AIエージェントの活用事例｜業務別10種と業界別の使われ方、導入3ステップ

# AIエージェントの事例6件｜公表値だけで並べ、自社の業務に当てはめる読み方

「AIエージェントの事例を集めておいてほしい」と社内で頼まれる場面が、ここ数年で急に増えました。頼まれた人は検索して、他社の導入事例を10件も20件も集めます。ところが、その資料を会議に出した瞬間、話は決まって同じところで止まります。

止まる言葉も、だいたい同じです。「で、うちで言うとどれにあたるの」です。

先に、この記事で扱う言葉を1行だけ決めておきます。AIエージェントとは、人から指示を受けたAIが、道具やシステムを自分で呼び出しながら、複数の手順を最後まで実行するソフトウェアのことです。文章を1回作って返すだけの使い方は、ここには含めません。

そして、この記事で使う数値は、各社が自ら公表しているものだけです。公表されていないものは「非公開」と書きます。推定も、業界平均も、他社の記事からの又聞きも使いません。

本記事では、各社が公表している数値だけを頼りに、AIエージェントの事例を7件紹介します。まとめて眺めると、いまの使われ方の方向性と、これから増えていく役割が見えてきます。各節の最後には公式ページへのリンクカードを置いたので、一次情報はそのまま辿れます。今日は、その7件を順に見ていこうと思います。

AIエージェントとは

AIエージェントとは、人から目的を受け取ったAIが、道具やシステムを自分で呼び出しながら、複数の手順を最後まで実行するソフトウェアです。

「1回答えて終わり」ではないのが定義の中心です。調べ、判断し、必要なら別の道具を呼び、結果を見てやり直す。終了条件に達するまで回り続けます。

生成AI・チャットボット・RPAとの違い

	できること	止まるところ
チャットボット	決められた分岐で答える	想定外の質問
生成AI	文章や画像を作る	作るだけ。実行はしない
RPA	決められた操作を正確に繰り返す	画面や様式が変わったとき
AIエージェント	判断しながら手順を最後まで実行する	目的が曖昧なとき

RPAとの差が実務では効きます。RPAは手順を書く必要がありますが、AIエージェントには目的を渡します。その代わり、目的が曖昧だと動きが安定しません。

AIエージェントの仕組み

内部は3つの部品で説明されます。

• 認識（センサー） — 入力、データ、外部の状態を受け取る
• 意思決定 — 目的に照らして、次に何をするかを決める
• 実行（アクチュエータ） — 道具やAPIを呼んで、実際に動かす

この3つが輪になっているのが要点です。実行した結果をまた認識に戻すので、途中で人の承認を挟むと、人がいない時間にそこで輪が止まります。

AIエージェントの特徴

• 自律性 — 途中の判断を自分で行う
• 自動化能力 — 複数の手順をまたいで完結させる
• 適応性 — 状況や与えた情報で振る舞いを変える
• 推論 — 手順が書かれていない仕事も、分解して進める

3つ目は利点であり弱点でもあります。与える情報が変われば動きも変わるので、毎回同じ答えが要る処理には向きません。

AIエージェントが求められる背景

• 大規模言語モデルの性能向上 — 手順を分解できる水準に届いた
• 労働力の不足 — 人を増やして処理量を上げる手が取れない
• 業務プロセスの非効率 — 転記と確認が人手のまま残っている
• ビジネス環境の高速化 — 判断の回数と速度が上がった

2つ目が導入の引き金、1つ目が可能にした条件です。

AIエージェントの種類

分類は2通りの切り口で語られます。まず、振る舞いによる古典的な6分類です。

• 反応型 — 入力に対して即座に決まった反応を返す
• モデルベース型 — 内部に世界の状態を持ち、それを見て判断する
• 目標ベース型 — 目標に近づく行動を選ぶ
• 効用ベース型 — 複数の選択肢を、望ましさの度合いで比べる
• 学習型 — 結果から学び、次の判断を変える
• 階層型 — 上位が計画し、下位が実行する

もう1つは、導入の形による3分類です。

• 特化型 — 1つの業務に絞る。効果が読みやすい
• 自律型汎用 — 幅広い仕事を任せる。範囲の管理が難しい
• マルチエージェント — 役割を分けた複数体で分担する

最初は特化型からです。効果の測り方が決まり、失敗したときの範囲も閉じます。

AIエージェントを活用するメリット

• 業務が効率化する — 転記・照合・一次対応が人手から外れる
• 24時間365日動く — 夜間や休日の待ち時間が消える
• 人為的なミスが減る — 疲労や慣れによるばらつきが出ない
• 一人ひとりに合わせた対応ができる — 応対を個別に組み立てられる
• データを解析して判断材料を出せる — 集計と傾向の抽出が速い

2つ目が、費用対効果としてはいちばん読みやすい項目です。人の時間で埋めていた空白が、そのまま効果になります。

活用事例1｜カスタマーサポート・問い合わせ対応

一次対応を代行し、社内の情報を参照して回答します。解決できないものだけを人へ渡します。

効果は「解決率」で測ってください。応答件数で測ると、答えられていない応答も数に入ります。

活用事例2｜営業（追客・商談準備・提案資料）

見込み客への追客とスコアリング、商談前の下調べ、提案資料の下書き。

下調べは、最も外れにくい使い方です。公開情報を集めて整えるだけなので、判断を任せる必要がありません。

活用事例3｜マーケティング（広告制作・SNS運用）

広告クリエイティブの大量生成、投稿の作成と反応の管理。

活用事例4｜バックオフィス（経費精算・帳票処理）

領収書の読み取りと照合、不備の検出、申請の作成。

不備の検出まで任せると効果が出ます。読み取りだけでは、確認の仕事が人に残ります。

活用事例5｜人事・採用

候補者の探索、初期の連絡、書類選考の一次評価。

評価に使うときは、判断の理由を必ず記録させてください。採用は、後から説明を求められる領域です。

活用事例6｜社内問い合わせ・情報照会

規程や手順書を参照して、情シスや総務への質問に答えます。

参照した文書を回答に添えさせてください。出典が無いと、確認のために結局その文書を探すことになります。

活用事例7｜会議・議事録・スケジュール調整

日程の調整、議題の作成、議事録の作成とタスクの抽出。

活用事例8｜ソフトウェア開発

コードの生成、レビュー、不具合の修正、テストの作成。

活用事例9｜調査・分析

市場調査、競合分析、企業調査。複数の情報源をまたいで集め、比較表にまとめます。

活用事例10｜在庫とサプライチェーン

需要の予測、在庫の最適化、発注の実行。

発注のような「やり直せない実行」には、金額や数量の上限を設けてください。

業界別の使われ方

業界	主な使いどころ
金融	不正検知のルール作成、審査の下書き、問い合わせ対応
財務・会計	仕訳、突き合わせ、月次の確認
製造・物流	図面や仕様の照合、需要予測、配送の計画
医療	記録の作成、文献の照合、事務手続きの代行
小売・サービス	接客の一次対応、在庫、販促の制作

共通しているのは「照らし合わせる仕事」です。2つの資料を突き合わせて差分を出す作業は、業界を問わず効果が出ます。

導入のポイント1｜自動化する範囲を先に決める

どの業務の、どこからどこまでを任せるかを明確にします。

「業務全体」を渡さないでください。範囲が広いほど、失敗したときにどこが原因か分かりません。

導入のポイント2｜人の確認（Human-in-the-Loop）を組み込む

AIの判断をそのまま実行させず、人が見る点を設けます。

置く場所が肝心です。工程の途中すべてに置くと、人がいない時間に止まります。やり直せない操作の手前だけに絞るのが実務解です。

導入のポイント3｜人とAIの役割分担をルールにする

誰が決め、誰が承認し、誰が責任を持つかを文書にします。

やってはいけないことの一覧も、同時に作ってください。許可の一覧だけでは、書かれていない行動を止められません。

導入のポイント4｜データと連携先を整える

AIが読むべき情報が、読める場所に、読める形で置かれているかを確認します。

導入が止まる原因の多くは、AIの性能ではなくここです。必要な情報が個人のPCやメールの中にあると、そもそも渡せません。

導入のポイント5｜小さく始めて広げる

1業務・1部署で始め、効果と限界を数字にしてから広げます。

導入の進め方（3ステップ）

段階	やること	終わったといえる状態
1. 課題整理と範囲決め	どの業務を、なぜ任せるのかを1行で書く	効果を測る指標が決まっている
2. 検証（PoC）	小さく作り、指標で測る。データを整える	合格・不合格が判定できている
3. 本番と運用	体制、監視、改善の担当を決める	止め方と直し方が決まっている

2段目で合否の基準を決めていないPoCが、いちばん多い失敗です。「便利だった」で終わり、本番の稟議が通りません。

注意点1｜ハルシネーション（もっともらしい誤り）

存在しない情報を、事実のように返すことがあります。

参照した根拠を必ず出させ、突き合わせできる形にしてください。

注意点2｜セキュリティとプライバシー

AIが読める範囲＝漏れうる範囲です。権限を業務単位で絞り、記録を残します。

注意点3｜費用対効果をどう見るか

利用料だけでなく、導入・データ整備・運用・監視の工数を含めて比べます。

削減できた時間ではなく、「その時間で何ができるようになったか」まで書けると稟議が通ります。

技術・倫理・実用面の課題

• 技術面 — 長い手順での誤りの蓄積、道具連携の不安定さ
• 倫理面 — 判断の説明責任、偏りの混入、責任の所在
• 実用面 — 現場が使い続けるか、担い手がいるか

実用面が最後に効きます。技術的に動いても、運用を引き取る人がいなければ止まります。

自社構築とサービス利用、どちらを選ぶか

	向いているとき	注意点
SaaS一体型	一般的な業務。早く始めたい	自社の業務に合わせる自由度が低い
自社構築	自社固有の業務やデータが中心	運用と改善の担い手が要る

先にSaaSを当ててください。合わない箇所が具体的に言えるようになってから作ると、作る範囲が減ります。

AIエージェントの事例を読むときの注意

公開されている事例には、公表値と推定値が混ざっています。

• その数字は、その会社が自ら公表しているか
• 実証実験の結果か、本番稼働の結果か
• 対象は全社か、一部の部署か
• いつの時点の数字か

2つ目が、稟議に使うときにいちばん効きます。実証実験の数字を本番の見込みとして出すと、あとで説明が苦しくなります。

ここまでが、AIエージェントの基本と、業務別・業界別の使われ方の整理です。種類を選び、範囲を絞り、人の確認を置く場所を決め、小さく始める。導入の型としては、これで足ります。

この記事の後半は、その型ではなく実物を並べたものです。各社が自ら公表している数値だけを使い、推定も業界平均も又聞きも使わずに7件。並べたときに、いまの使われ方がどちらを向いているのかを見ていきます。

① セールスフォース｜自社ヘルプサイトの問い合わせを、AIエージェントが76%解決している

顧客管理ソフトの世界最大手であるセールスフォースは、自社のサポートサイトにAIエージェントを置いています。同社が公開している顧客事例に、数値が並んでいます。

対象は「help.salesforce.com」というヘルプサイトです。年間6,000万回を超える訪問があり、記事は74万本以上あるとされています。人が探すには多すぎる量です。

以前の姿も、同じ資料に書かれています。もともとは決まった範囲の質問に答える自動応答を置いていて、利用者は特定のキーワードを打ち込む必要がありました。パスワードの再設定でつまずくと、サポートの窓口に依頼を出し、担当者が空くまで待つ。場合によっては数日かかったとされています。

同社の公表によれば、AIエージェント「Agentforce」は顧客からの問い合わせの約76%を、人を介さずに解決しています。人のサポート担当へ引き継がれるのは5%です。この2つを足しても100%にはなりませんが、公表されているのはこの数値だけなので、残りは推定しません。応答時間は、利用者の90%で65%短縮したと書かれています。

AIエージェントは累計で170万件を超える会話を扱い、その間にセールスフォースのサポート担当者は「より複雑な130万件」に集中したとしています。

導入にかかった期間も公表されています。用途の定義、答えてよい範囲の線引き、検証を含めて「2か月」です。この線引きを、同社の資料では「ガードレール」と呼んでいます。顧客の製品活用を支援するカスタマーサクセスの責任者であるジム・ロス氏は「顧客が検索して、コールセンターに転送される時代は終わった」という趣旨のコメントを寄せています。

技術面で書かれているのは、社内データへのつなぎ方です。過去の対応履歴、購入した製品、質問への回答や手順をまとめたナレッジ記事、製品ドキュメントを横断して読み、そのうえで回答を組み立てるとされています。外部連携の上限値に関する質問なら、以前は7,000件を超える検索結果を利用者が自分で掘る必要がありました。

承認の置き方が、この事例のいちばんの見どころです。人へ引き継ぐとき、AIが会話の要点を要約して渡します。顧客が同じ説明を二度しなくて済む形になっています。

この「引き継ぎの作法」は、規模の小さい会社でもそのまま真似できます。必要なのは大がかりな開発ではなく、「どこまでを自動で答えて、どこから人に渡すか」の線引きと、渡すときの要約の形だけだからです。76%という数字より、この線引きのほうが持ち帰る価値があります。

② モルガン・スタンレー｜金融アドバイザーのチームの98%が使うAIアシスタント

投資銀行大手のモルガン・スタンレーは、2023年3月にOpenAIとの提携を発表し、同年9月に「AI @ Morgan Stanley Assistant」を全面展開しました。顧客の資産運用を支援する金融アドバイザー向けで、社内の膨大な調査資料を自然な言葉（自然言語）で引き出せるAIです。

同社が2024年6月26日に出したプレスリリースに、利用状況を示す数値が書かれています。「これまでに金融アドバイザーのチームの98%がアシスタントを採用した」という一文です。

同じリリースで発表されたのが「AI @ Morgan Stanley Debrief」です。顧客の同意を得たうえで、面談中のメモをAIが取り、要点をまとめ、送信用のメール草案を作り、記録を顧客管理システムに保存します。

現場のコメントも載っています。ヒューストンのアドバイザーは「メモ取りをすべて任せられるので、1回の面談あたり30分ほど空く」と話します。ニュージャージーのアドバイザーは「面談の記憶が新しいうちに、要約メールを確認して直して送れる」と述べています。

ここで承認の置き方を見ます。メールは「アドバイザーが編集して、自分の裁量で送る」と明記されています。AIが書いて、人が直して、人が送る。送信の直前に人が必ず入る設計です。

経営陣の言葉も残っています。同社のクライアント部門責任者は「アドバイザーの助言と関係、つまり人の手触りが根幹であり続ける」と述べました。全社のAI責任者は「AIが社員と多数の業務システムの間に立つ、効率を高める対話の層になる」という将来像を語っています。

一方で、全社の労働時間削減量は公表されていません。この事例で公表されているのは「採用率」であって「削減時間」ではない、という読み方が正確です。非公開の削減時間を推定で埋めないことで、採用率と削減時間を区別できます。

③ コモンウェルス銀行｜不正検知のルール案をAIエージェントが書き、人が承認する

オーストラリア最大手のコモンウェルス銀行は、2026年4月24日に自社のニュースルームで、不正検知に使うAIエージェントを公表しました。金融機関の事例としては、任せ方がかなり踏み込んでいます。

このAIエージェントは、決済データの中から不審なパターンを見つけます。そして「深刻度をすばやく評価し、文脈を分析し、それを止めるための新しい検知ルールを提案する」と説明されています。

規模の数字も並びます。1日あたり2,000万件を超える決済を処理し、そこから出る不審の兆し（シグナル）8,000万件を監視しているとされています。顧客へ送る事前警告は、1日平均で4万件を超えるとしています。

効果として公表されているのは2つです。2026会計年度上期の不正被害が、前年同期比で20%以上減ったこと。そして、カード不正の検知ルールのうち4分の3に、作成または更新でこのAIが関わったことです。開発期間は3か月と書かれています。

そして、この事例でいちばん引用する価値があるのは、承認に関する一文です。新しい検知ルールは「実装前に、同行の不正分析チームがレビューして承認する」とされています。同行はこれを「人間が輪の中にいる監督」と呼びます。これは、ヒューマン・イン・ザ・ループ（AIが回す流れの中に、人の承認を1か所だけ残す設計）のことです。

開発したのは外部のベンダーではなく、同行のデータサイエンス（データを分析して判断や予測に生かす分野）とエンジニアリング（システムを構築する分野）のチームです。使っているのは、社内のデータを集約した基盤と、クラウド上に置いた勘定系、つまり口座と入出金を管理する中核のシステムです。なお、詐欺や金融犯罪から顧客を守る取り組み全体には、年間10億ドルを投じているとされています。この一件だけの費用ではありません。

AIがルールを書く。人がそれを承認する。止める権限は人が持ったままにする。金融のように説明責任が重い業種では、この形が現実解として選ばれています。

この設計は、「AIに任せる範囲を広げる」議論への答えにもなっています。範囲を広げたければ、AIに渡す工程を増やすのではなく、承認の速度を上げることを考えます。AIが担当する範囲をルール案の作成までに止めたぶん、決めることが減り、開発が3か月で収まったとも読めます。

④ ルーメン・テクノロジーズ｜商談前の下調べが4時間から15分になった

米国の通信事業者ルーメン・テクノロジーズの事例は、マイクロソフトが顧客事例として公開しています。営業の下調べという、どの会社にもある工程が題材です。

売上に関する部門を統括する最高収益責任者のアシュリー・ヘインズ＝ガスパー氏の言葉が引かれています。「営業担当が顧客へのアプローチのために調べ物をすると、通常は4時間かかる。生成AIを使えば、それが15分でできる」という趣旨です。ここでいう生成AIとは、入力した指示に応じて文章などを作るAIです。

そのうえで、同社は「週に4時間が戻ってくることは、12か月で5,000万ドルの売上に相当する」としています。生成AIを実際に使っている範囲は、営業と顧客対応を中心に「数千人規模」と書かれています。

ただし、この5,000万ドルは読み方に注意が要ります。これは「削減できた支出」ではなく、「空いた時間を売上に換算した見積り」です。実際にその金額が計上されたという公表ではありません。

同じ資料には、ソフトを配って終わりにしていないことも書かれています。生成AIを使っている従業員数千人よりさらに広く、従業員26,000人規模を対象に、働き方そのものを変えるための研修を実施したとされています。「使える人が増えたから効果が出た」という順番が明示されている点は、読み落とさないほうがよい。

事例を並べるときは、このような換算額こそ丁寧に扱う必要があります。「5,000万ドルの効果」と要約した瞬間に、資料としての信用が落ちます。単位と定義を、公表されているとおりに書くほうが強い。

⑤ パナソニック コネクト｜図面と設計仕様の照合にAIエージェントを置いた

国内の事例で、公表値がいちばん厚いのがパナソニック コネクトです。2026年7月29日のプレスリリースに、年度単位の実測が並びます。

同社は国内の全社員およそ11,800人に、自社向けAIアシスタント「ConnectAI」を展開しています。2025年度の集計では、AI活用による総労働時間の削減効果が78.8万時間に達しました。これは年間総労働時間の3.4%にあたります。

使われ方の数値も出ています。利用回数は361万回で、前年度の1.6倍。1回あたりの削減時間は33分で、前年度の1.2倍です。月に一度でも使った社員の割合は61%で、前年度から12ポイント増えました。

この3つが同時に伸びている点には意味があります。利用回数だけが伸びる導入は珍しくありません。ただ、「1回あたりの削減時間」と「使っている人の割合」が同時に伸びるのは、任せている作業が、より時間のかかる作業へ移った証拠になります。軽い調べ物から、時間のかかる作業へ用途が動いたということです。

そのうえで、AIエージェントの適用先が名指しで書かれています。「図面／設計仕様の照合業務」で、製造部門向けに作られたAIエージェントの利用を開始した、という一文です。今後は経理や営業などの領域へ広げる計画も示されています。

目標も公表されています。「2030年に総労働時間の10％をAIで削減する」というものです。3.4%から10%へ、という道筋が数字で置かれています。

照合という工程は、業種を越えて読み替えが効きます。図面と設計仕様の突き合わせは、契約書と申請内容の突き合わせ、決算書と稟議書の突き合わせと、作業の形がほとんど同じだからです。

⑥ 横浜銀行｜融資稟議書の下書きをAIが作る、6週間の実証実験

国内の金融で、業務が最も具体的に公表されているのが横浜銀行の事例です。日本IBMのニュースルームに、2024年11月7日付で実証実験の結果が載っています。

作られたのは「融資稟議書作成支援AI」のプロトタイプ（本番導入前の試作版）です。制作期間は6週間と明記されています。検証したのは、審査項目の網羅率（審査に必要な項目をどこまで含めたか）、文章品質、そして業務時間の削減効果の3点です。

効果は見込み値として公表されています。業務に実装した場合、最大で年間19,500時間の効率化、融資担当者1人あたりでは月間で最大約8時間という数字です。

業務時間の削減より重要なのは、稟議書作成以外の副産物として書かれている効果かもしれません。「与信判断に必要な審査項目について、お客さまへのヒアリングが不足している点を明確にできる効果も確認できました」という一文です。ここでいう与信判断とは、融資先に返済能力があるかを見極めることです。

つまり、このAIは稟議書を速く書くだけでなく、「聞き漏らしを指摘する」役に回っています。結果として「行員の審査スキルが効果的に向上することも期待できます」と書かれています。

聞き漏らしを指摘する効果は、事例を探している人がいちばん見落とす種類の効果です。時間の削減は稟議書の数だけ効きますが、聞き漏らしの指摘は、担当者が次の面談で聞く項目を変えます。同じAIが出した効果でも、効き方の持続時間が違います。

そして段階は、はっきり「実証実験」です。本番稼働の事例として引用すると、事実からずれます。ここを混ぜないことが、事例を扱ううえでの最低限の作法になります。

⑦ ARCHECO｜記事の企画から公開後の改善までを、1本の実行ループが回している

7件目は、本メディアの運営会社であるアルチェコ（ARCHECO）の事例です。自社の話なので、他の6件と同じ作法で書きます。公表できる実測値だけを書き、非公開のものは非公開と書きます。

対象の業務は、開発、マーケティング、投資です。狙う検索語の調査、執筆、図解の生成、入稿、公開後の検索順位の計測、その結果を受けた改善まで。工程を1つずつAIに任せるのではなく、この一連を「Agenic（エージェニック）」という自社開発の基盤が、1本の実行ループとして回しています。

仕組みは、Webアプリと常駐ワーカーの2階建てです。データベースそのものを作業待ちの列（キュー）として使い、状態をすべてデータベースに置く設計なので、途中で止めても、止めた場所から再開できます。コードはTypeScriptで87,024行。うちワーカーが15,305行、ループを制御するエンジンだけで7,350行あります（2026年8月時点のリポジトリ実測）。開発の履歴も残っていて、2026年2月の1か月あまり・189コミットで、1人の開発者が本体を作り切りました。以後は運用しながら手を入れています。

ループの中身は、サイクルの繰り返しです。1サイクルは、計画、計画レビュー、実装、テスト、検証、受け入れといった工程（ノード）でできています。ノードごとにAIの裁量を4段階で設定でき——計画だけ立てさせる、ファイルの編集まで許す、完全に任せる——受け入れの工程で差し戻されると、最大3回まで自動で実装へ戻ります。

他の6件と違う点が、ひとつあります。目標そのものが、ループの中で更新されることです。成果物の定義書も、ドキュメント更新の工程が終わるたびに、ループ自身が書き換えます。人の指示さえ「方向キュー」に積まれ、サイクルの境界でだけ消費されます。人はループを止めずに、走っている間に舵だけを切ります。

AIがどこまで質問してくるかは、1から5の「投機レベル」というダイヤルで決めます。1は全部確認してから動き、5は全部推測して動きます。初期値は4の「自律」です。

公表できる実測値も置きます。直近では、200,000ステップのアプリを2ヶ月で実装し、記事20本と図解約200枚の制作・入稿を3日で回しました。いま読んでいるこの記事も、その成果物のひとつです。人の承認は2か所——公開してよいかの判断と、方向の指示——に絞っています。段階は本番運用（自社およびクライアント業務）で、外部への提供は未実施。削減時間のような運用の集計値は、年度単位の実測が溜まっていないため非公開です。

⑧ まとめると、方向性が見えてくる

7件を並べると、共通点が3つ見えてきます。

第一に、全部を任せた事例が、ひとつもないこと。セールスフォースは5%の引き継ぎ、モルガン・スタンレーは送信前の編集、コモンウェルス銀行はルールの承認、横浜銀行は起案の判断、アルチェコは公開の判断。7件すべてが、人の承認をどこに置くかを設計してから任せています。

第二に、立ち上がりが2〜3か月であること。セールスフォースの範囲の線引きと検証が2か月、コモンウェルス銀行の開発が3か月、横浜銀行の実証が6週間、アルチェコの本体開発が1か月あまり。年単位の構築計画を立てた事例はありません。小さく区切って出す、が共通の作法です。

第三に、効果の単位がばらばらであること。解決率で語る会社、採用率で語る会社、削減時間で語る会社、売上換算で語る会社。単位が揃わないのは、各社が別の場所に価値を置いているからです。読み比べるときは、数字の大小ではなく単位ごと読むのが正確です。

違いは「何を任せたか」に出ます。探して答える、まとめて書く、見つけてルール案を書く、下調べする、照合する、下書きする。ここまでの6件は、どれも1つの業務の中の1工程です。7件目だけが、企画から改善までの業務をまたぐループを任せています。この差が、そのまま現在とこれからの境目になっています。

⑨ これからのAIエージェントは、役割で分類できる

いまの事例は、4つの役割に収まっています。1つ目、一次対応をまるごと受ける役。2つ目、社内の知識を引き出す役。3つ目、下書きを書いて人の承認を待つ役。4つ目、2つのものを照合する役。どれも1つの業務の中で働きます。

その次に来るのが、5つ目の業務をまたぐ実行ループです。1工程ではなく、計画から検証までの一連を回す役割で、7件目の事例はここにいます。

そして、実行ループの先にもう1段あります。6つ目の目標を自分で更新する型です。決められた目標に向かって走るだけでなく、検証で見つかった問題を自分の次の目標へ繰り入れ、成果物の定義さえ書き換えていく。人の仕事は、目標を与えることから、目標の更新を監督することへ移ります。指摘台帳と方向キューは、この型のいまの実装例です。

分類がどこまで進んでも、変わらないものが1つだけ残ります。人の承認をどこに置くか。7件が7件とも、そこから設計を始めていました。

よくある質問

Q. AIエージェントの事例は、どこを見れば公表値だと分かりますか

出所が、その会社自身か、導入先の企業かのどちらかであることを確かめてください。この記事で使った他社の6件は、各社のプレスリリース、ニュースルーム、公式の顧客事例ページに載っている数値だけです。まとめ記事から孫引き（元の資料を直接確認せず、まとめ記事をもとに引用すること）すると、途中で単位や前提が落ちていることがあります。

Q. 事例が実証実験か本番稼働かは、どう見分けますか

本文に「実証実験」「PoC」「プロトタイプ」「見込み」という語があれば実験です。横浜銀行の事例には「実証実験」と明記され、効果は「実装した場合」の見込み値として書かれています。ここを本番として引用すると、事実からずれます。

Q. 自社と規模が違う事例は、参考になりますか

工程と承認の置き方が同じなら参考になります。11,800人の会社の照合業務と、20人の部署の照合業務は、作業の形が同じです。参考にならないのは規模が違うときではなく、任せ方の記述が無いときです。

この記事を書いた会社について

アルチェコ（ARCHECO）は、利用者の体験を設計するUXデザイン・AI開発・新規事業開発を組み合わせ、企業と新事業を一緒に作る事業共創スタジオです。自社でAIプロダクトを開発しながら、大企業と組んで、構想から必要最低限の機能を備えた試作版（MVP）までを一緒に作っています。

上の6件のように、公表できる数値が揃うまでには段階があります。まずは1工程を選び、人の承認をどこに残すかを決めるところからで構いません。その最初の設計から相談できます。

• AIエージェント開発
• 新規事業コンサル・MVP・PoC
• ご相談はこちら

以上です。

AIエージェントのよくある質問

AIエージェントと生成AI・チャットボット・RPAは何が違いますか？

チャットボットは決められた分岐で答えるもので、想定外の質問で止まります。生成AIは文章や画像を作りますが、作るだけで実行はしません。RPAは決められた操作を正確に繰り返しますが、画面や様式が変わると止まります。AIエージェントは判断しながら手順を最後まで実行します。RPAには手順を書きますが、AIエージェントには目的を渡す点が実務上の差です。

AIエージェントにはどんな種類がありますか？

振る舞いによる古典的な6分類は、反応型、モデルベース型、目標ベース型、効用ベース型、学習型、階層型です。導入の形では、1つの業務に絞る特化型、幅広い仕事を任せる自律型汎用、役割を分けた複数体で分担するマルチエージェントの3つに分かれます。最初は特化型からです。効果の測り方が決まり、失敗したときの範囲も閉じます。

AIエージェントはどんな業務に使われていますか？

業務別ではカスタマーサポートの一次対応、営業の追客と商談準備、マーケティングの広告制作、バックオフィスの経費精算と帳票処理、人事の採用、社内問い合わせ、会議の議事録とスケジュール調整、ソフトウェア開発、市場や競合の調査分析、在庫と発注の10種が代表です。業界を問わず効果が出やすいのは、2つの資料を突き合わせて差分を出す「照らし合わせる仕事」です。

AIエージェントの導入で気をつけることは何ですか？

5つです。自動化する範囲を先に決める、人の確認（Human-in-the-Loop）を組み込む、人とAIの役割分担をルールにする、データと連携先を整える、小さく始めて広げる。人の確認は置く場所が肝心で、工程の途中すべてに置くと人がいない時間に止まります。やり直せない操作の手前だけに絞るのが実務解です。

AIエージェントはどう導入すればよいですか？

3ステップです。課題整理と範囲決め（どの業務をなぜ任せるのかを1行で書き、効果を測る指標を決める）、検証（小さく作って指標で測り、データを整える）、本番と運用（体制・監視・改善の担当と、止め方・直し方を決める）。2段目で合否の基準を決めていないPoCがいちばん多い失敗で、「便利だった」で終わって本番の稟議が通りません。