メインコンテンツまでスキップ

AIエージェントとは？

AIエージェントは、生成AIを用いて、ある程度の自律性と主体性を持って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、任意の LLM を組み合わせて既存のシステムやデータに接続し、ビジネス向けに目的特化の AI エージェントとワークフローを作成できます。​

AIエージェントの理解​

AIエージェントにおける「エージェント」という用語は、agency（主体性）—ユーザーや組織に代わって行動したり意思決定したりする能力—という概念を指し、AIエージェントを従来のソフトウェア、ツール、分析システムと区別します。これらとは異なり、AIエージェントは意思決定を行い、行動を取り、さまざまな企業コンテキストにわたってインテリジェントな解決策を提供できます。

AIエージェントは次の要素を備えて動作します。

  • 目的志向のインテリジェンス - 特定のビジネス目標に向かって動作する
  • 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 - 情報提供に留まらず、オペレーションを実行する
  • 学習と適応 - 時間とともにパフォーマンスを改善する

生成AIがAIエージェントを可能にする仕組み​

AIエージェントがここ最近になって発展した理由を疑問に思うかもしれません。要因は複数ありますが、生成AIは、以前は大規模に行うことが非常に難しかった（あるいは不可能だった）次の2つの重要な能力を解放しました。

  • 会話言語（人と話すような自然な言葉）でAI技術とやり取りできるようになり、AIがはるかに利用しやすくなりました。

  • 大量の非構造化データ（ドキュメント、テキスト、マルチメディア）から洞察を得られるようになりました。従来は、非構造化データ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のと同じように、データ、システム、人を理解し相互作用できる状態に、これまで以上に近づいています。

LLMとAIエージェントの比較​

Large Language Models（LLM）とAIエージェントの違いを理解することで、企業コンテキスト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能力を提供しますが、企業アプリケーションではいくつかの制約に直面します。

  • コンテキストの制約: LLM は一般的なデータで学習されており、追加のカスタマイズなしでは、特定の業務コンテキストや業界固有の知識が不足します
  • データアクセスの制約: 標準的な LLM は、企業データソースへ直接アクセスしたり、リアルタイム情報を取得したりできません
  • 構造化データの取り扱い: LLM 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: LLM は、追加のインフラやオーケストレーションなしに既存の企業ワークフローやシステムへネイティブに接続できません
  • セキュリティとガバナンス: ベースの LLM 実装には、通常、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備わっていません

AIエージェントがLLMの能力を拡張する方法​

AIエージェントは LLM の基盤の上に、企業に不可欠な能力を追加します。

  • 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社内情報で構成できます
  • データ接続性: エージェントは、構造化・非構造化を含む複数のデータソース（データベース、API、ドキュメント、ファイル、SaaS）への接続を取り込みます
  • クロスシステム機能: 適切に設計されたエージェントは企業システム全体で動作し、包括的な可視化とアクションを実現します
  • セキュリティとガバナンス: エンタープライズ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、監査ログ（audit trails）が含まれます
  • アクション能力: LLM は主にテキスト生成、または個々のユーザーの代わりに限定的なアクションを実行するのに対し、エージェントは部門、システム、組織をまたいでアクションやワークフローを開始できます

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」の標準定義はまだ存在しませんが、私たちは次の能力と自律性のスペクトラムが有用なフレームワークだと考えています。

LevelCategoryDescriptionKey Characteristics
L0AIオートメーションなし現状 - 既存の、または手作業のプロセスを基本的／現行のツールで実行理解と行動は完全に人間の労力に依存；自動化なし
L1作業支援ブレインストーミング、ライティング、検索を支援する生成AI限られたコンテキスト、または公開データのみで学習したチャットボットであることが多い
L2企業拡張（Augmented Enterprise）企業の業務コンテキストでアクションを実行し、問題を解決し、解決策を提案するUI の有無を問わず、システム横断で 360° ビューを実現
L3自律型企業（Autonomous Enterprise）人手の監督を最小限（またはゼロ）にして独立稼働するまだ発展途上だが、企業全体のAIの未来を示す

現在、多くの組織は L2 の企業拡張（Augmented Enterprise）エージェントに注力しています。これらは API や関数を呼び出し、独自データへアクセスし、人間を関与させたままアクションを実行できるため、大きな運用価値を提供します。

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、考え方として効果的だと私たちは考えています。Knowledge agents はチームを強化し、system agents はシステムを強化し、data agents は知識とプロダクトを強化します。

ほとんどの企業では、現実の状況やユースケースに対応するために、2つ以上を組み合わせて1つのソリューションにする必要があります。

Knowledge Agents​

  • 目的: チームを強化し、生産性を高める
  • 機能: 組織内の関連データやシステムへのアクセスにより、洞察の提供、質問への回答、コンテンツ生成、情報アクセスの簡素化を行う
  • ユースケース例: ライブの顧客通話中に、営業担当者が製品ドキュメント、価格、競合情報へ即座にアクセスできる Sales enablement の AI エージェント。

System Agents​

  • 目的: システム同士を接続して、プロセスとワークフローを自動化し、システムを強化する
  • 機能: ポリシーで学習させたエージェントは、分断されたシステムを接続し、手作業のワークフローを自動化できます
  • ユースケース例: 請求書内の特定の明細行が正確であり、かつ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、請求書エラーを減らすコンプライアンスエージェント。必要に応じて、エラーやポリシー違反をフラグ付けしたり、人間の承認のための是正提案を生成したりできます。

Data Agents​

  • 目的: データをアクセス可能にして、知識とプロダクトを強化する
  • 機能: 生データから直接洞察を抽出し、リッチなデータ可視化を作成し、データに対する自然言語でのインタラクションを可能にする
  • ユースケース例: プロダクト内に組み込まれた分析（embedded analytics）や自然言語クエリ機能により、顧客満足を高め、収益機会を生み出す機能として提供する

AIエージェントのユースケースを考え始める方法​

新しいテクノロジーの採用は気後れするものですが、適切なマインドセットを持つことは役に立ちます。AIエージェントの取り組みを始める方法は次のとおりです。

高価値のユースケースを特定する​

明確な ROI が見込める領域に集中しましょう。反復的で手作業の社内プロセス、2つの異なるシステムが交わり両方の情報が必要になる接点、あるいは複数のシステムやデータソースから情報が必要になるその他のシナリオを探してください。

スコープを限定する​

高価値のユースケースを特定したら、通常は社内チームで、まずは小さく自己完結した範囲から始めてみましょう。これにより、（顧客向けや社外向けのユースケースと比べて）低リスクでAIエージェントを試しやすくなり、価値証明をより速く進められます。

置き換えではなく拡張から始める​

役割を完全に自動化しようとするのではなく、人間の能力を強化しましょう。完全自律エージェントのアイデアは注目を集めますが、現時点のAIエージェントは、労働力を拡張する用途に最も適しており、完全自律で動かすよりもはるかに低リスクで、すでに生産性向上を提供できます。

低いディスラプション（混乱）を前提に構築する​

既存のテクノロジーエコシステムやワークフローの中でエージェントがどのように動けるかを構想し、ディスラプションや「また別のツール」を学ぶ必要性を最小化しましょう。

最初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するのか、どのリソースへアクセスできるのか、そしてエージェントがどのように応答すべきかを、初期段階から考え始めましょう。

AIエージェントが成功すると、人々が最初にしたくなるのは他者と共有することです。その際、あらゆるエンタープライズソフトウェアに求められるのと同様のセキュリティ、ガバナンス、コンプライアンス要件が、AIエージェントにも適用されます。

適切なガバナンスと統合のもとで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、競争優位性を実現できます。

さらに詳しく​

どこから始めればよいかわかりませんか？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。

  • AIエージェントを素早く立ち上げたいですか？ AI Agent Studio を使えば、コードを書かずにエージェントを作成できます。

  • 高度にカスタマイズしたAIエージェントのワークフローを構築したいですか？ Squid の SDKs を使ってカスタムエージェントを作成するか、ハンズオンで学べる AI tutorial も確認してください。

  • ユースケースに適した独自アプリケーションを作成したいですか？ fullstack development docs を読むか、fullstack tutorials からカスタム fullstack アプリケーションを作成してください。

  • 質問がありますか？ ぜひお問い合わせください！開始にあたり喜んでお手伝いします。