AI エージェントとは？

AI エージェントは、generative AI を使用して自律性と agency (エージェンシー) を伴うタスクを実行するソフトウェアシステムです。

Squid AI を使用すると、組み込みの retrieval-augmented generation (RAG) エンジンと、選択した LLM を利用して、既存のシステムやデータを連携させ、ビジネスに特化した AI エージェントおよびワークフローを作成することができます。

AI エージェントの理解

AI エージェントにおける「agent」という用語は、agency（代理性）の概念、つまりユーザーや組織の代わりに行動または意思決定を行う能力を指し、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。従来のシステムとは異なり、AI エージェントは、さまざま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解決策を提供することができます。

AI エージェントは、以下の特性を持って動作します：

• Purpose-driven intelligence - 特定のビジネス目標に向けて動作する
• Contextual awareness - ビジネス環境内のデータを理解する
• Action-taking capability - 単に情報を提供するだけでなく、操作を実行する
• Learning and adaptation - 時間とともに性能を向上させる

Generative AI が AI エージェントを可能にする方法

なぜ近年まで AI エージェントが発展しなかったのか疑問に思うかもしれません。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、あるいは不可能であった2つの重要な機能を解放しました：

• まるで他の人と会話するかのように、自然な会話言語を用いて AI テクノロジーと対話できるため、AI の利用が格段に容易になります。

• 以前は、非構造化データ（ドキュメント、テキスト、マルチメディアなど）を構造化フォーマット（データベース、テーブルなど）に無理やり変換する必要があった大容量の非構造化データから洞察を得ることが可能になります。

つまり、AI エージェントは、データ、システム、人々と、我々が自然に行っている方法に近い形で理解し対話することができるようになっています。

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で、エンタープライズ環境においてエージェントがどのように価値を提供するかが明確になります。

Large Language Models: 能力と制約

Large Language Models は強力な自然言語処理機能を提供しますが、エンタープライズアプリケーションではいくつかの制約に直面しています：

• Contextual limitations: LLMs は一般的なデータで訓練されており、追加のカスタマイズがない場合、特定のビジネス文脈や業界固有の知識が欠けています。
• Data access constraints: 標準的な LLM 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、リアルタイム情報を取得することができません。
• Structured data handling: LLMs は主に自然言語処理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。
• System integration: 追加のインフラやオーケストレーションなしに、既存のエンタープライズワークフローやシステムにネイティブに接続することはできません。
• Security and governance: 基本的な LLM 実装には、エンタープライズグレードのセキュリティ制御や監査機能が通常備わっていません。

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 の基盤の上に重要なエンタープライズ機能を追加することで発展しています：

• Business context integration: エージェントは、ドメイン固有の知識や会社情報を設定することができます。
• Data connectivity: エージェントは、データベース、APIs、ドキュメント、ファイル、SaaS など、構造化および非構造化の複数のデータソースへの接続を組み込んでいます。
• Cross-system functionality: 優れた設計のエージェントは、包括的なビューとアクションのために、エンタープライズシステム全体で動作します。
• Security and governance: エンタープライズ用 AI エージェントには、適切なセキュリティ制御、権限、アクセス制御、および監査トレイルが含まれています。
• Action capabilities: 主にテキスト生成や個々のユーザーのための限定されたアクションしか実行できない LLM とは異なり、エージェントは部門、システム、組織全体でアクションやワークフローを開始することができます。

AI エージェントのスペクトラム

市場全体で「AI エージェント」の標準的な定義はまだ存在しませんが、我々は以下の能力と自律性のスペクトラムが有用な枠組みであると考えています：

Level	Category	Description	Key Characteristics
L0	No AI Automation	現状 - 基本または既存のツールを使用した従来のまたは手動のプロセス	理解と行動は完全に人間に依存しており、自動化はありません
L1	Assisted Work	ブレインストーミング、ライティング、または検索を支援する generative AI	限定された文脈で動作するか、公開データのみで訓練されたチャットボット
L2	Augmented Enterprise	エンタープライズのビジネスコンテキストを用いて、アクションを起こし、問題を解決し、解決策を提案する	UIの有無にかかわらず、システム横断的に動作し、360°のビューを提供します
L3	Autonomous Enterprise	最小限または全くの人間の監督なしに独立して運用する	まだ発展途上ですが、エンタープライズ全体の AI の未来を示しています

今日の多くの組織は、APIや各種機能の呼び出し、専有データへのアクセス、人間を関与させた状態でのアクション実行能力により、重要な運用価値を提供する 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つのカテゴリに分けることは、それらを考える上で効果的な方法です。Knowledge agents はチームを補完し、system agents はシステムを補完し、data agents は知識および製品を補完します。

ほとんどのエンタープライズは、実際の状況やユースケースに対応するために、これらの2つ以上を組み合わせたソリューションが必要となります。

Knowledge Agents

• Purpose: チームの生産性を向上させるために補完する
• Function: 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、質問に回答し、コンテンツを生成し、情報へのアクセスを簡素化する
• Example Use Case: ライブの顧客対応中に、営業担当者が即座に製品ドキュメント、価格情報、競合情報にアクセスできる Sales enablement AI エージェント

System Agents

• Purpose: 複数のシステムを連携させ、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完する
• Function: ポリシーに基づいて訓練され、異なるシステムを接続し、手動のワークフローを自動化する
• Example Use Case: 請求書上の特定の明細項目が正確であり、会社の請求ポリシーに準拠していることを検証することで請求エラーを減少させる Compliance agents。エラーやポリシー違反はフラグを立てたり、必要に応じて人間の承認のための修正提案を生成します。

Data Agents

• Purpose: データをアクセス可能にすることで、知識と製品を補完する
• Function: 生データから直接洞察を抽出し、豊かなデータビジュアライゼーションを作成し、データとの自然言語による対話を可能にする
• Example Use Case: 組み込みの分析機能や、製品内での自然言語クエリ機能によって顧客満足と収益向上に寄与するもの

AI エージェントのユースケースの考え方の始め方

新しいテクノロジーの導入は困難に感じられ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大切です。以下は、あなたの AI エージェント導入の旅の始め方です。

高付加価値なユースケースの特定

明確な ROI の見込みがある領域に焦点を当てましょう。反復的な手動の内部プロセス、2つの異なるシステムが接続し、双方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取得する必要があるシナリオを探してください。

範囲を限定する

高付加価値なユースケースが特定できたら、通常は内部チームで、小規模で自己完結型の部分から始めるようにしましょう。これにより、顧客向けや外部ユースケースと比べて低リスクで AI エージェントを試すことができ、迅速に価値を証明することが可能になります。

置き換えではなく補完から始める

役割を完全に自動化するのではなく、人間の能力を補完する形で強化しましょう。完全自律型エージェントの概念が注目を集める一方、現在の AI エージェントは、労働力を補完することで生産性の向上を比較的低リスクで実現できます。

混乱を最小限に抑える構築

エージェントが既存のテクノロジーエコシステムやワークフロー内でどのように機能するかを検討し、混乱や新たなツールの習得を最小限に抑えるようにしましょう。

初めからセキュリティとガバナンスを優先する

AI エージェントを誰が使用し、どのリソースにアクセスできるか、またエージェントがどのように対応すべきかを最初から考え始めましょう。成功した AI エージェントを他の人と共有する際にも、あらゆるエンタープライズソフトウェアに求められるセキュリティ、ガバナンス、コンプライアンスの要件が適用されます。

適切なガバナンスと統合を備えた AI エージェントを戦略的に実装することで、組織は大幅な運用改善、コスト削減、そして競争上の優位性を実現できます。

さらに探る

どこから始めればよいか分からないですか？ 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ます。

• Need to quickly spin up an AI agent?: コードを書くことなくエージェントを作成するには、AI Agent Studio をご利用ください。

• Want to build a highly customized AI agent workflow?: カスタムエージェントを作成するには、Squid の SDKs を使用するか、AI tutorial を参照してハンズオンの学習体験をお試しください。

• Looking to create a unique application suitable for your use case?: ユースケースに適した独自のアプリケーションを作成するには、fullstack development docs をご覧になるか、fullstack tutorials にアクセスしてカスタムのフルスタック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！導入のお手伝いをさせていただきます。