AIエージェントの種類と選び方：5つの基本設計と7つの業務分類

AIエージェントを選ぶときは、どんな仕事を最後まで任せられるか、どこまでの操作を許可するかを基準にします。AIエージェントの種類は、意思決定の仕組みを示す5つの基本設計と、任せられる業務を示す7つの実務分類で整理できます。リスクを見極めるうえでは、製品についた呼び名よりも、与える権限のほうが重要です。

リサーチエージェントとコーディングエージェントは、担当する仕事の違いを表しています。目標ベースのエージェントは、意思決定の仕組みを指します。自律型エージェントという呼び名が表すのは、人が再び介入するまでにどこまで動けるかです。同じシステムに、これらの呼び名が同時に当てはまることもあります。

劇場に置き換えると分かりやすくなります。役者の配役、従う台本、持っている鍵で開けられる扉は、それぞれ別のものです。担当する役割だけでエージェントを選ぶのは、せりふを覚えているという理由で、舞台裏のすべての鍵を渡すようなものです。

業務ソフトウェアでは、「タスクを受け取る、行動を選ぶ、ツールを使う、結果を確かめる、続行するか停止するかを決める」という循環で捉えると、仕組みを理解しやすくなります。ツールとは、ソフトウェアが会話の外にある情報を取得したり、何かを変更したりするための接続手段です。この循環はエージェントループの解説で、より広い考え方はエージェンティックAIとは何かで取り上げています。

AIエージェントの種類を基本設計から理解する

古典的な分類が説明するのは、製品の種類ではなく意思決定の仕組みです。Stuart RussellとPeter Norvigの『Artificial Intelligence: A Modern Approach』では、反射型、内部状態を持つ設計、目標ベース、効用ベースを区別し、学習はそれらに横断的に適用できるとしています。この前提を押さえれば、よく使われる5つの分類は理解の助けになります。RussellとNorvigによる該当章のスライド

単純反射エージェント

現在の入力に対して、条件と行動を対応させたルールで反応します。部屋が寒くなると暖房を入れる、基本的なサーモスタットを思い浮かべてください。曖昧な状況を判断するために参照できる、過去の履歴は持ちません。

モデルベース反射エージェント

環境についての内部表現を保持し、新しい観測情報が入るたびに更新します。掃除をするエージェントなら、すでに訪れた部屋を覚えておく、といった使い方です。ここでいう「モデル」は環境を表すモデルであり、必ずしも大規模言語モデルを指すわけではありません。

目標ベースのエージェント

達成したい結果を踏まえて行動を選びます。経路を計画するシステムなら、目的地に着くために複数の経路を検討できます。現在の入力だけに反応するのではなく、目指す結果に向けて計画を立てる点が特徴です。

効用ベースのエージェント

それぞれの結果がどれほど望ましいかを比較します。配送計画なら、到着時刻と移動距離のバランスを考える、といった具合です。どれだけ適切に選べるかは、その評価ルールが何を高く評価するかに左右されます。

学習エージェント

経験やフィードバックをもとに振る舞いを変えます。学習は、ここまでに挙げたどの設計も改善し得るもので、自律性が一段高いことを自動的に意味するわけではありません。また、会話を記憶しているだけでは、よりよい行動方策を学習している証拠にはなりません。

ここで説明しているのは設計の考え方であり、以下で紹介する製品の内部構造を断定するものではありません。

AIエージェントの7つの業務分類と製品例

業務を運用する立場では、何を任せるかで分類すると実用的です。ここでは、本記事で扱うカテゴリーを7つに整理します。業界標準の分類ではなく、互いに重ならない区分でもありません。リサーチエージェントがブラウザを使うこともあれば、音声エージェントがマルチエージェントシステムの一部として動くこともあります。

製品例は、2026年10月25日に各提供元のページで確認しています。「管理する人と範囲」の欄は、運用する側が担う管理責任を示すものです。すべての製品に同じ安全策が備わっていると保証するものではありません。「想定される失敗」は検証すべきリスクの例であり、実測した失敗率でも、掲載製品で報告された事案でもありません。

カテゴリーが変わらなくても、リスクは大きく変わり得ます。顧客への返信を下書きするアシスタントと、その返信を自動送信するアシスタントは、同じモデルやツールを使っているかもしれません。後者の設定では、人が結果を確認する前に顧客へ影響が及びます。

対話形式の画面であることだけでは、この違いは分かりません。実務におけるAIエージェントとチャットボットの違いは、回答欄の外で何が起きるかにあります。

業務でのAIエージェント活用事例

それぞれのカテゴリーを、具体的な成果物に結び付けて考えましょう。更新済みのページ、レビュー済みのコード変更、確認済みのレコード、完了した会話、根拠のあるレポートなどです。以下で紹介する機能は、提供元の資料に記載されているものです。利用場面や導入時に設ける制限は、本記事からの提案です。

アプリ内アシスタント：文脈がそろっている場所で仕事を任せる

**Notion Agent**は、Notion内で動くアシスタントです。ワークスペースや連携アプリの情報を使い、ページやデータベースを作成・編集できます。Notionの説明では、ユーザーの権限を引き継ぎ、ページの権限レベルを独自に変更することはできません。これは有用な制限ですが、適切なワークスペースにアクセスできることと、適切な情報源を選べることは別です。Notion Agentのドキュメント

週次の業務レビューを準備する創業者なら、承認済みのプロジェクトメモをもとに、進捗をまとめたページの下書きを作らせるところから始めるとよいでしょう。入力、保存先、人が確認できる成果物が明確になります。

「要約を下書きする」が「全員の担当事項を更新する」に変わると、リスクは高まります。見栄えのよいページでも、古い締め切りが残っていたり、担当者の割り当てが間違っていたりする可能性があります。出典リンクを残すよう求め、共有情報への変更を新しい計画として扱う前に確認してください。

仕事とその根拠がすでにアプリ内にあるなら、導入に向いています。 ワークスペース全体の大掛かりな整理は、何を変更してよいか定義できるまで待ちましょう。引き継いだ権限は、そのタスクに必要な範囲よりはるかに広いことがあります。

ワークフロー・自動化エージェント：決まったプロセスに判断を組み込む

**n8nのAI Agent**は、n8nのワークフロー内に配置できるノード、つまり処理のステップです。ドキュメントでは、チャットモデルとツールを接続し、タスクに応じてどのツールを呼び出すかをエージェントに判断させる仕組みが説明されています。業務プロセスの一部に、柔軟に意思決定するステップを組み込む例として捉えられます。n8n AI Agentのドキュメント

業務責任者なら、仕入先から届くメッセージを決まった受付プロセスに通し、エージェントに依頼内容を解釈させ、更新案をレビュー待ちのキューに入れる、といった使い方が考えられます。依頼の入口と結果の行き先は、周囲のワークフローが決めます。

この区別は重要です。Anthropicは、ワークフローはあらかじめ定義された経路に従い、エージェントはモデルが次のステップを決めるものだと説明しています。業務の自動化では、両者を組み合わせられます。Anthropicによるアーキテクチャの区別

検証しておきたい失敗の一つは、ごく一般的なシステム上の問題です。応答の遅延によって再試行が起こり、同じレコードが再び作成される場合があります。依頼ごとに一意の識別子を持たせ、書き込みを繰り返す前に、すでに成功していないか確認しましょう。

形式が不ぞろいな入力を解釈する価値がある箇所に、エージェントを使います。 予測可能な振り分け、検証、レコード更新は、明示したワークフローのルールで管理してください。安定して動く固定プロセスを自由度の高い判断に置き換えると、成果が改善するとは限らないまま、作業が増えます。

コーディングエージェント：変更作業を任せ、リリースの判断は人が持つ

**AnthropicのClaude Code**は、プロジェクトのファイルや開発ツールを扱います。Anthropicのドキュメントには、複数ファイルにまたがる編集、コマンド実行、テストの作成・実行が記載されています。権限ルールやモードによって、人の承認を必要とする操作は変わります。「コーディングアシスタント」という呼び名だけで、アクセス範囲が一律に決まるわけではありません。Claude Codeの概要、権限の管理

個人で開発しているなら、「報告されたバグを再現し、該当する動作を修正し、テスト結果とともにレビュー可能なパッチを返す」という依頼が、範囲を限定した例になります。パッチとは、ファイルに加える変更をまとめたものです。開発者はリリース前に、具体的な変更内容を確認できます。

レビューで中心になるのは、動作が正しいかという問いです。エージェントは、自分の誤った解釈をそのまま正しいと判定するテストを書けてしまいます。そのテストに通っても、通常とは異なるアカウント状態の顧客が、意図した結果を得られるかどうかは分かりません。

作業環境と認証情報は、タスクに必要な範囲に限定してください。変更されたコードを確認し、意味のある境界条件をテストし、本番環境へのデプロイは別の判断として扱います。

変更の妥当性を評価できる人がいるなら、導入に向いています。 コードやその動作を判断できる人がいない状態で自律的なコーディングを任せると、十分に検証できない成果物に、過大な責任を委ねることになります。

ブラウザ・コンピューター操作エージェント：連携できない仕事を画面から進める

**Browserbase Director**は、自然言語の指示から、動きを見守りながら修正できるブラウザエージェントを作ります。Browserbaseは、フォーム入力やレコードの確認を利用例に挙げ、背後で動く自動化コードをエクスポートできることも説明しています。これはコンピューター操作という広いカテゴリーの中のブラウザ操作の例であり、デスクトップを無制限に操作できることを示すものではありません。Directorの公式ページ

業務を統括する担当者が、適切なデータ連携手段のない仕入先ポータルで注文状況を確認しなければならない場合を考えてみましょう。こうした画面を介する仕事では、ブラウザエージェントが候補になります。まずは情報の取得と、その結果の報告から始めます。

検証すべきなのは、操作自体はもっともらしくても、対象が間違っている失敗です。画面構成の変更、似た名前の顧客、想定外のダイアログによって、クリック先がずれることがあります。また、ログイン済みのブラウザセッションには、そのアカウントの権限が伴います。慎重に動くようプロンプトで頼んでも、権限が取り除かれるわけではありません。

必要な操作を明確に実行できるなら、ソフトウェア同士の直接連携を優先します。 画面が実用的なアクセス手段になる場合に、画面操作を使いましょう。その際はアカウントの権限を制限し、重要な送信や確定操作の前にレビューを入れます。この境界については、コンピューター操作エージェントのガイドで詳しく説明しています。

音声エージェント：会話の確認と操作の確認を分ける

**ElevenLabs ElevenAgents**は、電話やWebなどのチャネルでエージェントを提供するためのプラットフォームです。ドキュメントでは、ツール呼び出し、割り込み、発話の順番の制御に加え、設定済みの有人対応先の電話番号への転送を扱っています。転送条件は設定する必要があります。人に対応を切り替えられる経路も、導入時の設計に含まれます。ElevenAgentsの概要、有人対応への転送設定

サービス業なら、あらゆる顧客トラブルの解決を任せるよりも、予約の受付から始めるほうが範囲を限定できます。エージェントは希望を聞き取り、実際に予約を受け付けてよいかは、予約管理システムと業務ルールで判断します。

自然な声は、不確かさを感じさせなくすることがあります。名前や日付の聞き違いも、レコード更新につながれば実害を伴います。重要な情報は復唱し、変更の希望と変更の確定を区別する流れを設計してください。割り込み、沈黙、有人対応を求められた場合をテストし、転送を受けられる人がいないときに何が起こるかも確認します。

会話の範囲が狭く、完了条件と代替の対応手段が明確なら、導入に向いています。 エスカレーションの方法を定義できないなら、導入は待ちましょう。導入の選択肢は、AI音声エージェントのプラットフォームガイドで詳しく取り上げています。

リサーチエージェント：情報収集を任せ、根拠の判断は人が担う

**GoogleのGemini Deep Research**では、ユーザーが調査に使う情報源を選び、提示された調査計画を開始前に編集できます。Googleのドキュメントには、Web検索、選択した連携コンテンツ、アップロードしたファイルなどを使ってレポートを作成すると記載されています。つまり、範囲を合意した調査依頼を単位として管理できます。GoogleのDeep Research公式ページ

連携先の候補を評価する創業者なら、対応インターフェース、明示された制限、未解決の疑問についてレポートを依頼できます。どの主張に一次資料が必要かを指定し、根拠が見つからなかった点も分かる形で残すよう求めましょう。

注意したいのは、裏付けのない結論への取りまとめです。個々の事実が正確でも、それらを組み合わせた結論は、どの出典にも裏付けられていない場合があります。また、出典リンクがテーマに関連していても、隣にある文の根拠になるとは限りません。

リサーチエージェントは意思決定の準備に使い、決め手となる根拠は人が確認します。 選択を左右する主張については、その出典を開いて確かめてください。「提供元がそう述べている」「資料で確認できる」「こちらの推論である」を区別します。重要な疑問が未解決のままなら、レポートが長くても埋め合わせにはなりません。

マルチエージェントシステム：引き継ぎに利点がある場合に役割を分ける

**CrewAI**は、エージェントをcrewと呼ばれるチームにまとめるフレームワークです。提供元は、順次進行するプロセスと、マネージャーが計画・委任・レビューを担う階層型プロセスを説明しています。あらゆる業務にそのまま配置できる従業員ではなく、システムを組み立てるための仕組みです。CrewAIのプロセスに関するドキュメント

中堅企業のCTOなら、必要なツールやアクセス権がそれぞれ異なるため、文書の取得、技術分析、レビューを分けることがあるでしょう。これは複数のエージェントを検討する理由になります。一方、名前だけが異なる複数のプロンプトに、同じ無制限のツールを渡すだけでは、理由として弱いままです。

オーケストレーターと呼ばれることの多い調整層は、次にどのエージェントが動き、どの情報を受け取るかを決めます。スーパーバイザーは、それを階層型にしたものです。どちらも、結果に責任を持つ業務の責任者の代わりにはなりません。

検証すべき失敗は、文脈が引き継がれないことです。専門担当が自信のある要約を次へ渡す一方で、根拠、不確実性、最初に設けた制限を落としてしまう場合があります。すると、別のエージェントがその結論を確立した事実として繰り返します。引き継ぎでは元資料と未解決の疑問を保持することを必須にし、最終的な操作をどこまで許すか明示してください。

まずは単一のエージェントから始め、役割を分ける理由が明確になったら協働するエージェントを追加します。 調整のパターンは、AIエージェントのオーケストレーションガイドで説明しています。マルチエージェントシステムには、ほかのどのカテゴリーも含められます。それらの上に位置する最終段階ではありません。

業務に合うAIエージェントはどう選ぶ？

役に立つ完成結果が得られる、最小限の委任を選びましょう。何を選ぶかは、誰がその結果を確認するのか、誤りによって何が変わってしまうのかで決まります。

業務を運用する人は： すでに仕事の情報が集まっているアプリ内から始めます。複数のシステムにまたがるタスクでは、内容の解釈と最終的な書き込みを分けてください。受付業務なら、エージェントが分類と送り先を提案し、必須項目の欠落や権限のない更新は固定ルールで拒否する形が考えられます。レビュー済みの下書きも、それ自体が有用な成果です。

システムを作る人は： 進め方があらかじめ分かっているかを判断します。分かっているならワークフローを使います。システムが発見した内容によって次の行動が変わるなら、エージェントを使う価値があるかもしれません。ブラウザへのアクセスは画面操作が必要な場合に限り、複数のエージェントは役割分担によってアクセス制御、専門性、レビューが改善する場合に限って追加しましょう。

導入を検討する人や創業者は： タスクの成功例だけでなく、どこで実行を制限するかも実演してもらいます。対象が曖昧なレコード、拒否される操作、ツールからの応答が失敗した場合を用意してもらってください。実際に提案された操作、その対象、何が起きたかの説明を確認します。誰が実行を止められるか、誰が復旧に責任を持つかも尋ねましょう。

カテゴリーごとにリスクの高低が固定されているわけではありません。参照元を制限し、書き込み権限を持たせないリサーチエージェントと、機密文書に接続したリサーチエージェントでは、さらされるリスクが異なります。メッセージの送信を許された小さなアプリ内アシスタントのほうが、プロジェクトの隔離されたコピー内だけで動くコーディングエージェントより、直接的な外部への影響を及ぼす場合もあります。

自律型エージェントの宣伝で見極めたいこと

「自律型」という説明は、タスク、権限、停止条件が示されていなければ不十分です。エージェントは、範囲の狭い仕事を独立して進めながら、外部への操作前には承認を必要とすることもあります。人が見ていなくても何を完了できるのか、何が起きると止まるのかを確認してください。

「Copilot」や「エージェンティック」も同様に、制御の仕組みを十分に説明する言葉ではありません。画面の背後にあるツールと権限を調べましょう。親しみやすいチャット画面の先にあるのは、下書き用のアシスタントかもしれませんし、業務レコードを変更するシステムかもしれません。

「学習」という説明には、仕組みの確認が必要です。好みを保存すること、過去の会話を取り出すこと、学習済みモデルを変更することは、それぞれ異なる操作です。具体例として、Notionは、Notion Agentへのフィードバックは同社のチームに共有され、ユーザー個人のエージェントの学習には使われないと説明しています。フィードバックボタンがあるだけで、継続的に自己改善すると判断してはいけません。Notionによるフィードバックの説明

「複数のエージェントが確認した」という説明も吟味が必要です。すべてが同じ裏付けのない要約を受け取っていたなら、意見が一致しても根拠はほとんど増えません。有用な確認では、元の情報源、別の制約条件、実際に操作した結果のいずれかを調べます。

導入を最も強く後押しするのは、範囲が狭く、結果が見え、それを評価できる責任者がいるタスクです。幅広い自律性をうたうだけでは、こうした条件が整っていることにはなりません。

週明けに着手すること：任せる範囲を文書にする

繰り返し発生するタスクを選び、提供元にデモを依頼したり、試作品を作ったりする前に、任せる範囲を書き出しましょう。業務責任者なら、「仕入先からのメールをもとに更新案を作り、社内のレビュー待ちキューに入れる」というところから始められます。

1. 1

   完成した結果を具体的に決める

   人が受け取る成果物を定義します。ページの下書き、レコードの更新案、コードのパッチ、出典付きレポートなどです。「業務を任せる」を、受け入れるか差し戻すか判断できるものに置き換えましょう。

2. 2

   入力と操作を制限する

   読み取ってよい情報源と、変更してよい対象を列挙します。仕入先メールの例なら、試験運用では選択したメッセージを読み、更新案の書き込み先をレビュー待ちキューだけに限定します。

3. 3

   影響が生じる操作の前に承認を置く

   本番の仕入先レコードを更新する、返信を送るなど、レビューが必要な操作を具体的に指定します。承認する人が、対象と変更案を事前に確認できるようにしてください。

4. 4

   失敗の条件と対応責任者を決める

   仕入先の名前が曖昧な場合、指示が矛盾する場合、操作の成否がはっきりしない場合を含めます。どの時点でエージェントを止め、何を記録し、誰が例外を解決するかを決めましょう。

最初に用意するのは、任せる範囲をまとめた短い仕様書と、レビューできる成果物です。より広い自律性を与えるのは、範囲を限定した仕事で問題が起きたときに、どのように振る舞うかを説明できるようになってからです。

よくある質問

AIエージェントの基本的な5つの種類とは？

教科書でよく使われる分類は、単純反射、モデルベース反射、目標ベース、効用ベース、学習の各エージェントです。学習はほかの設計にも加えられるため、必ずしも自律性の別の段階を示すものではありません。

エージェンティックAIに近いAIには、どのような種類がありますか？

生成AIはコンテンツを作り、予測AIはデータから結果を推定します。これらの機能が、エージェントの構成要素になることもあります。エージェンティックという言葉が指すのは、タスクに向けて行動を選び、実行するための仕組み全体です。ほかの種類と重ならないモデルの分類ではありません。

モデルベースと目標ベースのエージェントは、どう違いますか？

モデルベースのエージェントは、環境を表す内部表現を保持します。目標ベースのエージェントは、望む結果を行動選択の指針にします。この考え方は両立します。状態を保持することで、目標に向けた計画を立てやすくなるためです。

ChatGPTは知的エージェントですか？

教科書における知的エージェントの広い意味と、業務の操作を任せるときの実務的な意味は異なります。ChatGPTのセッションについては、回答を返すだけなのか、ツールを使ってタスクに向けた操作を行うよう設定されているのかを確認してください。製品名だけでは、その境界は分かりません。

AIエージェントを構成する6つの要素とは？

6要素からなる普遍的な標準はありません。実務で点検するなら、目的、入力、意思決定ロジック、状態、ツール、実行制御というチェックリストが使えます。何をしようとしているのか、何を把握しているのか、どう行動し、何によって止まるのかを確認するために使ってください。

業務で使うAIエージェントの7つの種類とは？

本記事では、アプリ内アシスタント、ワークフロー・自動化エージェント、コーディングエージェント、ブラウザ・コンピューター操作エージェント、音声エージェント、リサーチエージェント、マルチエージェントシステムに整理しています。実務向けの整理であり、普遍的な分類体系ではありません。カテゴリー同士は重なります。

AIエージェントの「ビッグ4」とは？

標準とされる「ビッグ4」の製品ランキングはありません。古典的なアーキテクチャの分類では、行動選択の基本設計として、単純反射、モデルベース反射、目標ベース、効用ベースの4つがあります。学習は、それらに横断的に適用できます。

最も人気のあるAIエージェントはどれですか？

答えるには、市場を定義し、比較可能な利用データを用意する必要があります。アプリ内アシスタントのユーザー数、導入済みの音声エージェント数、コーディングのセッション数は、異なる指標です。共通の尺度がないままカテゴリーをまたいで人気を比べた主張を、選定の決め手にすべきではありません。

AI時代にも残る5つの仕事は何ですか？

エージェントの分類から、存続が保証される仕事の一覧を導くことはできません。業務上の判断では、職種の中にあるタスクを整理してください。何を任せられるか、何にレビューが必要か、結果に対する責任を誰が引き続き持つかを見極めます。

最も高性能なAIはどれですか？

ここで扱うすべての仕事で、一律に最も優れたAIはありません。設定したシステムが、許された操作の範囲内でタスクを正しく完了し、確認可能な結果を出せるかを評価してください。モデルの能力だけでは、導入した仕組み全体の品質は決まりません。

業務にAIを活用するための実践ガイドを受け取りたい方は、ニュースレターにご登録ください。