AI

AIエージェントとは?生成AI・ChatGPTとの違い、仕組みと5つの種類・危険性【2026年11月】

AIエージェントとは?生成AI・ChatGPTとの違い、仕組みと5つの種類・危険性【2026年11月】

AIエージェントとは、人が設定した目標を受け取り、達成までの手順を自分で決め、検索・ファイル操作・業務システムのAPIなどのツールを使って実行まで進めるAIのことです。教科書的には環境を認識して行動するシステム全般を指し、ルールだけで動く古いタイプも含みますが、この記事では主にLLMを使うものを扱います。質問に答えて終わる生成AIのチャットとは、「手順を誰が決めるか」と「実行まで進むか」の2点で分かれます。以下では、定義と生成AI・ChatGPT・AI関数・RPAとの違いを表で比べたうえで、仕組み、種類、危険といわれる理由と対策、PoCで止めないための導入判断を順に整理します。

まとめ:AIエージェントの定義・生成AIとの違いと導入判断の要点

本記事で主に扱うLLM型のAIエージェントは、LLM(大規模言語モデル)が「次に何をするか」を判断し、ツールを呼び出して結果を確かめ、目標に届くか止める条件に当たるまでそれを繰り返す仕組みです。生成AIのチャットは人の質問に1回ずつ答える道具で、手順を組み立てて実行するのは人の側に残ります。ChatGPTも通常の会話は生成AIの使い方で、エージェント機能を使ったときにAIエージェントとして動きます。

種類は、教科書の基本4種類に学習エージェントを加えた5類型(単純反射・モデルベース反射・目標ベース・効用ベース・学習)で説明されることが多くあります。実務では「1体で動くか複数で分担するか」「人と対話しながら動くか、裏で自動実行するか」で分けたほうが設計に直結します。

導入で最初に決めるのは、エージェントに渡す権限の範囲です。書き込み・送信・削除は人の承認を挟み、すべての操作をログに残す。対象業務は「手順を書き切れないが、成果は数値で測れる」ものを1つ選ぶ。手順を書き切れる業務なら、AIエージェントではなくRPAや決まった経路のワークフローを選びます。

AIエージェントの定義とワークフローとの境界

主要ベンダーの定義に共通する「目標・自己決定・ツール実行」

AWSはAIエージェントの解説ページで、AIエージェントを「環境と対話し、データを収集し、そのデータを使用して自己決定タスクを実行して、自主的な目標を達成するためのソフトウェアプログラム」と定義し、「目標は人間が設定しますが、その目標を達成するために実行する必要がある最適なアクションは AI エージェントが独自に選択します」と続けています。次節のAnthropicの定義も含め、主要ベンダーの説明に共通するのは次の3点です。

  • 目標は人が与える(何をするかではなく、何を達成するかを渡す)
  • 途中の手順はAIが自分で決める
  • 外部のツールやデータに働きかけ、結果を見て次の行動を変える

製品名に「エージェント」と付いていても、この3点を満たすとは限りません。比較検討では、どこまで自律的に動くのかを最初に確かめます。

決まった経路で動くワークフローと、経路を自分で決めるエージェント

Anthropicは2024年12月19日の技術記事Building effective agentsで、LLMを使うシステムを2つに分けています。ワークフローは「LLMとツールがあらかじめ定義されたコードの経路で組み合わされるシステム」、エージェントは「LLMが自らのプロセスとツールの使い方を動的に決め、タスクの進め方の主導権を持ち続けるシステム」です。

この区別は導入判断にそのまま使えます。同じ記事は、まず最も単純な解決策を探し、必要なときだけ複雑さを足すよう勧め、エージェント型のシステムを作らないことも選択肢に入るとしています。エージェントは自律性と引き換えにコストが上がり、誤りが積み重なるおそれがあるためです。

生成AI・ChatGPT・AI関数・RPAとAIエージェントの違い

AIエージェントと混同されやすい4つを、同じ観点で並べます。ワークフローは、前節のAnthropicの区分でいう「LLMを決まった経路に組み込んだ仕組み」です。

観点 生成AI(チャット) AI関数 RPA ワークフロー AIエージェント
人が渡すもの 質問・指示 セルごとの指示 操作手順 入力データ 達成したい目標
手順を決めるのは 人 人 人(事前に記録) 人(事前にコード化) AI
外部ツールの操作 検索等に対応する製品もある Google検索のみ あり(画面操作・API等) あり(決めた経路のみ) あり(API・画面)
終わり方 回答を返す セルに値を返す 手順の最後まで 経路の最後まで 達成・上限到達・承認待ち等
想定外の入力 人が聞き直す 人が直す 設定済みの例外処理に従う 例外処理が無ければ止まる 手順を組み替える

生成AI(チャット)との違い:回答生成と作業実行の範囲

生成AIは、文章・画像・コードなどを新しく作るAIの総称です。チャットで使う場合、人が質問しAIが答える1往復が基本で、その回答を使って次に何をするかは人が決めます。AIエージェントは生成AIの言語能力を土台にしながら、回答の先にある「調べる・書き込む・送る」までを自分で進めます。

たとえば「来週の大阪出張を手配して」と頼んだ場合、チャットは経路や宿の候補を答えて終わります。エージェントは目標を分解し、予定表で日程を確かめ、空き状況を検索し、規程の上限と照らして予約まで進めます。

ChatGPTとAIエージェントの関係:通常の会話とエージェント機能の違い

通常の会話で質問に答えるChatGPTは、生成AIのチャットです。一方でOpenAIは、ChatGPTの中でエージェントとして動く機能を出しています。2025年7月17日にChatGPT agentをPro・Plus・Teamプランから順に提供し始め、仮想のブラウザでWebサイトを操作しながら調べ物から資料作成までを進められるようにしました。2026年7月9日には、依頼を小さな作業に分けて数時間かけて進めるChatGPT Workを発表しました(仕組みと料金はChatGPT Workとはで解説)。エージェント機能の名前や提供プランは短い間隔で変わっているため、使う前にOpenAIのヘルプで現在の提供条件を確かめてください。

「ChatGPTはAIエージェントか」への答えは「使い方による」です。質問への回答を求めるときは生成AIを対話に使い、目標を渡して手順の判断とツール操作まで任せるときは、生成AIを組み込んだAIエージェントとして使っています。

AI関数との違い:セル単位の生成と目標単位の実行

GoogleスプレッドシートのAI関数は、「=AI(“指示”, A2)」のようにセルに書いた指示と参照範囲をもとに、そのセルへ生成結果を返す関数です。1つのセルに1つの答えを返す点は、生成AIのチャットを表計算に埋め込んだものと考えると近くなります。Excelにも同じ役割のCOPILOT関数がありましたが、Microsoftは2026年9月14日で提供を終えました。再計算すると#NAME?エラーになり、代わりにExcelのCopilotへ言葉で頼む形が案内されています。

Googleのヘルプによると、スプレッドシートのAI関数は文章の生成・要約・分類に加え、Google検索から最新の情報を取ってくることもできます。一方で回答はテキストに限られ、スプレッドシート全体やGoogleドライブの別ファイルにはアクセスできません。他のシートを書き換えたり、メールを送ったり、結果を見て次の手順を選んだりもしません。何列に何を書かせるかの設計は人の仕事です。分類・要約・抽出を多数の行に適用したいならAI関数(Google Sheetsでは1回の選択で生成されるのは最初の350セルまで)、目標だけ渡して複数のツールをまたいで進めさせたいならAIエージェント、という使い分けになります。

RPAとの違い:手順の事前定義による使い分け

RPAは、人が記録した操作手順を同じ順番で正確に繰り返す仕組みです。画面の変更や想定外の入力に対応する設定がなければ、処理が失敗することがあります。例外処理や再試行を組み込めるRPA製品もあります。AIエージェントは結果を見て手順を組み替えられる代わりに、毎回同じ結果を返す保証はありません。仕組みと主要ツールはRPAとは?簡単に言うと何か・できること・3つの段階と主要ツールで整理しています。

分ける基準は「手順を完全に書き切れるか」です。書き切れるならRPAのほうが向きます。実行のたびにLLMの推論費用がかからず、出力のゆらぎも入りません。入力のゆらぎや例外の判断が避けられない業務がAIエージェントの領分です。実務では、判断をエージェントが担い、確定した処理をRPAが実行する併用も組めます。業務ごとの切り分けはAIエージェントで業務効率化できる領域と効果の測り方、両者を一体で運用する考え方はエージェンティックオートメーションの解説にまとめています。

AIエージェントの仕組み:LLM・ツール・メモリと実行ループ

判断・実行・記憶・計画を分担する4つの構成要素

AIエージェントの中身は、おおむね4つの部品に分かれます。

  • LLM:目標の解釈、次の行動の選択、結果の評価を担う判断役(仕組みは大規模言語モデル(LLM)とは)
  • ツール:Web検索、ファイルの読み書き、社内システムのAPI、ブラウザ操作など、外部に働きかける手段(呼び出しの仕組みはAIツール使用(Tool Use)とは)
  • メモリ:会話履歴や途中の作業結果を保持し、長い作業でも文脈を失わないようにする部分
  • 計画:目標を小さなタスクに分け、どのツールをどの順で使うかを決める部分

業務に入れたときに差がつくのはツールです。判断役のLLMは各社のモデルから選んで差し替えられますが、つなぐ先の業務システムやデータは自社にしかありません。どこまで安全につなげるかで、任せられる範囲が決まります。

計画→行動→観察→修正のループと止める条件

動作は「計画を立てる→ツールを呼ぶ→結果を観察する→計画を直す」の繰り返しです。思考と行動を交互に回すこの型は、2022年の論文ReAct: Synergizing Reasoning and Acting in Language Modelsで提案されたReActが代表例です(実装の要点はReActパターンとは)。

たとえば「先月の問い合わせ傾向をレポートにまとめて」と頼むと、エージェントはまず問い合わせ管理システムからデータを取り出し、件数を集計するコードを実行し、エラーが出れば書き直し、最後に文章へまとめます。どの工程も人が順番を指示していない点が、決まった手順をなぞる自動化との違いです。

このループには、止める条件を先に決めておきます。反復回数の上限、使ってよい費用の上限、人に確認を求める条件の3つです。これが無いと、同じ操作を繰り返したり、誤った前提のまま作業を進めたりします。SDKごとの反復上限と止まる条件はエージェントループとはで解説しています。

MCPとA2A:ツール接続とエージェント間連携の共通規格

エージェントが社内システムにつながる方法は、以前はツールごとに個別に作り込む必要がありました。いまは共通規格が2つあります。MCP(Model Context Protocol)は、AIアプリと外部のツール・データをつなぐ規格で、Anthropicが2024年11月25日に公開しました。A2A(Agent2Agent)は、別々の会社が作ったエージェント同士が仕事を受け渡すための規格で、Googleが2025年4月9日に発表しました。

どちらも現在は1社の持ち物ではありません。MCPは、Linux Foundationが2025年12月9日に設立を発表したAgentic AI Foundation(AAIF)の最初のプロジェクトの1つになりました。A2Aは2025年6月23日にLinux Foundationのプロジェクトとなり、現在はAAIFのプロジェクト一覧にMCPと並んで載っています。規格の中身はA2Aプロトコルの解説で扱っています。

AIエージェントの種類:4つの基本形・学習と実務での分類

単純反射から学習まで、判断の材料で分ける5類型の特徴

AIの標準的な教科書であるRussellとNorvigの『Artificial Intelligence: A Modern Approach』第4版は、第2章でエージェントの基本形を単純反射・モデルベース反射・目標ベース・効用ベースの4種類に分け、そのどれもが学習エージェントに作り替えられると説明します。IBMの解説は学習を加えた5類型で整理し、AWSはさらに階層型とマルチエージェントを加えた7つを挙げています。

類型 判断に使うもの 業務での例
単純反射 今の入力とルール キーワードでパスワード再設定へ誘導
モデルベース反射 入力+周囲の状態の記憶 過去の対応履歴を見た一次振り分け
目標ベース 目標に近づくかどうか 条件を満たす出張手配
効用ベース 複数の結果の望ましさの比較 費用と所要時間を比べた経路選択
学習 経験からの改善 修正履歴を反映する問い合わせ対応

この分類は製品選びの物差しというより、「自社の業務はどの程度の判断を要するか」を測る物差しとして役立ちます。条件分岐で書き切れる業務に学習型を持ち込むのは過剰で、状況判断が毎回変わる業務を反射型のルールで組むと、例外ルールの追加が終わらなくなります。

実務のエージェント分類:構成数と実行方式の2軸

LLMを使う現在のエージェントは、目標を受け取って手順を組み立てる点で目標ベースに近いものが中心です。5類型だけでは製品同士の違いが見えにくいため、実務の設計では次の2軸で分けるほうが判断に直結します。

  • 1体か複数か:1体のエージェントがツールを使い分けるシングルエージェントか、調査役・作成役・確認役のように役割を分けたマルチエージェントか。使い分けの基準はシングルエージェントとはとマルチエージェントとはで比べています。
  • 対話型か自動実行か:人が画面で指示と確認を重ねる対話型か、メール受信や定時などをきっかけに裏で動く自動実行型か。ソフトウェア開発でコードの修正から検証までを任せる使い方はAgentic Codingと呼ばれます。

AIエージェントに任せやすい業務と向かない業務

任せやすい業務:集めて、整理して、下書きを作る工程

成果が出やすいのは、情報を集めて整理し、人が判断するための下書きを作る工程です。問い合わせ対応なら、社内文書を検索して回答案を作り、担当者が確認して送る形です(社内文書を検索してから答える技術はRAG)。営業なら商談記録と顧客情報を横断して提案の下書きを作る、管理部門なら契約書を規程と突き合わせて差分を挙げる、といった使い方が当てはまります。

共通点は、最終判断を人に残したまま、その手前の作業時間を削っていることです。人の確認で誤りを検出・修正でき、確認と修正を含む総作業時間が導入前より短くなるなら、精度が100%でなくても時間削減の効果を得られます。

向かない業務:取り消せない操作と、判断基準が文書になっていない業務

次の条件に当てはまる業務は、現時点でAIエージェントに任せるべきではありません。候補を選ぶときは、上から順に確かめます。

  • 実行すると取り消せない操作:送金、本番データの削除、取引先への確定連絡。誤りの影響が操作の瞬間に確定し、人が後から止められません。
  • 判断基準が担当者の頭の中にしかない業務:何をもって正解とするかを文書にできない業務は、エージェントの出力を評価できず、改善もできません。まず、業務の手順と判断基準を書き出します。
  • 手順が毎回同じで例外がほぼない業務:RPAやワークフローで足ります。エージェントにすると、推論の費用と結果のばらつきを余分に抱えます。

AIエージェントが危険といわれる理由と対策

OWASPが挙げるエージェント固有のリスク

AIエージェントは社内システムやデータへのアクセス権を持って動くため、チャットだけの生成AIにはなかったリスクを抱えます。Webアプリのセキュリティ団体OWASPのGenAI Security Projectは2025年12月9日にOWASP Top 10 for Agentic Applications for 2026を公開し、エージェント特有のリスクを10項目に整理しました。業務導入で特に効いてくるのは次の4つです。

  • 目標の乗っ取り(ASI01 Agent Goal Hijack):読み込んだWebページやメールに仕込まれた指示で、エージェントの目標がすり替えられる。間接プロンプトインジェクションと呼ばれる攻撃が典型です。
  • ツールの悪用(ASI02 Tool Misuse & Exploitation):正規に許可されたツールが、意図しない形で使われる。
  • 権限の悪用(ASI03 Identity & Privilege Abuse):エージェントに渡した認証情報や権限が、本来の範囲を超えて使われる。
  • メモリと文脈の汚染(ASI06 Memory & Context Poisoning):長期記憶や参照データに誤った情報や悪意ある指示が入り込み、後の判断を歪める。

エージェントは外部のデータを自分で読みに行くため、入力の段階で悪意ある指示をすべて取り除く設計には頼れません。LLMアプリ全般のリスク一覧はOWASP Top 10 for LLMとは、生成AIのセキュリティ対策の全体像はAIセキュリティとはで解説しています。

エージェントの被害抑制:最小権限・承認・ログ

攻撃を入口で止めきれない前提で、被害が出ても範囲を小さく抑える設計にします。最初に決めるのは最小権限で、承認とログはその上に重ねます。

  • 最小権限:対象業務に必要な操作だけを許可する。読み取りは許可しても、書き込み・送信・削除は別の権限に分ける。APIキーやトークンはエージェントごとに発行し、使い回さない。
  • 人の承認:影響の大きい操作の直前で止め、人が内容を確かめてから実行させる。導入初期は承認の範囲を広く取り、実績に応じて自動実行の範囲を広げる。
  • ログと中断:エージェントの参照先、ツール名、実行時刻、実行結果を記録し、引数に含まれる認証情報や個人情報は除外・マスキングする。異常があれば実行を止められるようにする。IBMもAIエージェントの解説で、アクティビティー・ログ、中断、一意のエージェント識別子、人間による監督をベスト・プラクティスに挙げています。

この権限設計は後から足すのが難しいため、PoCの段階から本番と同じ権限モデルで検証しておくのが安全です。

PoCで止めないためのAIエージェント導入判断

Gartnerの予測が示す中止の理由

Gartnerは2025年6月25日の発表で、エージェント型AIのプロジェクトの40%超が、コストの増大、事業価値の不明確さ、リスク管理の不備により2027年末までに中止されると予測しました。その前年には、2028年までに日常業務の意思決定の少なくとも15%がエージェント型AIによって自律的に行われる(2024年10月21日)、エージェント型AIを組み込む企業向けソフトウェアが2024年の1%未満から2028年には33%になる(2024年11月4日)とも予測しています。

同じ発表は、現行モデルでは複雑な業務目標の自律的な達成や、細かな指示への継続的な対応に限界があるとも指摘しています。導入判断では、費用・価値・リスク管理に加え、対象業務で必要な性能を満たすか検証する必要があります。

導入対象業務の選定と成果指標の事前設定

Anthropicは前出の記事で、エージェントが最も価値を出すのは、会話と行動の両方を要し、成功基準が明確で、結果を見て直す仕組みと人の監督を組み込める業務だとしています。最初に、「誰の・どの業務を・どれだけ楽にするか」を1行で書きます。これが書けない案件は着手を見送るべきです。「何でもできるエージェント」から入ると評価の軸が定まらず、PoCの成否すら判定できません。

次に、導入前に今の数値を測ります。1件あたりの処理時間、一次回答の正答率、人の修正が入った割合などです。検証は、例外を含むテストケースで動作を確かめる段階と、少人数の実利用でログを見ながら直す段階の2つに分けます。テストケースは件数より、実際の業務で起きた例外をどれだけ含むかで選びます。結果は担当者が普段使うツールの中で受け取れる形にしないと、便利でも使われません。対象業務の選び方と費用の内訳はAIエージェント導入の進め方|業務の選び方・費用内訳と外注判断の基準で詳しく扱っています。

既製品・ノーコード・開発の分かれ目

作り方は3通りあります。資料作成やデータ整理のように汎用的な作業なら、ChatGPT Workのような既製のエージェントで足ります。社内のいくつかのサービスをつなぐ程度なら、ノーコードの構築ツールで内製を試す価値があります。社内システムへの書き込み、独自の承認フロー、本番の監視まで含む構成では、既存コネクタや管理機能で要件を満たせるかを確認し、不足する部分を開発します。フレームワークの選定はAIエージェントフレームワークとはで比べています。3つのルートの手順はAIエージェントの作り方にまとめました。

一創では、対象業務の選定から権限設計、構築、運用後の精度改善までをAIエージェント開発として受託しています。どの業務に向くか判断がつかない段階からご相談いただけます。

AIエージェントについてよくある質問

AIエージェントとは簡単に言うと何ですか?

AWSの定義に沿って簡単に言えば、人が設定した目標に向けて行動を選び、作業を進めるAIです。本記事で扱うLLM型はツールを使って実行しますが、承認待ちや反復上限で停止することもあります。「答えを返すAI」ではなく「代わりに作業するAI」と捉えるとわかりやすくなります。たとえば「先月の問い合わせを分類して報告書にして」と頼むと、データの取り出し、集計、文章化までを自分の判断で順に進めます。

AIエージェントと従来のAIの違いは何ですか?

画像分類や需要予測のような単機能のAIモデルは、決まった1つの処理を入力に応じて行います。AIエージェントは、目標の解釈、タスクの分解、ツールの選択と実行、結果の評価までを一続きで担う点が違います。需要予測のモデルは、エージェントが呼び出すツールの1つとして組み込まれる関係です。なお、RussellとNorvigの『Artificial Intelligence: A Modern Approach』第4版でも扱うように、エージェントという考え方自体はLLM以前からあります。

AIエージェントとAIアシスタントは何が違いますか?

従来型のAIアシスタントは人の指示に応じて1つずつ作業を手伝い、次に何をするかは人が決めます。ただし、AIアシスタントという呼び名が、自律的に計画・実行するエージェントを含む場合もあります。AIエージェントは目標を受け取ると、必要な作業を自分で計画して複数の手順を進めます。同じ製品の中に両方のモードがあることも多く、ChatGPTやCopilotは使い方次第でどちらにもなります。

Agentic AI(エージェント型AI)とAIエージェントは同じものですか?

ほぼ同じ文脈で使われますが、統一された定義はありません。たとえばAnthropicは、決まった経路で動くワークフローと自律的に動くエージェントの両方をまとめて「agentic systems」と呼んでいます。Agentic AIを広い総称、AIエージェントを個々のシステムとして使い分ける説明もあります。言葉の使われ方の違いはAgentic Work(エージェンティックワーク)とはで比べています。

AIエージェントを使うのにプログラミングは必要ですか?

既製のエージェント機能やノーコードの構築ツールなら、プログラミングなしで使えます。ChatGPTのエージェント機能は、目標を文章で伝えるだけで動きます。社内システムのAPI接続、独自の承認フロー、操作ログの監視基盤への送信も、既存機能で対応できる場合があります。対応するコネクタや管理機能がない部分では、追加開発が必要です。

関連記事

お気に入りに入れた記事の一覧

一創の公式 SNS

X では毎朝の新着記事と IT ニュースの速報を、YouTube・TikTok・Instagram・LinkedIn・Facebook では記事の解説動画を配信しています。

この記事は以下の記事からリンクされています

ほか 33 件の記事からもリンクされています。

資料請求

今日のトレンド記事 直近 24 時間で、いつもより多く読まれている記事

  1. 2026.11.13 テックブログ 宝くじ公式サイト不正アクセス:4,436名の対象確認とパスワード再設定、変更された仕組み
  2. 2026.11.14 テックブログ Gitの脆弱性6件:CVE-2026-111760の再帰クローン対策と2.56.1への更新手順
  3. 2025.04.09 コラム ダブルバーレル質問(二重質問)とは?例文と直し方、多重質問・誘導質問との違い
  4. 2026.11.14 テックブログ ImageMagickの脆弱性VU#580079:policy.xmlの許可リスト設定と影響判定の手順
  5. 2026.11.13 テックブログ KARTEの不正アクセス:メールアドレス79,249件と連携認証情報の漏えい、利用企業の対応手順【11月16日時点】

RELATED POSTS 関連記事

目次