Hana’s Note
AIに質問すると返事が返ってくる。でも「この資料を調べて、表にまとめて、間違いがないか確かめて」と頼んだとき、AIはどこまで自分で進められるんだろう。答えるだけのAIから、作業を進めるAIへ。その境目が気になるにゃ。
「AIに質問する」から「仕事を任せる」へ
これまで生成AIを使う代表的な形は、チャット画面で質問し、返ってきた文章を人が次の作業に使うことでした。要約を頼み、結果をコピーし、検索し直し、別のソフトへ入力する。AIは一回ごとの返事を作り、その先の操作は人が担当します。
AIエージェントでは、依頼の単位が少し大きくなります。「質問に答えて」ではなく、「この目的を達成して」と頼み、AIが必要な手順やツールを選びます。検索結果を読んで追加調査をしたり、コードを直してテスト結果を確認したり、途中で情報が足りないと判断して人へ尋ねたりします。
ただし、AIエージェントという言葉に世界共通の一つの定義があるわけではありません。決められた手順をAIで進める仕組みまで含める場合もあれば、AIが次の行動を動的に選ぶ仕組みだけを指す場合もあります。この記事では後者を中心に、目的に向けてAIモデルがツールを選び、結果を観察しながら複数段階の作業を進めるシステムとして考えます。
AIエージェントとは何か
AIエージェントは、AIモデル単体の名前ではありません。一般には、次の要素を組み合わせたシステムです。
- AIモデル — 依頼や状況を読み、次に何をするかを判断する中核。
- 目的と指示 — 達成したい結果、守るルール、してはいけないこと。
- ツール — 検索、ファイル読取、コード実行、データベース照会など、外部の情報や機能へ接続する手段。
- 計画と状態 — 作業を小さく分け、どこまで進んだか、何が分かったかを保持する仕組み。
- 観察とフィードバック — ツールの結果やエラーを読み、次の行動や計画を修正する仕組み。
OpenAIの実務ガイドは、基本要素をモデル・ツール・指示の三つに整理しています。Anthropicは、これらに実行ルールや安全策を含む「harness」と、どのファイルやシステムへアクセスできるかという「environment」も含めて説明しています。数え方は違っても、モデルだけで仕事が完結するのではなく、何を使えて、どこまで動けて、いつ止まるかが重要だという点は共通しています。
「メモリ」もよく挙げられる要素です。ここでいうメモリは人間の記憶そのものではなく、会話履歴、途中のメモ、タスクの進行状況、保存されたファイルなどを次の判断に使う仕組みです。短い作業では現在の状態だけで足りる場合もあり、すべてのエージェントが長期記憶を持つわけではありません。
AIチャットとの違い
違いは、画面がチャット形式かどうかではありません。AIチャットが検索やコード実行のツールを使うことも、AIエージェントが会話で確認を求めることもあります。実用上は、誰が次の手順を選び、どこまで作業を続けるかを見ると分かりやすくなります。
| 視点 | AIチャット | AIエージェント |
|---|---|---|
| 主な目的 | 質問への回答、要約、文章作成 | 目的に向けた複数段階の作業 |
| 次の手順 | 人が返答を見て決めることが多い | AIが状況に応じて候補を選ぶ |
| ツール利用 | 使う場合もあるが、一回の応答で終わることも多い | 検索・ファイル・APIなどを繰り返し使う |
| 自律性 | 会話の一往復ごとに人が進めやすい | 決められた範囲で一定時間進める |
| 人の役割 | 質問、判断、外部操作を担う | 目的・権限・停止条件を決め、重要箇所を確認する |
自律性は「ある・ない」の二択ではありません。資料を読むだけのエージェントもあれば、変更案を作るところまで進めるもの、送信や支払いの直前に必ず人の承認を求めるものもあります。自由に何でもすることではなく、許可された範囲で次の行動を選べる度合いと考える方が実態に近いでしょう。
何ができるようになるのか
コーディングエージェント
コードを一度生成するだけでなく、リポジトリ内のファイルを読み、関連箇所を探し、修正し、テスト結果を見て直し直すところまで進めます。Claude Codeなどの製品や、各社のAgent SDKは、このような長い作業を支える例です。ただし、意図しない変更やセキュリティ上の問題がないかは、人が差分とテストを確認します。
Research Agent
調査の問いを小さく分け、検索し、資料を読み、不足があれば検索語を変え、最後に出典付きの報告へまとめます。OpenAIのdeep researchのような機能は、この複数段階の調査を一つの依頼から進める例です。もっとも、出典リンクが付いていても、その資料が主張を本当に支えているか、古くないかは別に確認する必要があります。
業務自動化
問い合わせ内容を読み、社内規則を探し、必要な情報をシステムへ入力し、判断できない場合は担当者へ引き継ぐ、といった流れが考えられます。手順が完全に固定できる仕事では通常の自動化の方が予測しやすく、例外が多く自然言語の判断が必要な場面でエージェントが候補になります。
個人アシスタント
カレンダーを確認して候補時間を探す、複数の条件を見ながら旅行案を作る、受信した情報を整理するといった使い方です。一方で、メール送信、予約、購入のように外部へ影響する操作では、確認画面と権限管理が欠かせません。
技術的にはどう動くのか
エージェントの基本的な流れは「agent loop」と呼ばれることがあります。
- 利用者の目的と制約を読む。
- 現在の情報から、次に必要な小さな行動を決める。
- 適切なツールを呼び出す。
- 返ってきた情報、成功、失敗を観察する。
- 必要なら計画を変え、次の行動へ進む。
- 完了条件を満たすか、人の判断が必要になったら止まる。
2022年に提案され、ICLR 2023で発表されたReActは、言語による推論と環境への行動を交互に扱い、行動の結果を次の判断へ戻す考え方を示しました。現在のエージェント製品がすべて同じ実装という意味ではありませんが、「考える → 動く → 結果を見る」という循環を理解する手がかりになります。
ツールとの接続方法としては、APIごとに専用の連携を作るほか、Model Context Protocol（MCP）のような共通規格も使われます。MCPは、AIアプリケーションへ資料やツールを接続するための規格です。MCPそのものがエージェントなのではなく、エージェントが外部の情報や機能を扱うための接続口の一つです。
現在の限界
完全自律ではない
現在のAIエージェントは、曖昧な依頼を正しく補い、長い作業を常に安全に完了できる存在ではありません。情報が足りないとき、失敗が続いたとき、重要な判断に達したときに止まり、人へ確認できる設計が必要です。
間違いが途中で積み重なる
最初の検索結果を読み違えると、その誤りを前提に計画を作り、後の操作まで進める可能性があります。文章の誤りだけで終わらず、ファイル変更や外部送信につながる点が、通常のチャットより注意を要するところです。
権限管理が重要になる
読むだけ、下書きを作る、実際に送信する、支払いをする、では影響が違います。必要最小限の権限に絞り、取り消しにくい操作では承認を求め、何をしたかを後から確認できる記録が必要です。
外部情報に誘導されることがある
Webページや文書に、AIへ意図しない操作をさせる指示が埋め込まれる「prompt injection」も問題になります。外部情報を読む能力と、メール送信やファイル操作の権限が同時にあるほど、情報の入口と操作の出口を分けて守る必要があります。
人間による確認が必要
医療、法律、採用、金銭、公開情報など、間違いの影響が大きい場面では、最終判断をエージェントへ渡さないことが重要です。便利さは確認をなくすことではなく、人が見るべき箇所を絞り、途中経過を追えるようにすることで生まれます。
今後どう変わるのか
今後は、AIモデルの能力だけでなく、ツールの接続規格、権限管理、実行履歴、評価方法、人への引き継ぎが整うことで、より長い作業を任せやすくなる可能性があります。MCPのような規格や、OpenAI、Anthropic、Googleなどが提供するAgent SDKは、そのための部品を共通化しようとする動きです。
ただし、接続先が増えることと、安全性や正確性が自動的に高まることは同じではありません。まず読み取り専用で試し、成功条件を測り、失敗例を集め、必要なところだけ権限を広げる。AIエージェントは、完成した万能な同僚というより、仕事の渡し方と確認方法を一緒に設計する技術として見るのが現実的です。
Summary
AIエージェントは、目的と制約を受け取り、AIモデルがツールを選び、結果を観察しながら複数段階の作業を進めるシステムです。AIチャットとの違いは画面ではなく、次の手順を誰が選び、どこまで処理を続けるかにあります。
できることが増えるほど、間違いの影響も大きくなります。利用時は、モデル名だけでなく、アクセスできる情報、操作権限、停止条件、人が確認する場所を見ることが大切です。
Hana & Taka
HanaAIに何を任せるかを考えると、できることより先に、どこで一緒に確認するかが気になってくるにゃ。
Takaそうだね。目的と権限、それから止まる場所を人が決めることで、初めて安心して任せられるんだと思う。
Related links / References
- A practical guide to building agents（OpenAI） — エージェントの定義、基本要素、ツール、人間への引き継ぎ。
- Building effective agents（Anthropic） — workflowとagentの区別、複雑さを増やす条件。
- Trustworthy agents in practice（Anthropic） — agent loop、実行環境、権限と監督。
- ReAct: Synergizing Reasoning and Acting in Language Models（Yao et al.） — 推論、行動、観察を組み合わせる研究。
- MCP Server Features Overview（Model Context Protocol） — prompts、resources、toolsの仕様概要。
- Introducing deep research（OpenAI） — 複数段階の調査エージェントの例。
- Agent Development Kit（Google Developers Blog） — ツール、評価、複数エージェント構成を扱う開発基盤の例。
- Designing AI agents to resist prompt injection（OpenAI） — 外部情報と実行権限が組み合わさる場合の安全上の論点。