「AI上司」を作ってみた──AIエージェントの全体像を、大手企業のAI推進担当ができるだけやさしく解説
この記事の結論（忙しい方はここだけでOK）
AIエージェントとは「AIが自分で考えて、道具を使って、タスクを最後まで終わらせてくれる仕組み」のこと
ChatGPTのような「質問→回答」の一問一答とは根本的に違う
AIの知識は「一般知・組織知・個人知」の3層構造で捉えると整理しやすい
私のチームでは、上司の判断パターンを学習させた「AI上司」を試作中。三井住友FGやマッキンゼーでも同様の取り組みが始まっている
本当に難しいのは「AIに何を覚えさせ、何を忘れさせるか」の設計
「AIエージェントって、ChatGPTと何が違うの？」
上司にこう聞かれて、うまく答えられなかった経験はありませんか？
ChatGPTは毎日使ってる。プロンプトのコツも覚えた。でも「AIエージェント」と言われた瞬間、急に別世界の話に聞こえる。
Xを見ていても、同じ声がたくさんありました。
「Claude Codeとか言われても、ChatGPTの延長なのかまったく別物なのかわからない」 「MCPって何？USB-Cに例えられても余計にわからない」 「自動化に期待して試したけど、無限ループと重さにイライラして手動に戻った」
実は、私もそうでした。 大手企業のデータ部門でAI活用を推進する立場にいながら、「エージェントと普通のAIの違い」をちゃんと説明しろと言われたら自信がなかった。
だから今回、自分の理解を整理する意味も込めて、AIエージェントの全体像をできるだけわかりやすくまとめてみます。
📌 議事録10万行から上司の口癖を抽出したら、AIが本人そっくりに返答し始めた。その全記録
📌 同じことを自分の上司でやりたい人向け。テンプレート6本つき（有料・480円・3日間限定）
そもそもAIエージェントとは何か
まず、いちばん大事なところから。
普通のAI（ChatGPTなど）は、「質問したら答えてくれる」 存在です。人間が聞いて、AIが答える。その繰り返し。
AIエージェントは違います。「ゴールを伝えたら、自分で考えて、道具を使って、最後までやってくれる」 存在です。
たとえば、こんな違いがあります。
普通のAIの場合： あなた：「来週の大阪出張に合う新幹線を教えて」 AI：「のぞみ〇〇号が便利です」→ 予約は自分でやる
AIエージェントの場合： あなた：「来週の大阪出張の移動手段を手配して」 AI：スケジュール確認 → 新幹線検索 → 空席確認 → 予約手続き → 完了報告 → 人間がやるのは最後の「OK」だけ
つまりAIエージェントの本質は 「自律的にタスクを遂行できること」 です。自分で計画を立て、道具（ツール）を使い、途中で判断を修正しながら、ゴールまでたどり着く。これが一問一答型との決定的な違いですね。
エージェントの「頭の中」──3つの考え方
では、AIエージェントは内部でどのように「考えて」いるのか。代表的なパターンを3つ紹介します。
① ReAct：考える→やる→見る→また考える
いちばんシンプルで広く使われている方法です。「Reason（推論）+ Act（行動）」の略で、こんなサイクルを回します。
考える：「まず〇〇を調べよう」
やる：検索ツールで調べる
見る：「こういう結果が出た」
判断：ゴールに達した？ → Noならまた①へ
人間が仕事をするときの「情報収集→考える→次の一手」の流れとよく似ていますよね。
② プランナー＋実行者：先に計画を立ててから動く
複雑なタスクでは、計画役と実行役を分ける方法があります。面白いのは、計画役に賢いモデル（GPT-4など）、実行役にコスパの良いモデル（GPT-3.5など）を使い分けできること。「方針はマネージャーが決めて、作業はメンバーが回す」というチーム運営そのものです。
③ マルチエージェント：複数のAIがチームで動く
「リサーチ担当」「ライター担当」「レビュー担当」のように、得意分野の違うAIがチームとして動きます。強力な反面、AIどうしが延々とやり取りして終わらないリスクもあるので、「いつ止めるか」の設計が実務での難しいポイントです。
📌 「じゃあ具体的にどうアーキテクチャを組むの？」「API連携はどうやるの？」という技術的な実装の話は、近日公開の技術編で詳しく書く予定です。LangChain、LlamaIndex、AutoGenなどのフレームワーク比較と実装パターンをまとめます。
エージェントの「道具箱」──知識をどう扱うか
ここからが、個人的にいちばん大事だと思っている話です。
RAG──「知らないことを調べる力」
RAG（検索拡張生成）は、AIが「自分の知識にないこと」を外部から調べて答える仕組みです。社内文書をデータベースに登録しておいて、質問が来たら関連部分を検索し、それを参考に回答を作ります。
企業でAIを導入する場合、ほぼ確実にRAGが組み込まれています。
ただし、RAGは「入れたら終わり」ではありません。
私が関わっているプロジェクトでは、競合企業のキャンペーン情報をRAGに蓄積して活用しています。たとえば「A社は月末にこういう施策を仕掛ける傾向がある」といったパターンデータです。
でも、実際にやってみて痛感したのは、「何を入れるか」より「何を捨てるか」の方がはるかに難しいということ。
ビジネスの状況は常に変わります。半年前は正しかったデータが、今はAIの判断を歪める原因になる。古いキャンペーン傾向に引っ張られて、的外れな分析結果が出てしまったこともありました。
この問題は、技術的には**「削除問題（Deletion Problem）」**と呼ばれていて、業界全体で対策が進んでいます。具体的には、データに「発効日」や「有効/無効」のフラグをつけて検索時に自動フィルタリングする方法、新しい情報ほどスコアを高くする「時間減衰」という仕組み、さらにはソースで削除されたデータをベクトルDBからも自動削除する「クリーンアップジョブ」の実装などがあります。
エンタープライズでのベストプラクティスも整理されてきていて、更新頻度をデータ種別ごとに分ける「Tier設計」が推奨されています。障害情報や在庫は即時〜数時間、規程改定は日次、ナレッジ記事は週次、提案書テンプレは月次、といった具合です。
ただ、「このデータはまだ有効か？無効にすべきか？」の最終判断は、結局人間がやるしかない。ここがAIエージェント運用の地味だけど重要なポイントです。
MCP──「AIのUSB-C」
2026年に注目度が急上昇しているのがMCP（Model Context Protocol）です。AIエージェントと外部ツール（Slack、Gmail、Notionなど）をつなぐ共通の接続規格で、Anthropicが提唱しました。
USB-Cケーブル1本でいろんな機器を充電できるように、MCPがあれば1つの方法でいろんなツールとAIをつなげられる。「Slackと連携するならSlack API」「GmailならGmail API」とバラバラだったものが、統一されていく流れです。
AIの知識には「3つの層」がある
実務で本当に使ってもらえるAIエージェントを構築するなかで、私なりに整理した考え方があります。AIの知識は3層構造になっているという見方です。
一般知──世の中の公開情報。DEEPリサーチやWeb検索で手に入る。ここはAIが最も得意な領域です。
組織知──自社特有の用語、業務フロー、意思決定のルール。企業ごとにまったく違う。技術的にはRAG＋社内文書の整備で対応できますが、「何を食べさせるか」「いつ捨てるか」の設計が肝になります。
個人知──特定の人の判断傾向、価値観、過去の意思決定パターン。ここがいちばんの未開拓領域です。
この3層のうち、一般知はすでに実用レベル。組織知はRAGで技術的に可能だが運用設計が難しい。そして個人知は、まだ研究と実験の段階──と思っていました。
📌 この「個人知」を実際にAIに食わせたらどうなったか。議事録10万行→5人分のAIシミュレーション→部長に3秒で承認された全記録
📌 抽出の手順・プロンプト・テンプレートを全公開（有料・480円・3日間限定）
「AI上司」── 実はもう始まっている
実は私のチームでは、ある部長の過去の意思決定やパーソナリティを取り込んだ**「AI上司」**を試験的に作っています。担当者がまずAI上司と壁打ちして論点を整理し、その後にリアルの上司に持っていく、という使い方です。上司・部下双方が大きく生産性を上げ、業務効率化に繋がっています
「うちだけの変わった実験」だと思っていたのですが、調べてみると、想像以上に同じ方向に進んでいる企業がありました。
三井住友フィナンシャルグループ（SMFG） は、グループCEOの経営哲学や過去の発言データを学習させた「AI社長」を開発し、全従業員3万人が対話できる状態で公開しています。従業員はAI社長との対話を通じて、経営方針の背景にある意図を直接問うことができる。さらに、個々の管理職の判断基準を学習させた「AI上司」の実証実験も進めているとのこと。
コンサルティング業界でも、マッキンゼーの"Lilli"（全社の過去事例・フレームワークを統合したAIプラットフォーム、コンサルタントの70%以上が日常利用）や、デロイトの"Zora"（産業特化型のAIエージェント群）といった取り組みが進んでいます。
技術的には、ペルソナプロンプト（性格説明ではなく「判断プロトコル」として設計するのがコツです）、過去の判断事例をFew-shot（＝お手本として少数の事例を見せること）で注入する方法、そして長期メモリを3層（出来事・知識・ルール）に分ける構成が基本になっています。
さらに先端の研究では、過去の行動履歴から「この人は何を報酬として行動していたか」を推定する**逆強化学習（IRL）**というアプローチも出てきています。言語化されていない「判断の癖」や「暗黙のこだわり」をモデル化する技術で、まさに「AI上司」の精度を上げるための核心部分です。
ただ、まだ手探りなのも事実です。メモリの要約ミスがそのまま「人格のミス」になるリスクや、個人データをどこまで食べさせてよいかの倫理的な問題もあります。SMFGの事例でも、退職後のデジタル人格の取り扱いなど、法的な論点が議論されています。
主要3社の動き（2026年）
この分野では、大手3社がそれぞれ異なるアプローチで競っています。
OpenAI（Operator） は「ブラウザを目で見て操作するAI」路線。あらゆるWebサイトを操作できる汎用性が強みですが、1タスクあたり$0.50〜$1.00のコストと、1操作に数秒かかる速度が課題。
Google（Gemini） は「全データを記憶するパーソナルAI」路線。Gmail、Photos、Calendarを横断して文脈を理解する。100万トークンを超えるデータから必要な断片だけ抽出する「Context Packing」技術が特徴的です。
Anthropic（Claude） は「開発者と企業向けの信頼性」路線。Claude Opus 4.6は、大量の文書から特定情報を探す精度テストで前世代の18.5%から76%に大幅向上。MCP推進や安全性重視の姿勢で、企業導入しやすい基盤を提供しています。
現実を見ると：まだ「有能なインターン」
ここまで読むと「すごい！」と思うかもしれません。技術的には本当にすごいです。
でも正直に言うと、今の時点では「何でもお任せ」できる段階ではありません。
速度。 画面操作型エージェントは1アクションに数秒。人間なら30秒で終わる操作に数分かかることも。
コスト。 GPT-4をエージェントとして長時間走らせると、1タスクで数百円〜数千円のAPI費用。
信頼性。 途中で「迷子」になることがある。計画通りに進まないとき、人間ほど柔軟に対処できない。
セキュリティ。 自律的に動く＝間違った判断を勝手に実行するリスク。社内の機密データを扱う場合は特に注意。外部LLMにデータを送る前にローカルで個人情報をマスキングする方法なども整備されてきていますが、完全ではありません。
「万能な秘書」というよりは、「特定の仕事を任せられる有能なインターン」 くらいのイメージが近いかもしれません。
まとめ：AIエージェントの本質は「何を覚えさせ、何を忘れさせるか」
AIエージェントは、AIが「答える」存在から「行動する」存在へ進化した姿です。
でも、技術的にいちばん難しく、いちばん大事なのは、派手なアーキテクチャや最新モデルの話ではありません。
「AIに何を覚えさせ、何を忘れさせるか」──この設計です。
一般知はすでにAIが得意としています。組織知はRAGで技術的に対応可能ですが、データの鮮度管理という地味な運用が成否を分けます。そして個人知──上司の判断傾向や、組織に暗黙のうちに蓄積された意思決定パターン──の領域は、SMFGやマッキンゼーのような先行事例が出てきたとはいえ、まだフロンティアです。
私たちのチームで「AI上司」を作ってみて実感したのは、AIエージェントの価値は「どれだけ賢いモデルを使うか」ではなく、「どんな知識を、どう食べさせ、どう忘れさせるか」の設計にかかっているということでした。
この分野の進化スピードは本当に速いです。半年後には今の課題のいくつかは解消されているかもしれません。
だからこそ、今のうちに全体像をつかんでおくこと。そうすれば、本格的に実用化されたとき、すぐに使いこなせるようになるはずです。
明日からできること
① まず1回、エージェント的な使い方を試す。 ChatGPTの「GPTs」やClaudeの「プロジェクト機能」で、自分専用のAIを作ってみるのがいちばん手軽です。「毎回同じ指示を出している作業」を自動化するところから。
② 「何を覚えさせるか」リストを作る。 自分の仕事で繰り返し参照する情報（テンプレ、判断基準、過去の事例）を書き出してみる。同時に「これはもう古い」というデータも洗い出す。覚えさせるものと忘れさせるもの、両方のリストが大事です。
③ 3社の動きをウォッチする。 OpenAI・Google・Anthropicの公式ブログを月1回チェックするだけで、この分野の方向性が見えてきます。
📱 noteに書ききれない日々の記事の裏側（試行錯誤・TIPS・速報）は
「X」で毎日公開中→ https://x.com/data_ai_labo
（フォローすると毎日AIの実践Tipsが流れてきます）
📌 「個人知って本当に抽出できるの？」──できた。
▸ 2日かかる根回しが1.5時間になった。AIに組織を丸ごと再現させた全記録
議事録10万行から5人分の判断パターンを抽出し、下から順番に壁打ちした。部長に「進めて」と3秒で言われるまでの全文ログ。
📌 同じことを自分の上司でやりたい人向け。テンプレート6本つき（有料・480円・3日間限定）
▸ 根回し2日→1.5時間にした全手順とテンプレート6本
📌 「じゃあ技術的にどうやるの？」という方はこちら
▸ 「AI上司」を自分の会社でも作ってみよう──実装ステップガイド
この記事が参考になったら「スキ（♡）」を押してもらえると励みになります。
Xでも毎日AIの実践知を発信しています → @data_ai_labo
フォローで次の記事の更新通知が届きます。
#AIエージェント #AI活用 #ChatGPT #Claude #業務効率化 #RAG #AI上司 #デジタルツイン #AI実践ノート
