メインコンテンツへスキップ
見出し画像

Anthropicの4つのループから、AIエージェントの自走を考えた

    要点

    • AIへの仕事の任せ方は、単発のプロンプトから、まとまった作業、さらに予定実行される仕事へ広がっています。

    • Anthropicは、agentic loopをTurn-based、Goal-based、Time-based、Proactiveの4種類に整理しています。

    • 予定どおり起動することと、仕事が安全に自走していることは同じではありません。

    • 実務では、設計、実装、独立検証、通常の条件での自然実行を分けて見る必要があります。

    生成AIへの仕事の任せ方は、少しずつ変わってきました。

    私自身、最近の変化で重要なのは、AIが長く働けるようになったことより、仕事を起動し、止め、再開する構造まで任せる対象になってきたことだと考えています。

    当初は、一つのプロンプトに対して一つの応答を得る使い方が中心でした。その後、Skillや検証手順を整えることで、調査、実装、確認までを含む、ある程度まとまった仕事も任せられるようになりました。

    最近は、その仕事を毎回人が始めなくてもよい環境が広がっています。ChatGPTでは、一度限りの仕事や定期的な仕事、変化を監視するタスクを予定実行できます。Codexにも、同じ会話へ戻りながら定期作業を続けるautomationがあります。Claude Coworkにも、設定した周期で調査やレポート作成などを実行するScheduled tasksが用意されています。

    こうした環境を見ていると、AIエージェントの利用は「何を頼むか」だけでなく、「どのような条件で起動し、どこまで進み、何をもって完了とするか」を設計する段階へ移りつつあるように思います。

    その変化についてさまざまな情報ソースを目にすることができますが、私が注目したのが、Anthropicが2026年6月30日に公開した「Loop engineering: Getting started with loops」という記事でした。

    4種類は、単純な優劣ではない

    Anthropicの記事では、agentic loopを、停止条件を満たすまで作業のサイクルを繰り返すものとして説明しています。そのうえで、起動条件、停止条件、使う仕組み、適した仕事によって、4種類に分けています。

    Turn-basedは、人のプロンプトから始まる短い作業です。Goal-basedは、決められた完了条件へ到達するか、上限回数に達するまで繰り返します。Time-basedは、時刻や間隔を起点に、定期業務や外部状態の確認を行います。Proactiveは、予定やイベントを起点に、目標達成まで複数の仕事をつないでいく形です。

    これはAnthropicが示した公式な「成熟度ランキング」ではありません。短い仕事ならTurn-basedが適しており、何でも複雑な自動化にすればよいわけではないことも、同記事では説明されています。

    一方で、実務で複数のAIタスクを運用していると、この4種類を「人が何を引き渡しているか」という累積的な見方でも捉えたくなります。

    Turn-basedでは確認手順を渡す。Goal-basedでは停止条件を渡す。Time-basedでは起動条件を渡す。Proactiveでは、目標、役割、判断、修復、停止を含む仕事の流れを渡す。この整理を、今回 `agent-cycle-maturity` というSkillにしました。

    予定どおり起動しても、自走とは限らない

    このSkillを作ろうと思った理由は、予定実行されるAIタスクを運用する中で、「動いた」と「仕事が成立した」の間に距離があると感じたからです。

    設定された時刻に起動した。処理はエラーを返さなかった。テストも通っている。報告ファイルも更新された。

    それでも、必要な一次情報が取れていなかったり、安全のために同じ場所で停止し続けていたり、次の担当へ必要な状態が渡っていなかったりすることがあります。技術的には終了していても、目的とした業務結果へ到達していない場合もあります。

    ここで重要なのは、停止そのものを失敗と決めつけないことです。公開、認証、費用、個人情報などに関わる場面で、安全に人へ戻せることも成熟した運用の一部です。

    問題になるのは、停止しているのに成功として扱うことや、同じ停止を繰り返しているのに正常運用として閉じることです。

    予定実行が一般化したからこそ、実行回数より、各回がどの目標に結び付き、何を根拠に完了し、どこで止まり、次回どこから再開するのかを見る必要が出てきたのだと思います。

    Level 4は、人がいなくなる状態ではない

    記事を参考に今回作ったローカルなループモデルでは、Proactiveに相当するLevel 4を、複数の工程がつながり、失敗時の修復や再開、独立した完了判定、重複防止、権限境界、事業結果から次回への学習までが扱われる状態としています。

    ここで目指しているのは、人間が一切関与しない仕組みではありません。

    人にしか決められないことを明確に止める。止まった理由を残す。修復できる問題は担当と再開条件へ変換する。技術的な完了と、事業上の成果を分ける。そして、通常の運用で本当に成立したかを後から確かめる。

    人が毎回の処理を実行する状態から、仕事が進む条件と止まる条件を監督する状態へ移る、と表現したほうが近いように思います。

    ChatGPTのScheduled Tasks、Codex Automations、Claude CoworkのScheduled tasksのような環境が広がり、予定実行そのものは身近になりました。

    次に必要になるのは、何件動かしたかではなく、何をもってその仕事が成立したと判断するかだと考えています。

    今回のSkill作成は、その判断軸を再利用できる形へ置いた段階です。Skillができたことと、対象の仕事がLevel 4へ到達したことは同じではありません。

    AIエージェントの自走は、予定どおり起動した瞬間ではなく、証拠を残しながら安全に進み、必要な場所で止まり、次のサイクルへ学びを渡せるようになったときに見えてくるのではないかと思います。

     
     

    tom

     
     
    ウェルネス・コミュニケーションズのCoEに所属しているtomです。 ヘルスケア業界に身を置きながら、生成AIを中心とする技術や開発に関わることを執筆していきます。 当社の業界や記事に関連する業務に興味ある方は、ぜひお問い合わせください。

    あなたへのおすすめ