーマベース: JSON-RPC 2.0 上に構築、ストリーミング対応
v1.0.1: 2026年5月28日リリース、50+ パートナーが対応

Google は A2A を Cloud Next ‘26（2026年4月）でGemini Enterprise Agent Platform の中核プロトコルとして位置づけた。同プラットフォームは 200+ モデル（Anthropic Claude 含む）を Model Garden で提供し、Workspace Studio（ノーコードエージェントビルダー）と統合されている。

A2A の「エージェント間通信」という問題設定自体は正しい。実際、エージェントが増えるにつれて「Department A の Claude Agent が Department B の Salesforce Agent にタスクを委譲する」というパターンは増加している。当ブログの 6/20 Agentjacking 記事で指摘した通り、エージェント間通信は同時に新たな攻撃面も生み出す——A2A のセキュリティ設計は今後の重要な監視ポイントだ。

しかし A2A だけでは**「どのエージェントが存在するか」を発見する問題**は解決しない。ここに次のレイヤーが必要になる。

4. ARD：Google・Microsoft・Salesforce の反 Anthropic 連合

2026年6月17日、11社が連名で Agentic Resource Discovery（ARD） 仕様を公開した。この連合は、AI エージェントが「使えるツールをどう発見するか」という問題に対して、自社ドメイン上の /.well-known/ai-catalog.json を標準化することで答える試みだ。

ARD 連合の顔ぶれ

グループ	企業
クラウド・検索	Google、Microsoft
SaaS プラットフォーム	Salesforce、ServiceNow
データ・分析	Snowflake、Databricks
開発・OSS	GitHub、Hugging Face
インフラ	Cisco、Nvidia
Web プラットフォーム	GoDaddy

The Information の表現を借りれば、これは「Google と Microsoft が Anthropic と OpenAI をエンタープライズ AI ワークフローの配管層で押し戻す」試みである。この構図は、当ブログで何度も論じてきた「5軸フレームワーク」における ①a OpenAI（Trusted Access）と ①b Anthropic（Restricted Release）の対立軸が、ツール接続層まで拡大したものとも読める。

ARD の仕組み

ARD は MCP を置き換えるのではなく、その上位に位置するディスカバリ層だ。2つのプリミティブから構成される：

Catalog（カタログ）: 各組織が自社ドメインの /.well-known/ai-catalog.json に、公開する MCP サーバー、A2A エージェント、OpenAPI ツールなどをリストする
Registry（レジストリ）: カタログをクロールしてインデックス化し、エージェントからの平文言語クエリに応答する検索エンジン

4つのフェーズ:

公開: 自社ドメインに ai-catalog.json を配置
発見・解決: エージェントがレジストリに平文クエリを送信、または既知パートナーのカタログを直接取得
暗号検証: 発行者の身元を暗号的に確認してから接続
実行時接続: ネイティブプロトコル（MCP/A2A/OpenAPI）で動的に接続

Google Cloud はこれをAgent Registryとして Gemini Enterprise Agent Platform に統合中（来月以内にネイティブサポート予定）。これは 7/13 の Gemini 3.5 Pro 記事でも触れた「①c Google Antigravity build-back」の一環と位置づけられる。

誰が参加していないか

Anthropic と OpenAI はこの連合に含まれていない。より正確に言えば、ARD の対象範囲としては「ARD クライアント（Claude、ChatGPT、GitHub Copilot、Microsoft Copilot、Gemini）」と位置づけられているが、「ARD コンテンツ作成者」ではない。実務上、これは「最先端の配管層の決定権をクラウド/SaaS インカンベントが握る」ことを意味する。

BFWAI Jul 13 の辛辣な評価：

「5社委員会が整合性のあるプロトコルを迅速に出荷することは、エンタープライズソフトウェア史上初めてのことになる。MCP の先行優位はプレスリリースが示すより遥かに大きい」

5. ACP：縁の下の力持ち

ARD・A2A・MCP に注目が集まる一方で、Agent Communication Protocol（ACP） は Boomi などが推進する REST ベースの社内エージェント連携標準として地道に採用を拡大している。

3プロトコルの棲み分けは以下の通り：

プロトコル	範囲	主要ユースケース
MCP	モデル→ツール	DB クエリ、Slack 投稿、GitHub Issue
A2A	エージェント→エージェント	部門間タスク委譲、マルチエージェント協調
ACP	社内エージェント管理	組織内 REST ベースハブ
ARD	ディスカバリ＋検証	「何があるか」の実行時発見

実際のエンタープライズ導入では、これらすべてが積み重なる。プランナーエージェントが A2A で専門エージェントにタスクを委譲し、各エージェントが MCP でツールを呼び出し、ARD で「どの専門エージェントが使えるか」を発見する——という構成が標準的になる。

6. Linux Foundation の「協調と競争」パラドックス

このプロトコル戦争で最も興味深い構造は、全員が Linux Foundation 傘下の Agentic AI Foundation（AAIF）に参加している点だ。

AAIF は 2025年12月、Anthropic が MCP を寄贈する形で設立された。Google、Microsoft、OpenAI、AWS、Salesforce のすべてがメンバーだ。しかし ARD は AAIF ではなく、別の Linux Foundation ワーキンググループ（AI Catalog Working Group） でホストされている。

BFWAI の表現を借りれば：

「Foundation の中では協調し、市場ではナイフファイトをしている」

これはオープンソースの世界ではよくある構図だが、AI エージェントの配管層で起きていることは標準化の細分化を招くリスクもある。各社が「オープン」な標準を乱立させれば、結局エンタープライズユーザーが統合コストを負担することになる。この問題は、6/30 Alphabet $84.75B 記事で論じた「AI インフラ標準化の限界」と同じ構造だ。

7. 日本企業への4つの含意

含意1：早期採用競争の開始

ARD はまだ v0.9 ドラフトであり、6月中旬時点でサンプリングした 39 の主要サイトのうち、ai-catalog.json を提供していたサイトはゼロだった（Synscribe 6/18 調査）。これはファーストムーバー優位がまだ獲得可能であることを意味する。

日本企業が /.well-known/ai-catalog.json を自社ドメインに配置すれば、国際的な AI エージェントから発見可能な最初の日本語エンティティになれる。これは 7/4 Frontier AI Governance Compact で論じた「業界標準の先取り」戦略と同様の発想だ。

含意2：MCP の日本導入実績が差別化要因に

日本の主要クラウド/SaaS ベンダーは ARD 連合に名を連ねていない。さくらインターネット、GMO、KDDI などが ARD カタログを早期公開すれば、日本企業向け AI エージェントの「発見可能な」インフラとして差別化できる。

含意3：プロトコル選択の負荷軽減

当面の推奨構成：

目的	選択
ツール接続	MCP（事実上の標準、エコシステム最大）
エージェント間連携	A2A（Google/GCP 系なら必須）
リソース発見	ARD（2026年Q3 開始、まずは調査）
社内ハブ	ACP or 自社選択

この構成は、当ブログの 7/14 GPT-5.6 Terra 3層ルーティングで紹介した「モデル階層化」の考え方をプロトコル層に拡張したものだ。

含意4：AI エージェントサイロ化の回避

プロトコル乱立の最大のリスクは、部門ごとに異なるプロトコルを採用した結果、エンタープライズ全体のエージェント連携が不可能になる「AI サイロ化」だ。DevOps が MCP、マーケティングが A2A、カスタマーサポートが ARD のみ——では統合できない。

対策として、Agent Gateway（Bifrost などの MCP ゲートウェイ） をエンタープライズ全体の中間層として導入し、全プロトコルを一手に引き受ける設計が実務解となる。

8. 5つの実装ステップ

#!/bin/bash
# Step 1: 現状の MCP サーバー棚卸し
find . -name "mcp*.json" -o -name "*mcp*config*" | head -20

# Step 2: 接続先 MCP サーバーの把握
grep -r "mcpServers\|mcp_servers" --include="*.json" --include="*.yaml" --include="*.toml" . 2>/dev/null | head -30

# Step 3: ARD カタログの調査（自社ドメインで公開するか）
# /.well-known/ai-catalog.json のひな形
cat > ai-catalog-template.json << 'CATALOG'
{
  "catalog": {
    "name": "example-corp",
    "description": "Example Corp AI Agent Resources"
  },
  "resources": [
    {
      "type": "mcp-server",
      "name": "Internal DB Query",
      "description": "PostgreSQL query MCP server for internal analytics",
      "url": "https://mcp.internal.example.com/db-query"
    }
  ]
}
CATALOG

# Step 4: Agent Gateway の評価（Bifrost / MuleSoft / 自社実装）
# MCP + A2A + ARD の 3 層を 1 つのゲートウェイで受けるアーキテクチャを検討

# Step 5: 定期的なプロトコルエコシステムの棚卸し
# → 四半期ごとに各プロトコルの採用率・バージョンを再評価

# Python: 3 プロトコル対応ルーティングの評価コード
import json

def evaluate_protocol_coverage(protocols):
    """
    企業のエージェントプロトコルカバレッジを評価する
    """
    coverage = {
        "tool_connection": "mcp" in protocols,
        "agent_coordination": "a2a" in protocols,
        "discovery": "ard" in protocols,
        "internal_hub": "acp" in protocols,
    }
    score = sum(1 for v in coverage.values() if v)
    print(f"Protocol coverage: {score}/4")
    print(f"Coverage: {json.dumps(coverage, indent=2, ensure_ascii=False)}")
    
    if score < 3:
        print("⚠️ 警告: 3つ以上のプロトコルをカバーすることを推奨")
    else:
        print("✅ 良好: マルチプロトコル対応完了")
    
    return coverage

# 使用例
evaluate_protocol_coverage(["mcp", "a2a", "ard", "acp"])

9. 残された3つの根本問題

問題1：ARD の採用が本当に進むか

6月中旬時点で主要サイトの ai-catalog.json 採用率は 0%。Google Cloud の Agent Registry 統合が「来月中」と言われているが、実際のエンタープライズ導入には 6〜12 ヶ月かかるという見方が支配的だ。MCP の 97M ダウンロードに対して、ARD は現時点ではコンセプトに過ぎない。

問題2：プロトコルの「オーバーレイヤリング」リスク

MCP → A2A → ARD → ACP の 4 層構造は、図面上は美しい。しかし実際のエンタープライズ導入では、4層すべての認証・権限・監査を統合するのは膨大な運用コストになる。各層の間に認証の「隙間」が生まれれば、6/20 Agentjacking のような攻撃ベクトルが拡大する。

問題3：エンドユーザー企業の立場

プロトコル戦争の真の勝者は、最も多くのエンタープライズ顧客を囲い込んだプラットフォームになる。つまり、この戦争は「どのプロトコルが技術的に優れているか」ではなく、「どのクラウド/SaaS ベンダーが顧客ロックインを仕掛けられるか」の地政学である。エンドユーザー企業は、特定のベンダーのプロトコルに過度に依存しないよう、マルチプロトコル対応のアーキテクチャを採用すべきだ。

まとめ

2026年6月17日の ARD 公開は、AI エージェントの配管層をめぐる新局面の始まりに過ぎない。MCP の圧倒的なエコシステム優位（97M ダウンロード、全プラットフォーム対応）に対して、ARD 連合は「ディスカバリ」というレイヤーで対抗する構図だ。

この構図は、6/29 Fable 5 復元 Day-2 で見たような「協調と競争の二面性」がプロトコル標準化の世界でも完全に再現されていることを示している。Linux Foundation で握手しながら、市場では Anthropic と OpenAI を締め出そうとする——この戦略の成否は、AI エージェントを導入するエンドユーザー企業がどのプロトコルをデファクトとして選ぶかにかかっている。

日本企業にとっての実務的な含意は単純だ：

当面は MCP を第一プロトコルとして採用（エコシステム最大）
ARD の動向を四半期ごとに再評価（採用が進めば自社ドメインカタログも検討）
Agent Gateway でマルチプロトコル対応を準備（単一ベンダー依存回避）
自社ドメインの /.well-known/ai-catalog.json を 2027年までに準備

この記事はAIによって生成され、人間の編集を経て公開されています。 Appwright AI は AI によるコンテンツ制作の可能性を探求する実験的プロジェクトです。

TL;DR#

1. なぜ今「プロトコル戦争」なのか#

2. MCP：97M ダウンロードのデファクト標準#

MCP の採用実績#

3. A2A：Google 発のエージェント間調整標準#

A2A の特徴#

4. ARD：Google・Microsoft・Salesforce の反 Anthropic 連合#

ARD 連合の顔ぶれ#

ARD の仕組み#

誰が参加していないか#

5. ACP：縁の下の力持ち#

6. Linux Foundation の「協調と競争」パラドックス#

7. 日本企業への4つの含意#

含意1：早期採用競争の開始#

含意2：MCP の日本導入実績が差別化要因に#

含意3：プロトコル選択の負荷軽減#

含意4：AI エージェントサイロ化の回避#

8. 5つの実装ステップ#

9. 残された3つの根本問題#

問題1：ARD の採用が本当に進むか#

問題2：プロトコルの「オーバーレイヤリング」リスク#

問題3：エンドユーザー企業の立場#

まとめ#