AIエージェントとは何ですか？

AIエージェントとは、generative AI を用いて、ある程度の自律性と agency (エージェンシー) をもってタスクを実行するソフトウェアシステムです。

Squid AI は、built-in retrieval-augmented generation (RAG) engine とユーザーが選択する LLM を使い、既存のシステムやデータを接続することで、ビジネス向けの目的特化型 AI エージェントやワークフローを作成できるようにします。

AIエージェントの理解

ここでの「エージェント」という用語は、agency (エージェンシー)、すなわちユーザーや組織の代わりに行動や意思決定を行う能力を指しており、これにより AI エージェントは従来のソフトウェア、ツール、分析システムと区別されます。これらとは異なり、AI エージェントは様々なエンタープライズ環境において意思決定を行い、行動を起こし、インテリジェントなソリューションを提供できます。

AI エージェントは、以下の要素を持って動作します:

• 目的主導のインテリジェンス - 特定のビジネス目標に向けて活動する
• コンテキスト認識 - ビジネス環境内のデータを理解する
• 行動実行能力 - 単なる情報提供を超えて、実際に操作を実行する
• 学習と適応 - 時間の経過とともにパフォーマンスを向上させる

Generative AI が AI エージェントを可能にする仕組み

なぜ AI エージェントが最近になって発展したのかと思われるかもしれません。複数の要因がありますが、generative AI は、以前は大規模に実現するのが非常に困難あるいはほぼ不可能だった2つの重要な機能を解放しました:

• まず、会話言語（他の人と話すような感覚）の使い方で AI 技術と対話できるようになり、AI がはるかにアクセスしやすくなりました。

• 次に、大量の非構造化データ（文書、テキスト、マルチメディア）から洞察を得ることが可能となり、以前は非構造化データを無理やりデータベースやテーブルなどの構造化フォーマットに落とし込む必要がありました。

要するに、AI エージェントは、私たちが自然に行っているように、データ、システム、人々とより近い形で理解し、相互作用できるようになったのです。

LLM と AI エージェントの比較

Large Language Models (LLMs) と AI エージェントの違いを理解することは、エンタープライズ環境においてエージェントがどこでどのように価値を提供するのかを明確にするのに役立ちます。

Large Language Models: 能力と限界

Large Language Models は強力な自然言語処理能力を提供しますが、エンタープライズアプリケーションにはいくつかの制約があります:

• コンテキストの限界: LLMs は一般的なデータでトレーニングされており、追加のカスタマイズなしでは特定のビジネスコンテキストや業界固有の知識が欠如しています。
• データアクセスの制約: 標準の LLMs はエンタープライズのデータソースに直接アクセスしたり、リアルタイムの情報を取得することができません。
• 構造化データの処理: LLMs は主に自然言語向けに設計されており、複雑な構造化データを正確に処理する能力は限定的です。
• システム統合: 追加のインフラストラクチャやオーケストレーションがなければ、LLMs は既存のエンタープライズワークフローやシステムとネイティブに接続することはできません。
• セキュリティとガバナンス: ベースの LLM 実装は通常、エンタープライズグレードのセキュリティコントロールや監査機能を欠いています。

AI エージェントが LLM の機能を拡張する方法

AI エージェントは LLM の基盤に重要なエンタープライズ機能を追加することで、さらに以下のような強化を行います:

• ビジネスコンテキストの統合: エージェントは、ドメイン固有の知識や企業情報を組み込むように構成可能です。
• データ接続性: エージェントは、構造化データ、非構造化データ（データベース、API、文書、ファイル、SaaS）など、複数のデータソースへの接続を含みます。
• クロスシステム機能: よく設計されたエージェントは、エンタープライズ全体のシステムにまたがって包括的な視点とアクションを提供します。
• セキュリティとガバナンス: エンタープライズ向け AI エージェントは、適切なセキュリティコントロール、権限、アクセスコントロール、監査証跡を備えています。
• アクション機能: 主にテキストを生成する、または個々のユーザーのために限定的なアクションしか実行できない LLMs と異なり、エージェントは部門やシステム、組織全体でアクションやワークフローを起動することができます。

AI エージェントのスペクトラム

まだ市場全体で「AI エージェント」の標準定義は存在しませんが、以下の能力と自律性のスペクトラムは有用なフレームワークとなると考えられます:

Level	Category	Description	Key Characteristics
L0	No AI Automation	現状 - 既存または手作業のプロセスで、基本的または現在のツールを使用したもの	完全に人的努力に依存して理解と行動を行う；自動化はなし
L1	Assisted Work	ブレインストーミング、執筆、検索を支援する generative AI	限定的なコンテキスト、または公開データのみでトレーニングされたチャットボットの場合が多い
L2	Augmented Enterprise	エンタープライズのビジネスコンテキストを踏まえて、アクションを起こし、問題解決や提案を行う	UI の有無にかかわらず、システム間で 360° ビューを提供
L3	Autonomous Enterprise	最小限または全くの人的監督なしで独立して運用する	まだ発展途上ですが、エンタープライズ全体での AI の未来を示しています

現状、多くの組織は API や関数の呼び出し、独自データへのアクセス、人的介入を維持しながらのアクション実行能力を持つ L2 Augmented Enterprise エージェントに注力しています。

エンタープライズ AI エージェントの種類

AI エージェントを3つのカテゴリーに分けることは、理解を深める効果的な方法だと考えられます。Knowledge Agents はチームを、System Agents はシステムを、Data Agents は知識やプロダクトを補強します。

ほとんどのエンタープライズでは、実際のシチュエーションやユースケースに対応するために、2つ以上のエージェントを組み合わせたソリューションが必要となります。

Knowledge Agents

• 目的: チームの生産性を向上させ、補強する
• 機能: 組織全体の関連データやシステムにアクセスすることで、洞察を提供したり、質問に答えたり、コンテンツを生成したり、情報アクセスを簡素化したりします。
• 例: 営業担当者がライブの顧客電話中に、製品ドキュメント、価格、競合情報に即座にアクセスできる Sales enablement AI エージェント。

System Agents

• 目的: システム間を接続してプロセスやワークフローを自動化することで、システムを補強する
• 機能: ポリシーに基づいてトレーニングされ、異なるシステムを接続し、手作業のワークフローを自動化することが可能です。
• 例: 特定の請求書の項目が正確であり、企業の請求ポリシーに準拠しているかを検証することで、請求エラーを減少させるコンプライアンスエージェント。エラーやポリシー違反が検出された場合、フラグが立てられるか、人間の承認が必要なリメディエーション提案が生成されます。

Data Agents

• 目的: データにアクセス可能な形で、知識やプロダクトを補強する
• 機能: 生データから直接洞察を抽出し、リッチなデータビジュアライゼーションを作成、そしてデータに対して自然言語での対話を可能にします。
• 例: 顧客満足度を高め、収益を向上させる機能として、プロダクト内に埋め込まれた analytics や natural language querying 機能。

AI エージェントのユースケースを考え始めるには

新たなテクノロジーの採用は脅威に感じるかもしれませんが、正しいマインドセットを持つことが有用です。以下は AI エージェント導入の第一歩です。

高ROIが期待できるユースケースの特定

明確な ROI（Return on Investment）の見込める領域に注目しましょう。反復的で手作業の内部プロセス、システムが交差する部分で両システムから情報が必要となる場面、または複数のシステムやデータソースから情報を必要とするシナリオを探してください。

スコープの制限

高ROIのユースケースが特定できたら、小規模で自己完結型の部分からスタートしましょう。通常は内部チームで試すのが最適で、顧客向けまたは外部向けのユースケースに比べリスクが低く、価値の証明が迅速に進みます。

置換ではなく補完からスタート

業務を完全自動化するのではなく、人間の能力を強化することにフォーカスしてください。完全自律型エージェントのアイデアは注目を集めますが、今日の AI エージェントは既に人的作業の補完に優れており、完全自律よりも低リスクで生産性向上が期待できます。

混乱を最小限に抑える設計

既存のテクノロジーエコシステムやワークフロー内でエージェントが機能できるように設計し、混乱や新たなツール習得の必要性を最小限に留めましょう。

最初からセキュリティとガバナンスを優先

AI エージェントを誰が利用するのか、どのリソースにアクセスするのか、またエージェントがどのように応答すべきかを最初から検討しましょう。

成功した AI エージェントが完成すると、最初に皆がやりたがるのはそれを他者と共有することです。そして、エンタープライズソフトウェアに必要なセキュリティ、ガバナンス、コンプライアンス要件は AI エージェントにも同様に適用されます。

適切なガバナンスと統合を伴う戦略的な AI エージェントの実装により、組織は大幅な運用改善、コスト削減、そして競争優位性を実現できます。

もっと詳しく知るには

どこから始めればよいか迷っていますか？ Squid AI は、さまざまなユースケースに対応する多くの強力な機能を提供しています。

• Need to quickly spin up an AI agent? AI Agent Studio を使用して、コードを書くことなくエージェントを作成してください。

• Want to build a highly customized AI agent workflow? Squid の SDKs を使用してカスタムエージェントを構築するか、ハンズオンの学習体験のために AI tutorial をご覧ください。

• Looking to create a unique application suitable for your use case? fullstack development docs をご覧いただくか、もしくは fullstack tutorials へアクセスしてカスタムの fullstack アプリケーションを作成してください。

• Have a question? Please reach out to us！お気軽にご連絡ください。導入のお手伝いをさせていただきます。