AIエージェントとは？指示待ちAIから自分で動くAIへ

「エージェントって最近よく聞くけど、ChatGPTと何が違うの？」そんな疑問、持ったことない？
この記事では AIエージェント の定義をひとつに固定したうえで、チャットAIとの本質的な違いを「新入社員の比喩」でスパッと整理する。読み終わるころには「あ、あのニュースのやつか！」とピンとくるはずだ。

Contents

AIエージェントとは？まず定義をひとつに固定する
チャットAIと何が違う？「指示待ちの新入社員」と「自分で段取りする社員」
自分で動くしくみ：知覚→計画→行動のループ
エージェントを動かす3つの部品：LLM・ツール・メモリ
できること・まだ苦手なこと（具体例とまとめ）
1. 実際に使われている場面
2. まだ苦手なこと・注意すべきリスク
まとめ：AIエージェントの「本質」を3行で
参考文献

AIエージェントとは？まず定義をひとつに固定する

「AIエージェント、AIエージェントって言うけど、実際どういう意味なの？人によって言ってることが違う気がして…」

「そう感じるのは正しいよ。正直この言葉、定義が乱立してるんだ。完全に自律して何時間でも動き続けるシステムのことだって言う人もいれば、あらかじめ決めた手順に沿って動く実装のことだって言う人もいる。混乱するのは当然。」

「じゃあどれが正しいの？」

「この記事ではひとつに固定しよう。AIの研究で有名なAnthropicのシンプルな定義を使う。」

AIエージェント＝ LLM（大規模言語モデル）が、ツールをループの中で自律的に使うもの

「うーん、LLMとかツールとかループとか、まだよくわかんないけど…」

「大丈夫、これから全部ほぐしていくから。まずイメージだけつかんで。もう少しくだいた言い方をすると、NVIDIAは『目標に基づいて推論・計画し、複数ステップのタスクを実行する高度なAIシステム』と説明してる。」

「目標を持って、自分で考えて動く…？それって人間みたい。」

「そうそう、そのイメージで合ってる。じゃあ次に、使い慣れてるChatGPTとの違いから攻めていこう。」

チャットAIと何が違う？「指示待ちの新入社員」と「自分で段取りする社員」

「ChatGPTも答えを出してくれるじゃん。それとどう違うの？」

「一番わかりやすい比喩で説明するね。職場に2人の新入社員がいるとして。」

「新入社員A（チャットAI） は、上司に質問されたらめちゃくちゃ丁寧に答えてくれる。でも、それだけ。『じゃあ次はこれやっといて』って言わないと何もしない。質問待ちなんだ。」

「あー、いわゆる指示待ち人間ね。」

「そう。一方、新入社員B（AIエージェント） はちょっと違う。『来月の出張の手配をお願い』って言うだけで、自分でカレンダーを確認して、交通手段を調べて、ホテルを比較して、予約まで完了させてくれる。途中でいちいち『次は何をすればいいですか？』って聞いてこない。」

「うわ、それ全然違う！」

「そう、本質的な差はここ。チャットAIは答えるだけ、エージェントは実行する。チャットボットはあらかじめ決まった入力に応答するだけだけど、エージェントは自分で計画・判断して、複数のシステムをまたいでタスクを遂行できる。しかも能動的に先回りして動くこともできる。」

「でも、ChatGPTも色々やってくれる気がするけど…」

「いい疑問。今のChatGPTは『エージェント的な機能』も入ってきてるから境界線がぼやけてきてる。ただ根っこの違いを押さえておくと、どんな新しいツールを見ても整理できるようになるよ。Anthropicはこう区別してる：あらかじめ決めたコードの流れに沿って動くのが『ワークフロー』、LLMが自分でプロセスやツールの使い方を動的に決めて主導権を握るのが『エージェント』ってね。」

「主導権を握る、か。自分で段取りするってことか。」

「そういうこと！じゃあ次は、その『自分で動く』しくみを内側から見てみよう。」

自分で動くしくみ：知覚→計画→行動のループ

「自分で動くって言っても、具体的に中で何が起きてるの？」

「エージェントの動き方は、シンプルな3ステップのループで表せる。知覚（Perceive）→推論・計画（Reason）→行動（Act）、これをぐるぐる回してる。」

「ひとつずつ説明するね。」

① 知覚（Perceive）─ 「今、何が起きてる？」を読み取る

「まず環境からの情報を受け取る。データベースの中身、ドキュメント、APIの実行結果、Webページ、直前のツールの出力…こういう情報をかき集めて解釈するのが最初のステップ。」

「人間で言うと目と耳で情報を集める感じ？」

「そのイメージぴったり。」

② 推論・計画（Reason）─ 「次に何をすべきか？」を考える

「次に、集めた情報をもとにLLMが頭脳として動く。タスクを推論して、どんな順番で何をすべきかを計画して、どのツールを使うかを選ぶ。」

③ 行動（Act）─ 「実際にやってみる」

「そして計画したツールを実際に実行する。その結果をまた観測して（→知覚）、次の一手を考える（→推論）。これをタスクが完了するまで繰り返す。これがループの正体。」

「ループするから、一回失敗しても修正できるんだ！」

「そう、それが一問一答のチャットと根本的に違うところ。チャットボットは質問→答えで終わりだけど、エージェントは計画→実行→観測→適応をずっとまわし続ける。」

「この『考える→実行する→観測する』の繰り返しには、ReAct（Reasoning + Acting） という名前がついてる。2023年のICLRという学会でYaoらが提案したパターンで、エージェントの設計でよく参照される考え方だよ。」

「ReAct…Reasoning（推論）とActing（行動）を合わせたんだ。かっこいい名前だな。」

「名前だけじゃなくて、ちゃんと使える考え方だから覚えておいて損はない。ちなみに、ループの中でAIがどうやって「うまく動く」ようになるかに興味が出てきたら、[強化学習をゲームで掴む ─ AIが「試行錯誤」で賢くなる仕組み](https://zhack-blog.com/ai/)も読んでみて。エージェントの学習と深くつながってるから。」

エージェントを動かす3つの部品：LLM・ツール・メモリ

「ループの話はわかった！でも実際にどんな部品でできてるの？」

「エージェントの中身を分解すると、大きく3つの部品がある。LLM（頭脳）・ツール・メモリだ。」

部品① LLM ─ 全体を仕切る「頭脳」

「LLMはエージェント全体の意思決定を統括するコアだ。タスクを推論して、行動を計画して、どのツールをいつ使うかを判断する。全部こいつが仕切ってる。」

「ChatGPTみたいなやつが、指令塔になってるイメージ？」

「まさに。LLMが強いほど、エージェントの判断力も上がる。」

部品② ツール ─ 「手足」として実際に動く

「LLMは自分だけだとテキストを生成するだけで、外の世界に触れられない。そこでツールの出番。APIを呼んで情報を取ってきたり、データベースを検索したり、コードを実行したりするのがツールの役割。LLMが『この道具を使え』と命令して、ツールが実際に動く。」

「ドラえもんのポケットみたいなもの？道具が増えるほどできることが増える。」

「いい例え！ツールとして使われるものには、RAG（外部の情報を検索して渡す技術）やベクトルデータベース、外部APIなんかが含まれる。RAGが気になる人は[RAGって何 ─ AIに「カンペ」を渡す技術を5分で理解する](https://zhack-blog.com/rag/)も見てみて。エージェントのツールとして超よく使われてるから。」

部品③ メモリ ─ 「文脈」を保持する記憶

「最後がメモリ。メモリには2種類ある。タスクの途中で使う短期メモリ（今どこまで進んだか、さっき何を調べたか）と、タスクをまたいで使う長期メモリ（このユーザーは何が好きか、前回はどんな判断をしたか）だ。」

「メモリがないと、途中で自分が何をしてたか忘れちゃうのか。」

「そう。メモリが計画を形づくり、行動の結果がまたメモリを更新する。この繰り返しでエージェントは少しずつ文脈を積み上げていく。3つの部品がそろってはじめて、意味のある自律行動ができるようになるんだ。」

できること・まだ苦手なこと（具体例とまとめ）

「なんか万能っぽく聞こえてきた。実際にどんなことに使われてるの？」

「現実でも確実に動いてるよ。いくつか具体例を出すね。」

実際に使われている場面

分野	具体的な活用例
コード開発	自動車部品メーカーのValeoではコードの35%以上がAIで生成され、開発サイクルが高速化
カスタマーサービス	Uberが対応担当者向けAIツールを導入。会話の要約・過去履歴の文脈提示を自動化
業務自動化	Amazonが社内で何千ものエージェントを構築し、本番UIのワークフロー自動化に活用

「すごい、もう実業務で動いてるんだ。」

「そう。でもここで油断するとコワい話もしておかないといけない。」

まだ苦手なこと・注意すべきリスク

「ハルシネーションの問題は2025年時点でも最大級の懸念だ。LLMはもっともらしい嘘をついて、しかも自信満々に答えることがある。医療・金融・法務みたいな分野では深刻な影響が出うる。」

「チャットで嘘をつかれるのも困るけど、エージェントだと何かを実行してしまうから余計にヤバい？」

「その通り。ハルシネーションがループの途中で起きると、エージェントがデータを誤って削除したり、意図しない購入をしたりといった実害につながりうると指摘されてる。自律的に動くぶん、誤作動の影響も大きい。」

「こわ…。どう対策するの？」

「現実的な答えは、重要な判断や最終実行の前に人間が確認するステップを挟むこと。完全自律に任せるんじゃなくて、要所で人がチェックする運用がいまは現実的とされてる。」

「あともう一つ、文脈メモリの限界もある。エージェントが記憶できる範囲には限りがあって、長期にわたる複雑なタスクを最後まで一貫して保つのはまだ難しい。」

「なんでも任せられるわけじゃないんだね。」

「そう。でもだからこそ、どこを自動化してどこで人が確認するかを設計する目が大事になってくる。道具の特性を知ってれば、使いこなし方も変わる。」

まとめ：AIエージェントの「本質」を3行で

「今日学んだことを整理すると？」

「3行でまとめるとこう。」

AIエージェント＝ LLMがツールをループで自律的に使うもの（定義はこれで固定）
チャットAIが「答える」のに対して、エージェントは「実行する」（指示待ち vs 自分で段取り）
中身はLLM（頭脳）・ツール（手足）・メモリ（記憶）の3部品で、知覚→推論→行動のループを回す

「リスクも忘れずに。ハルシネーションや文脈の限界があるから、重要な場面では人間のチェックをセットで考える。これが今の現実的な使い方だ。」

「なんとなく怖いイメージがあったけど、しくみがわかると落ち着いて向き合える気がする！」

「それが一番大事。しくみを知ってる人が使いこなせる。エージェントの『頭脳』であるLLMがどうやって言葉の意味をとらえているかをもっと深く知りたいなら、[注意機構（Attention）を5分で掴む ─ 翻訳タスクで追う「どこを見るか」の仕組み](https://zhack-blog.com/attention-transformer-qkv/)も読んでみて。エージェントがなぜ文脈を追えるのかが見えてくるよ。」