【世界一わかりやすく】非エンジニアが一晩でAIエージェント4体動かした全記録──「健康診断」で完全理解

私は大手企業のデータ部門で、AIの業務設計をやっている。

超基本的なコードしか書けない。
Pythonの本は積んだまま。 エンジニアではない。

そんな私が今夜、ひとつ実験をした。

「AIエージェント」を4体作って、 バラバラのデータを自動で分析して、
ブラウザで見れるダッシュボードまで動かす。

結論から言うと、動いた。

ただ、これは「すごいでしょ」の話ではない。

やってみて初めてわかったことがある。 それを、できるだけわかりやすく書いてみる。

「AIエージェントってChatGPTと何が違うの？」

この疑問を持ったことがある方にこそ、読んでほしい。

まず、AIエージェントって何？

ChatGPTは知っている。 毎日使っている人も多いと思う。

ChatGPTは**「聞いたら答えてくれる」** 存在。 人間が質問して、AIが回答する。その繰り返し。

AIエージェントは違う。

「ゴールだけ伝えたら、自分で考えて、道具を使って、最後まで終わらせてくれる」 存在。

ChatGPT ＝ めちゃくちゃ頭のいい友達。 「大阪に出張行くんだけど、いい新幹線ある？」と聞くと、 「のぞみ○○号が便利だよ」と教えてくれる。 でも予約はしてくれない。

AIエージェント ＝ 超有能な秘書。 「来週の大阪出張お願い」と言うだけで、 スケジュール確認 → 新幹線検索 → 予約 → 完了報告。 あなたがやるのは最後の「OK」だけ。

「答える」から「やりきる」へ。

これがAIエージェントの本質。

4体のエージェントを「健康診断」で説明する

今夜やったことの全体像を、 健康診断に例えて説明する。

健康診断って、こういう流れだ。

① 採血・レントゲン（体のあちこちからデータを集める） → ② 検査機器で数値化（血液を数字に変える。基準値と照合する） → ③ 医師が読み解く（数値の組み合わせから、何が起きているか判断する） → ④ 診断書＋処方箋（結果をまとめて、次にやるべきことを伝える）

AIエージェントのパイプラインも、まったく同じ構造。

舞台設定

架空の中小製造業「山田精密工業」。 社員30人くらいの町工場。

この会社の「体」から、3つのデータを採取する。

① 弥生会計の売上CSV──いわば「血液検査」。会社の血液（お金）の流れ。
② 営業2人の受注Excel──いわば「心電図」。取引のリズムと負荷。
③ 紙のクレーム報告書──いわば「問診票」。顧客の声。自覚症状。

普段、この3つはバラバラ。 社長は弥生を見て売上だけ確認。
クレームは紙のまま引き出しの中。

血液検査の結果だけ見て、心電図も問診票も見ない健康診断。
それで「健康です」と言われても、信じられないだろう。

ここに、4体のAIエージェントを投入した。

🟢 1体目：収集エージェント ＝ 採血・レントゲン

体のあちこちからデータを集める人。

弥生CSV、受注Excel、クレーム報告書。 3つを取ってきて、名前を揃える。

「顧客名」と「お客様名」と「取引先」。 全部バラバラだったのを、
「顧客名」に統一。

採血も検尿も体温も、 最終的に同じカルテに書き込まれなきゃ意味がない。 それと同じ。

🟡 2体目：変換エージェント ＝ 検査機器

採取したデータを、数値に変える人。

血液を「コレステロール値 235」「血糖値 118」に変換するように、
売上データを「顧客別・前年比」に加工する。

同時に基準値との照合もやる。

コレステロールが基準値を超えたら赤旗が立つ。 それと同じで、前年比マイナス30%以上の顧客に赤旗を立てる。

空欄がないか、おかしな数字がないかもチェック。 検体が汚れていたら検査やり直し。 データの品質チェックも同じ理屈。

🟠 3体目：分析エージェント ＝ 医師の読影

数値を読み解いて、「何が起きているか」を判断する人。

レントゲンの影を見て「これは肺炎の兆候」と判断する医師のように、 クレームの文章を読んで、自動で分類する。

「納期遅延」「品質不良」「価格不満」「競合への乗り換え言及」。

さらに、過去の似たケースを検索する。 「前回、この症状の患者にはこう対処した」 カルテの履歴を参照するのと同じ。

🔴 4体目：報告エージェント ＝ 診断書＋処方箋

全部まとめて、次にやるべきことを伝える人。

「A自動車部品が離反リスクあり。 　原因は納期遅延。 　2週間以内に訪問を推奨。」

診断書が「コレステロール高値。要精密検査」と書くように、 報告エージェントは推奨アクションを3段階で出す。

これを社長のSlackに自動で届ける。

なぜ1体に全部やらせないのか

ここも健康診断で考えるとわかりやすい。

採血する人が、レントゲンも撮って、 数値も読み解いて、診断書も書く。

そんな健康診断、怖くないだろうか。

それぞれが1つの仕事だけに集中する。 だから精度が上がる。 だからどこで問題が起きたかわかる。

採血で失敗したのか。 検査機器がおかしかったのか。 医師の判断が間違ったのか。

分業しているから、原因が特定できる。

AIエージェントのパイプラインも同じ。 1体が1つの責任だけを持ち、次にバトンを渡す。

一番難しかったのは「基準値を決めること」

ここからが本題。

コードのエラーは出た。 Claudeに聞いたら直してくれた。

でも、Claudeに聞いても答えが返ってこないものがあった。

「顧客離反の閾値、前年比マイナス何%にする？」

30%か。20%か。

健康診断でいえば、 「コレステロールの基準値を200にするか、220にするか」 と同じ問題。

200にすれば引っかかる人が増える。 220にすれば見逃すリスクが増える。

この数字に絶対の正解はない。

患者の年齢、既往歴、生活習慣。 それを知っている医師にしか決められない。

事業でも同じ。 業界の相場、取引構造、社長の危機感。 事業の文脈を知っている人間にしか決められない。

クレームの分類も同じだった。 「価格不満」と「競合乗り換え」を分けるか、まとめるか。 「納期」が原因なのか、「納期を改善しないこと」が原因なのか。

ビジネスロジックの言語化。

ここに、一番頭を使った。

コードはAIが書く。 エラーもAIが直す。

でも、「何を異常とするか」はAIには決められない。

3つのデータが「1つの診断」になった瞬間

実験中、一番「おっ」と声が出た場面がある。

A自動車部品。前年比マイナス38.4%。 5社中、これだけが赤信号。

血液検査（弥生CSV）だけでも、ここまではわかる。

ところが。

心電図（受注データ）を重ねると、もうひとつ見えた。 A自動車部品の平均納期、16.5日。 5社中、最も遅い。

売上が一番減っていて、納期も一番遅い。

血液検査だけ見ても、わからない。 心電図だけ見ても、わからない。 2つを重ねて、初めて浮かぶ構造。

さらに。

問診票（クレーム）の分類結果を重ねると、 A自動車部品の8件中4件が「納期遅延」。 「他社では1週間で対応してくれる」 「来期の発注を大幅に見直す」

血圧が高いだけならまだわからない。 コレステロールも高くて、運動量も少ない。 3つ揃って初めて「生活習慣病リスク」というストーリーが見える。

弥生CSV、受注Excel、クレーム報告書。 3つが1つのテーブルに統合されて初めて、 「なぜこの顧客は離れようとしているのか」のストーリーが浮かび上がる。

これがパイプラインの本質だと思う。

AIが賢いかどうかではない。 バラバラだったデータが、流れの設計によって、1つの診断になること。

正直に書いておくこと

今回の4体は、Python関数で動いている。 Claude APIは呼んでいない。

キーワードマッチでクレームを分類し、 テンプレートで考察テキストを組み立てている。

「それ、AIエージェントって言っていいの？」

正直、まだ整理しきれていない。

ただ、こう考えている。

エージェントの本質は、「中身」ではなく「構造」にある。

健康診断の例えに戻す。

MRIを使おうが、触診だろうが、 「採取→検査→読影→診断」の構造は変わらない。

検査機器は進化する。 でも健康診断の流れは変わらない。

AIエージェントも同じ。 中身がキーワードマッチでもClaude APIでも、 「収集→変換→分析→報告」の構造は同じ。

本番ではAPIに差し替える。 でも構造は変わらない。

中小企業と大企業──「検査項目の数」が違うだけ

普段の仕事では、10層構造のデータアーキテクチャを扱っている。

健康診断で例えると、 町の健康診断が5〜6項目なのに対して、 大学病院の人間ドックが50項目以上あるようなもの。

今夜作ったのは、町の健康診断。 中小企業なら、この規模感で十分に価値が出る。

診断の原理は同じ。検査項目の数が違うだけ。

AI時代に人間がやる仕事

最後に、今夜一番考えさせられたことを書く。

AIがコードを書く。 AIがエラーを直す。 AIがデータを分析する。

じゃあ、人間は何をするのか。

医師。

検査機器は自動で数値を出す。 でも、「この数値をどう解釈するか」は医師が決める。

基準値を200にするか220にするか。 この患者の既往歴を踏まえて、どう判断するか。 検査結果を見て、「次にやるべきこと」を決めるのは誰か。

人間。

AIエージェントの世界でも同じ。

離反閾値のマイナス30%は妥当か。 クレーム分類に漏れはないか。 この推奨アクション、うちの会社で本当に実行できるのか。

「AIが出した結果を、ビジネスの文脈で検証する人。」

コードを書ける人は無限にいる。 AIを含めれば。

でも、事業の文脈を理解した上で、 「この判断基準は正しいか」を検証できる人は、 驚くほど少ない。

健康診断で一番大事なのは、 最新のMRIでも、高精度の血液検査でもない。

検査結果を読み解いて、 「あなたは今、何をすべきか」を伝えられる医師がいること。

あなたは今、AIとの協業において、 どの役割を担おうとしているだろうか。

エージェント4体の具体構成、コードの中身、全つまずき記録、ダッシュボード全画面──実装の全記録は近日公開予定。

📱 日々のAI実務検証は X で → @data_ai_labo