図解まるわかり AI エージェントのしくみ

#書籍

著: 上野真裕

1 章 AI エージェントの基本

AI エージェントについて

AI の歴史

ロボティック・プロセス・オートメーション (RPA) との違い

AI エージェントの技術背景

自律型 AI エージェント、WF 型 AI エージェント

近年は、WF 型を基盤に、一部を自律型に置き換えるハイブリッド運用が主流

AI エージェントは単なる自動化プログラムではなく、企業組織の中で明確な役割と権限を持つデジタル人材として再定義する価値のある存在

企業は AI エージェントに対して何を任せ、どこまで裁量を与えるかを設計する必要がある

ガバナンスと責任体制

行動履歴や判断の根拠を記録し、説明可能性 (Explainability) を確保することが重要

AI ガバナンス・プラットフォームの構築

AI エージェントの利用例

AI エージェントではできないこと

倫理的判断を下す力はない

nobuoka.icon そうなん？

マルチエージェント

AI エージェントの動向を検索できるサイト

2 章生成 AI を知ろう

生成 AI について

ChatGPT、Gemini、Claude、Copilot について

ローカル LLM について

プロンプト (AI) について

従来の AI エージェントは大規模言語モデル (LLM) の外側の制御層がタスク分解や API 実行を管理していたが、最近は LLM そのものが AI エージェント的な機能を内包する方向へ進化

LLM が言語生成エンジンから自己制御型 AI に変化している

マルチモーダル、マルチモーダル AI

3 章 AI エージェントを構成する技術

API 連携と Function Calling

Function Calling は、LLM が自然言語の指示を解析し、定義済みの関数や API の中から適切なものを選び、必要な引数を構造化して渡す仕組み

nobuoka.icon 一般的な言葉なんか？

RDB とベクトルデータベースの違い

文脈をどう保持するかが重要

前後の一部を重複させて分割するスライディングウィンドウ方式

文構造保持も重要

MCP Model Context Protocol

4 章

自然言語理解

Chain of Thought 推論

強化学習を AI エージェントに応用すると、タスク達成のための行動を「試行 → 評価 → 改善」のループで洗練させられる

自己反省機構

協調エージェントで品質を向上

バイアス

文化的バイアス: 日本語や自社独自データを増やすだけでなく、検索拡張生成 (RAG) で根拠を固定し、ネイティブ評価者でテストするなどで対応

長期記憶 (Long-term Memory)、メモリ管理

感情理解と共感的応答

常識推論と世界モデル

安全性とガバナンス、検証可能性と説明責任、ナッジ理論の応用、A2A (Agent to Agent、エージェント同士の連携) における自己監査的ガバナンス

5 章 AI エージェントの具体的な利用箇所・事例

Deep Research で調査業務が大きく変わった

調査の中心が探すことから判断することへ

開発 AI エージェントが開発現場を変えた

議事録作成: 議事録作成 AI エージェント

6 章 AI エージェントの導入ロードマップ

目的の設定と期待値の整理

SMART、OKR

生成 AI の成長を見越して企画する

目標を年度ごとに高くするとか、更新しやすい設計にするとか

ROI 試算も複数年で考える

業務の棚卸しよりスピード感を優先

80/20 の発想 (20 対 80 の法則かな？) で、効果が出やすい一部の仕事に絞ってやる

PoC を実施して評価していく

効くかどうかを最短で確かめる

KPI で、正答率、処理速度、処理量、満足度を測る

評価軸、KGI、KPI

多層 KPI で現場と経営 KPI を繋ぐ

テスト稼働

シャドー運用、並行稼働

7 章 AI エージェントが普及した未来と仕事

定型業務が減り、企画・関係構築が増える

AI が仕事を奪うというよりは、役割が分解・再編される

スキルシフト、リスキリング

地方創生、社会保障への影響

組織のフラット化

8 章企業で使い倒すには

実務目線でのガバナンス

最低限で回る体制からはじめる: 利用責任者 (情シス or DX 推進担当者) + 現場代表 (実際に使う部署のメンバー)

リーン思考、リーン PDCA