Agentic Work（エージェンティックワーク）とは？Agentic AIの意味と4つの設計パターン・導入判断

Agentic Work（エージェンティックワーク）は、AIが一度の応答で終わらず、計画を立て、ツールを呼び、結果を見て自分で直しながら仕事を進める働き方を指す言葉です。標準化された用語ではなく、「Agentic AI」「エージェンティックワークフロー」とほぼ同じ文脈で使われます。この記事では、agenticという語の意味から、Andrew Ngが整理した4つの設計パターン、ワークフローとエージェントの線引き、業務に入れるかどうかの判断基準までを、提唱者の一次情報に沿って説明します。

まとめ：Agentic Workの意味と導入判断の要点

• agenticは「エージェントらしさの度合い」を表す形容詞です。Andrew Ngは2024年6月12日のThe Batchで、AIをエージェントか否かの二択で分けず、度合いで捉えるためにこの語を選んだと説明しています。
• 中身は4つの設計パターンです。Reflection（自己点検）、Tool Use（ツール実行）、Planning（計画）、Multi-agent collaboration（複数エージェントの協調）。
• 効果の根拠として、Ngのチームの分析ではHumanEvalの正答率がGPT-3.5単発で48.1%、GPT-4単発で67.0%、GPT-3.5をエージェントのループに入れると最大95.1%でした。
• 手順を事前に決められるならワークフロー、決められないときだけエージェントにします。Anthropicは「最も単純な解から始め、必要なときだけ複雑にする」ことを推奨し、エージェントを作らないことも選択肢に含めています。
• 成否を分けるのは評価の仕組みです。テストや判定基準で結果を確かめられない業務に、自律的なループを入れても改善の手がかりがありません。

以下では、言葉の意味、仕組み、自律度の段階、導入判断の順に見ていきます。

Agentic Work・Agentic AIの意味と「agentic」が度合いを表す理由

「agentic」の意味：主体的に行動する性質

agenticは名詞agent（代理人・行為者）から派生した形容詞で、「自ら目的に向けて行動する性質を持つ」という意味です。カタカナでは「エージェンティック」と書き、日本語では「エージェント型」「自律型」と訳されることが多い語です。AIの文脈では、LLM（大規模言語モデル）を1回呼んで答えを返すだけの使い方と対比して、複数回の推論・行動・確認を繰り返すシステムを指します。

Agentic Workはこのagenticにwork（仕事・作業）を組み合わせた言い方で、AIがこうした進め方で業務をこなす状態を指します。Agentic AIが「そうした進め方をするAIシステム」、Agentic Workが「そのシステムで仕事が進む様子」と置くと、使い分けで迷いません。

Andrew Ngが名詞でなく形容詞を選んだ理由

この語を広めたのは、DeepLearning.AI創業者のAndrew Ngです。2024年6月12日のThe Batchのレター「Welcoming Diverse Approaches Keeps Machine Learning Strong」で、彼は「あるシステムがエージェントかどうかを二択で決めるより、エージェントらしさに度合いがあると考える方が有用だ」と書き、名詞のagentと違って形容詞のagenticならそうしたシステムをすべて含められると説明しました。

同じレターでは、モデルに1回プロンプトを送るだけのものは明らかにエージェントではなく、高レベルの指示から計画し、ツールを使い、反復的な処理を何段も進めるものは明らかにエージェントだとし、その間の灰色の領域を度合いで扱うべきだとしています。つまり「Agentic AIとは何か」という問いに一本の境界線はありません。どのくらい自分で手順を決めているかで測る、というのが提唱者の立場です。

Agentic Workとエージェンティックワークフローの関係

Ngは2024年3月のレターで、AIの進歩を牽引するのは「AIエージェントのワークフロー」だと述べ、そこからagentic workflow（エージェンティックワークフロー）という呼び方が広まりました。Agentic Workという表現は、このワークフローを業務の側から見た言い換えとして使われることが多く、学術的な定義を持つ用語ではありません。記事や製品資料でAgentic Workという語を見かけたら、次の章の4パターンのどれを指しているかを確認すると、中身の有無を判別できます。

Agentic AI・AIエージェント・生成AI・RPAの違い

似た言葉が多いので、何が判断の主体で、手順を誰が決めるかで並べます。

2つの語は重なって使われます。NIST（米国国立標準技術研究所）はAgentic AIを「自律的なエージェントとして機能するAIシステム」と説明しており、AIエージェントとほぼ同じ対象を指す資料もあります。この記事では便宜上、ワークフロー型まで含む度合いの幅全体をAgentic AI、度合いが高い個々のシステムをAIエージェントと呼び分けます。AIエージェント自体の定義や業務への組み込み方はAIエージェントとは？生成AIとの違い・仕組みと業務に組み込む判断基準を解説で、RPAとの関係はエージェンティックオートメーションとは？RPA・AIエージェントとの違いと導入判断を解説で扱っています。

エージェンティックワークフローを構成する4つの設計パターン

Andrew Ngは2024年3月20日のThe Batch「Agentic Design Patterns Part 1」で、エージェントを作るための設計パターンを4つに分類しました。同じレターでは、HumanEval（コード生成のベンチマーク）でGPT-3.5の単発出力が48.1%、GPT-4の単発出力が67.0%だったのに対し、GPT-3.5を反復するエージェントのループに入れると最大95.1%に達したという分析を示し、モデルの世代差よりワークフローの差の方が大きいと述べています。2024年3月時点のモデルによるコード生成ベンチマークの結果で、業務一般の改善幅を示す数字ではありません。

Reflection：出力の自己点検と書き直し

Ngのレターでは「LLMが自分の作業を調べ、改善する方法を考える」パターンと説明されています。4つの中で最も導入しやすく、コード生成なら「テストを実行して失敗内容を返す」、文章なら「チェック観点を渡して指摘させる」形で組みます。効果が出るのは、点検の基準が明確なときです。基準が曖昧なまま自己批評させると、もっともらしい修正を繰り返すだけで品質は上がりません。

Tool Use：検索・コード実行・API呼び出し

Ngの定義では、Web検索やコード実行などの関数をLLMに与え、情報収集・行動・データ処理を助けるパターンです。業務では社内システムのAPIや検索インデックスを関数として渡す形になります。モデルの学習データに無い最新情報や社内データを扱えるようになり、計算のように言語モデルが苦手な処理を外に出せます。ツールを渡すことは、そのツールが持つ権限をAIに渡すことでもあるため、書き込み系のAPIほど慎重に絞ります。

Planning：タスクの分解と実行計画

目標を受け取ったLLMが多段の計画を立て、その順に実行するパターンです。Ngはレポート作成を例に、アウトラインを書き、調べ、下書きを書く、という手順をモデル自身が組み立てる形を挙げています。計画はモデルの判断に依存するので、Reflectionほど結果が安定しません。途中の計画を人やログで見られるようにしておくと、失敗した段を特定できます。

Multi-agent collaboration：複数エージェントの役割分担と協調

役割の異なる複数のエージェントがタスクを分担し、議論しながら進めるパターンです。Ngは2025年10月8日のレター「Check Out Our Course on How to Build AI Agents!」で、会社が複数の社員を雇うように専門化したエージェントを組み合わせる形だと説明しています。エージェント間のやり取りが増えるほどコストと失敗箇所も増えるため、単一エージェントで足りないことを確かめてから選びます。分け方の判断基準はシングルエージェントとマルチエージェントの違い｜使い分けの判断基準とコスト・失敗モード【2026年版】で詳しく比べています。

Reflectionループの制御構造（LLM呼び出しをスタブにした最小例）

次のPythonコードは、評価（テスト）の結果を次の生成に渡すループの骨組みです。generate()は実運用ではLLM呼び出しに置き換える部分で、ここでは改訂案を順に返すスタブにしているので、示しているのは自己点検の中身ではなくループの制御構造です。Python 3.9.6で実行すると、3回目の改訂案でテストに通って止まります。

# 評価器（テスト）の結果を次の生成に渡す Reflection ループの骨組み
# generate() は実運用では LLM 呼び出しに置き換える。ここでは改訂案を順に返すスタブ
DRAFTS = [
    "def slugify(s): return s.lower()",
    "def slugify(s): return s.lower().replace(' ', '-')",
    "def slugify(s): return '-'.join(s.lower().split())",
]

def generate(task, feedback, attempt):
    return DRAFTS[min(attempt, len(DRAFTS) - 1)]

def evaluate(code):
    """環境から ground truth を得る：コードを実行してテストに通すか確かめる"""
    ns = {}
    exec(code, ns)
    cases = {"Hello World": "hello-world", "  Agentic   Work ": "agentic-work"}
    failed = [k for k, v in cases.items() if ns["slugify"](k) != v]
    return (not failed), failed

def run(task, max_iterations=5):
    feedback = None
    for attempt in range(max_iterations):          # 停止条件：反復の上限
        code = generate(task, feedback, attempt)
        ok, failed = evaluate(code)
        print(f"attempt={attempt + 1} ok={ok} failed={failed}")
        if ok:
            return code
        feedback = f"次の入力で失敗: {failed}"      # 失敗内容を次の生成へ渡す
    return None                                     # 上限到達：人への引き継ぎは呼び出し側で実装

if __name__ == "__main__":
    print(run("文字列をURL用スラッグに変換する関数を書く"))

実行結果はattempt=1 ok=False、attempt=2 ok=False、attempt=3 ok=Trueの順に出ます。押さえる箇所は2つです。評価はモデルの自己申告でなく実行結果から取ること、そして反復回数に上限を置いて止めることです。このコードは上限に達するとNoneを返すだけなので、実運用では呼び出し側で担当者への通知や引き継ぎを足します。Anthropicも、各ステップでツールの実行結果のような「ground truth」を環境から得ることと、最大反復回数などの停止条件を置くことを挙げています。exec()は検証用の簡略化で、LLMが生成したコードを本番で実行する場合はサンドボックスで動かします。

自律度の3段階：単発プロンプト・ワークフロー・エージェントの線引き

Ngの「度合い」を実装上の区別として考えるときに参考になるのが、Anthropicが2024年12月19日に公開した「Building effective agents」です。同社はこれらをまとめてagentic systemsと呼んだうえで、2種類に分けています。

ワークフロー：事前定義したコード経路による制御

Anthropicの定義では、ワークフローはLLMとツールを事前に定義したコード経路で組み合わせるシステムです。処理の骨格（どの順に何を呼ぶか）はコードで固定し、分類・生成・分解といった判断をLLMに委ねます。Orchestrator-workersのようにLLMがサブタスクを動的に分解する型もありますが、分解・委任・統合という流れ自体はコード側で決まっています。同記事が挙げるワークフローの型は次の5つです。

Ngの4パターンと対応させると、Evaluator-optimizerがReflectionに、Orchestrator-workersがPlanningとMulti-agentの中間にあたります。名前は違っても、扱っている部品は同じです。

エージェント：LLMによる手順とツール利用の動的な決定

エージェントは、LLMが自分の処理の流れとツールの使い方を動的に決め、どう達成するかの主導権を持つシステムです。Anthropicは、必要なステップ数を予測できず、固定の経路を書けない開かれた問題に向くとしています。その代わり、コストが高くなり、誤りが積み重なるおそれがあるため、サンドボックスでの十分なテストとガードレールを求めています。

実装上の原則として同社が挙げるのは、設計を単純に保つこと、計画の過程を明示して透明性を確保すること、ツールの説明とテストを丁寧に作ること、の3点です。フレームワークは素早く始めるには役立つが、本番に移るときは抽象化の層を減らすことをためらうな、とも書いています。

Agentic Workを業務に入れる判断基準と採用しない場面

導入を検討するときは、最初にagenticにしない案と比べます。Anthropicは「最も単純な解を探し、必要なときだけ複雑にする。それはエージェント的なシステムをまったく作らないことを意味する場合もある」と書き、agentic systemsはレイテンシとコストを払って性能を得る取引だとしています。

採用する条件：可変の手順と明確な成功基準

エージェントまで上げてよいのは、次の2つが同時に成り立つ業務です。1つは、必要な手順や回数が入力ごとに変わり、固定の経路を書けないこと。もう1つは、自動テスト・照合・利用者が決めた解決基準など、成功を判定する明確な基準があり、その結果を次の試行に返せることです。Anthropicが実例として挙げた2領域もこの条件を満たしています。カスタマーサポートは顧客データや注文履歴をツールで引け、利用者が定義した解決基準で成果を測れます。コーディングエージェントは、コードの正しさを自動テストで検証でき、テスト結果をフィードバックにして反復できます。開発領域での具体的な進め方はAgentic Coding（エージェンティックコーディング）とは？意味と進め方・Claude Codeでの始め方【2026年9月】にまとめています。

採用しない条件：固定手順・即答要件・取り消せない操作

次のどれかに当てはまる業務は、エージェントにしません。

• 手順が毎回同じ：請求書の転記や定型レポートは、Prompt chainingのワークフローかRPAで足ります。エージェントにすると、同じ入力で違う手順を踏むぶん再現性が落ちます。
• 評価の基準が無い：「いい感じの企画書」のように合否を判定できない業務は、ループを回しても改善の方向が定まりません。
• 1回の誤りの損失が大きく、取り消せない：送金、本番データの削除、顧客への一斉送信は、エージェントに実行権限を渡さず、人の承認を挟みます。
• 数秒以内の応答が要る：反復と複数回の呼び出しで遅延とコストが増えるため、単発の呼び出しと検索の組み合わせを先に試します。

判断に迷ったら、まず単発の呼び出しで作り、足りない部分だけワークフローの型を足し、それでも経路を書けない部分に限ってエージェントにする、という順に上げていくのが安全です。

「エージェント」を名乗る製品の見分け方

Gartnerは2025年6月25日のプレスリリースで、コストの増大、事業価値の不明確さ、リスク管理の不備を理由に、agentic AIプロジェクトの40%超が2027年末までに中止されるとの予測を発表しました。同じ発表では、既存のAIアシスタントやRPA、チャットボットを実質的なエージェント機能なしに呼び替える「agent washing」が起きており、数千あるagentic AIベンダーのうち実体を伴うのは約130社にとどまるとの見積もりも示しています。一方で同社は、企業向けソフトウェアの33%が2028年までにagentic AIを組み込むとも予測しており、技術そのものを否定しているわけではありません。製品を評価するときは、4パターンのうちどれを実装しているか、手順を誰が決めているか、評価と停止条件をどう持っているかを質問すると、呼び替えかどうかを判別できます。

Agentic Workの導入時に設計するリスク管理：権限・評価・人の承認

ツール権限の最小化と承認ポイント

agenticなシステムの事故は、モデルの誤答そのものより、誤答のままツールを実行することで起きます。読み取り専用のツールから始め、書き込み・送信・削除のツールは人の承認を経て実行する設計にします。Anthropicも、エージェントはチェックポイントや行き詰まったときに人のフィードバックを求めて止まれるとしており、承認ポイントは設計に組み込めます。ただし承認待ちの分だけ処理時間は延びるので、承認を挟む操作は書き込み・送信・削除に絞ります。OWASPは2025年12月9日に、自律的なエージェント型AIシステム固有のリスクを整理した「OWASP Top 10 for Agentic Applications for 2026」を公開しています。10項目のうち、ASI02（Tool Misuse and Exploitation）とASI03（Identity and Privilege Abuse）がツール権限の設計に直結するので、点検表として使えます。

evalsとトレースによる失敗箇所の特定

Ngは2025年10月8日のレターで、エージェントを効果的に作れるかどうかの最大の予測因子は、評価（evals）と誤り分析を規律立てて回せるかどうかだと書いています。プロンプトやツールを何か月も調整しても性能が頭打ちになるチームは、各ステップの行動を記録したトレースを見て、ワークフローのどこが壊れているかを特定できていない、という指摘です。導入時は、正解付きの検証データを数十件用意し、変更のたびに通過率を測る仕組みを先に作ります。

Agentic Workを実装するフレームワークとプロトコルの現状（2026年10月時点）

4パターンはフレームワークなしでも組めますが、状態管理や再実行を自前で書く手間を減らすために、次のような基盤が使われています。

新規に組むなら、AutoGenは選びません。新機能の開発が止まっており、Microsoftは後継としてMicrosoft Agent Framework 1.0とは｜Semantic KernelとAutoGenを統合した.NET/Python共通エージェントSDKを出しています。LangGraphはv1.0でLangChainとの依存関係が逆転しており、その経緯はLangChainとLangGraphの違い｜v1.0で逆転した関係と使い分けで解説しています。ツールの接続はMCP、エージェント同士の連携はA2Aという住み分けが定着しつつあります。

よくある質問

agenticの意味は何ですか？

agenticは「自ら目的に向けて行動する性質を持つ」という意味の形容詞で、AIの文脈では「エージェントらしさの度合いを持つ」と読みます。Andrew Ngは2024年6月、AIをエージェントか否かの二択で分けるのでなく、度合いで捉えるためにこの形容詞を使うと説明しました。1回の応答で終わる使い方は度合いが低く、計画・ツール実行・自己点検を繰り返すものほど度合いが高い、という見方です。

Agentic AIとは何ですか？AIエージェントとの違いは？

Agentic AIは、LLMが複数回の推論と行動を繰り返して目的を達成するAIシステムを指します。NISTは「自律的なエージェントとして機能するAIシステム」と説明しており、AIエージェントとほぼ同じ意味で使う資料も少なくありません。区別するなら、Agentic AIを度合いの幅全体の総称、AIエージェントを度合いが高い個々のシステムと置くのが便宜的な整理です。Anthropicは手順をコードで固定したワークフローもagentic systemsに含めつつエージェントとは区別していますが、事前定義のワークフローをエージェントと呼ぶ利用者もいると同社自身が書いています。

エージェンティックワークフロー（agentic workflow）とは？

LLMを1回呼んで終わりにせず、Reflection（自己点検）、Tool Use（ツール実行）、Planning（計画）、Multi-agent collaboration（協調）の各パターンを組み合わせて反復的に仕事を進める処理の流れです。Andrew Ngが2024年3月に4パターンとして整理しました。Anthropicの用語では、手順を事前に決めたものを「ワークフロー」、LLMが手順を決めるものを「エージェント」と呼び分けています。

Agentic AIの事例にはどんなものがありますか？

Anthropicが実務で価値が出ている領域として挙げているのは、カスタマーサポートとコーディングエージェントの2つです。前者は顧客データや注文履歴をツールで引き、返金やチケット更新まで処理し、解決したかどうかで成果を測れます。後者はコードの正しさを自動テストで検証でき、テスト結果を手がかりに反復できます。どちらも、成功の基準が明確で、結果を次の試行へのフィードバックにできるという共通点があります。

エージェンティックワークフローの自動化はなぜ重要なのですか？

同じモデルでも、自己点検やツール実行を組み込んだ反復にするだけで、出力の質が上がる場合があるためです。前述のHumanEvalの分析では、モデルを1世代上げるより反復のループに入れる方が正答率の伸びが大きくなりました。ただしレイテンシとコストは増えるため、手順が固定の業務や評価基準の無い業務では、単発の呼び出しや通常のワークフローの方が適しています。

関連記事

• AIエージェントとは？生成AIとの違い・仕組みと業務に組み込む判断基準を解説
• エージェンティックオートメーションとは？RPA・AIエージェントとの違いと導入判断を解説
• シングルエージェントとマルチエージェントの違い｜使い分けの判断基準とコスト・失敗モード【2026年版】
• Agentic Coding（エージェンティックコーディング）とは？意味と進め方・Claude Codeでの始め方【2026年9月】
• Microsoft Agent Framework 1.0とは｜Semantic KernelとAutoGenを統合した.NET/Python共通エージェントSDK