AI Agent とは？

AI agent は、一定の autonomy と agency を持って task を実行するために generative AI を使用する software system です。

Squid AI では、built-in retrieval-augmented generation（RAG）engine と任意の LLM を既存 system や data に接続し、business 用の purpose-built AI agent と workflow を作成できます。

AI Agent を理解する

AI agent における「agent」という term は、agency、つまり user または organization に代わって action や decision を行う capability という concept を指し、AI agent を traditional software、tool、analytical system と区別します。これらとは異なり、AI agent はさまざまな enterprise context にわたって decision を行い、action を実行し、intelligent solution を提供できます。

AI agent は以下を備えて動作します。

• Purpose-driven intelligence - specific business objective に向けて作業する
• Contextual awareness - business environment 内で data を理解する
• Action-taking capability - information の提供だけでなく operation を実行する
• Learning and adaptation - 時間とともに performance を向上させる

Generative AI が AI Agent を可能にする仕組み

AI agent が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。複数の factor がありますが、generative AI は、以前は scale して実行することが非常に難しい、または不可能だった 2 つの key capability を実現します。

• 他の人と話すような conversational language で AI technology と interaction できるため、AI がはるかに accessible になります。

• 大量の unstructured data（document、text、multimedia）から insight を得られるようになります。以前は unstructured data を structured format（database、table など）に無理に変換する必要がありました。

つまり、AI agent は data、system、person を、私たちが自然に行う方法により近い形で理解・interaction できるようになりました。

LLM と AI Agent の比較

Large Language Model（LLM）と AI agent の違いを理解することで、agent が enterprise context のどこで、どのように value を提供するかが明確になります。

Large Language Model: Capability と Limitation

Large Language Model は powerful natural language processing capability を提供しますが、enterprise application ではいくつかの constraint があります。

• Contextual limitation: LLM は general data で training されており、additional customization なしでは specific business context や industry-specific knowledge を持ちません
• Data access constraint: standard LLM は enterprise data source に直接 access したり、real-time information を retrieve したりできません
• Structured data handling: LLM は主に natural language 向けに設計されており、complex structured data を正確に process する capability は limited です
• System integration: LLM は、additional infrastructure と orchestration なしでは、既存 enterprise workflow や system に native に接続できません
• Security と governance: base LLM implementation には通常、enterprise-grade security control と audit capability がありません

AI Agent が LLM Capability を拡張する仕組み

AI agent は LLM foundation を基盤に、critical enterprise capability を追加します。

• Business context integration: agent は domain-specific knowledge と company information を使用して構成できます
• Data connectivity: agent は structured と unstructured の両方の複数 data source（database、API、document、file、SaaS）への connection を組み込みます
• Cross-system functionality: well-designed agent は comprehensive view と action のために enterprise system 全体で機能します
• Security と governance: enterprise AI agent には、適切な security control、permission、access control、audit trail が含まれます
• Action capability: 主に text を生成する、または individual user に代わって limited action を実行できる LLM とは異なり、agent は department、system、organization をまたぐ action と workflow を開始できます

AI Agent Spectrum

market 全体で「AI agent」の standard definition はまだありませんが、以下の capability と autonomy の spectrum は有用な framework です。

Level	Category	説明	Key Characteristic
L0	No AI Automation	current state - basic または current tool を使用する既存または manual process	理解と action を完全に human effort に依存。automation なし
L1	Assisted Work	brainstorming、writing、searching を支援する generative AI	多くの場合、limited context または public data のみで training された chatbot
L2	Augmented Enterprise	enterprise business context で action を実行し、issue を resolve し、solution を提案する	UI の有無にかかわらず、360° view のために system を横断して機能する
L3	Autonomous Enterprise	minimal または no human supervision で independently に operation する	まだ emerging だが、enterprise-wide AI の future を表す

現在、ほとんどの organization は L2 Augmented Enterprise agent に focus しています。これらは API と function の call、proprietary data への access、human-in-the-loop を維持した action の実行により、significant operational value を提供します。

Enterprise AI Agent の種類

AI agent を 3 つの category に分けることは、AI agent を考える effective な方法です。knowledge agent は team を augment し、system agent は system を augment し、data agent は knowledge と product を augment します。

ほとんどの enterprise は、real-world situation と use case に対応するために、これらの 2 つ以上を 1 つの solution に組み合わせる必要があります。

Knowledge Agent

• Purpose: team の productivity を向上させて augment する
• Function: organization 全体の relevant data と system に access し、insight の提供、question への回答、content の生成、information access の簡略化を行う
• Example Use Case: live customer call 中の sales person が product documentation、pricing、competitive intelligence に即座に access できる sales enablement AI agent

System Agent

• Purpose: system 間を接続して process と workflow を自動化し、system を augment する
• Function: policy に training され、disparate system を接続して manual workflow を自動化できる
• Example Use Case: invoice の specific line item が accurate で company billing policy に compliance していることを verify し、invoice error を削減する compliance agent。error または policy violation を flag したり、必要に応じて human approval 用の remediation suggestion を生成したりできます。

Data Agent

• Purpose: data を accessible にすることで knowledge と product を augment する
• Function: raw data から直接 insight を extract し、rich data visualization を作成し、data との natural language interaction を可能にする
• Example Use Case: customer-delighting かつ revenue-unlocking feature となる、product 内の embedded analytics と natural language query capability

AI Agent Use Case を考え始める方法

new technology の adoption は daunting かもしれませんが、適切な mindset が役立ちます。AI agent journey を始める方法は以下のとおりです。

High-value Use Case を特定する

clear ROI potential を持つ area に focus します。repetitive manual internal process、2 つの異なる system が接続され両方の system から information が必要な junction、複数の system または data source から information が必要になるその他の scenario を探します。

Scope を限定する

high-value use case を特定したら、通常は internal team による small で self-contained な部分から始めます。これにより、低 risk で AI agent を試し（customer-facing または external use case と比較）、value をより迅速に prove できます。

Replacement ではなく Augmentation から始める

role の完全 automation を試みるのではなく、human capability を強化します。fully autonomous agent の idea は headline を集めますが、現在の AI agent は workforce の augmentation に最適であり、fully autonomous な実行よりもはるかに低い risk で productivity を向上できます。

Low Disruption のために構築する

disruption と新しい tool を学ぶ必要性を最小化するため、既存 technology ecosystem と workflow 内で agent がどのように機能できるかを検討します。

最初から Security と Governance を優先する

最初の段階から、AI agent を使用する user、access できる resource、agent がどのように response すべきかを検討します。

AI agent が成功すると、人々が最初に行いたいことは他者との共有です。enterprise software に必要な security、governance、compliance requirement は、AI agent にも同様に適用されます。

適切な governance と integration を備えた AI agent を戦略的に実装することで、organization は significant operational improvement、cost saving、competitive advantage を実現できます。

さらに探索する

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 use case 向けに多くの powerful feature を提供します。

• AI agent をすばやく立ち上げる必要がありますか？ AI Agent Studioを使用して、code を記述せずに agent を作成します。

• 高度に customized された AI agent workflow を構築したいですか？ Squid SDK で custom agent を作成するか、hands-on learning experience のために AI tutorialを確認してください。

• use case に適した unique application を作成したいですか？ fullstack development docsを読むか、fullstack tutorialに進んで custom fullstack application を作成してください。

• 質問がありますか？ お問い合わせください！開始を喜んでお手伝いします。