Agentic AI（エージェンティックエーアイ）

Agentic AI

概要

Agentic AI は、2024-2025 年に急速に注目を集めた AI 応用のパラダイムで、LLM が単なる質問応答ツールとしてではなく、目標を達成するために自律的に計画・実行する「エージェント」として機能するアプローチを指します。ツール使用、計画立案、自己評価、長時間タスクの継続実行を組み合わせ、従来の AI より格段に広い範囲の仕事をこなすことができます。

従来 AI との違い

Reactive AI（従来）

• 質問 → 回答
• 単発のやり取り
• ユーザーが次のステップを決める
• 例: ChatGPT 基本機能

Agentic AI

• 目標 → 計画 → 実行 → 評価 → 完了
• 複数ステップ
• AI が自律的に進める
• 例: Claude Computer Use、Devin

エージェントの特徴

1. 自律性（Autonomy）

• 人間の介入なしで動作
• 次のステップを自分で決定

2. 目標指向（Goal-oriented）

• 最終目標を理解
• サブゴールに分解

3. ツール使用（Tool Use）

• Web 検索、コード実行、ファイル操作
• API 呼び出し、データベース

4. 環境認識（Environmental Awareness）

• 現在の状態を把握
• フィードバックに反応

5. 記憶（Memory）

• 過去の行動を記憶
• 長期タスクに対応

6. 自己評価（Self-Reflection）

• 自分の行動を振り返る
• 誤りを修正

主要なエージェント製品（2024-2026）

開発エージェント

• Claude Code: Anthropic 公式 CLI
• Cursor: AI 統合 IDE
• Windsurf: Codeium
• GitHub Copilot Workspace
• Devin: Cognition Labs
• OpenHands: オープンソース

汎用エージェント

• ChatGPT Operator: OpenAI
• Claude Computer Use: Anthropic
• Perplexity Deep Research
• Gemini Deep Research

研究エージェント

• Google Deep Research
• OpenAI Deep Research
• Anthropic Research Preview

カスタマーサポート

• Sierra
• Ada
• Intercom Fin

Agentic ワークフロー

典型的なパターン

1. ユーザーが目標を指定
   例: "バグを修正して PR を作成"
   ↓
2. エージェントが計画
   - バグの特定
   - コードベース探索
   - 修正案作成
   - テスト追加
   - PR 作成
   ↓
3. 各ステップを実行
   - コード読み取り
   - 編集
   - テスト実行
   - エラーログ確認
   ↓
4. 自己評価
   - テスト通過?
   - 要件満たす?
   ↓
5. 完了報告 or 再試行

主要パターン

ReAct（Reasoning + Acting）

Thought: コードベースを探索する必要がある
Action: グロブ検索で関連ファイルを探す
Observation: src/auth/ に認証関連のファイル
Thought: user.ts を読み込んで詳細確認
Action: read_file(src/auth/user.ts)
Observation: ...

Plan-and-Execute

1. 計画フェーズ: 全体プラン作成
2. 実行フェーズ: 各ステップ実行
3. 再計画: 必要に応じて

Multi-Agent

• Manager エージェント: 調整
• Specialist エージェント: 特化タスク
• Validator エージェント: 検証

Computer Use

Claude Computer Use（2024/10）

• スクリーンショット解析
• マウス、キーボード操作
• 任意のアプリ操作

OpenAI Operator（2025/1）

• ブラウザ自動化
• Web タスク実行

ベンチマーク

SWE-Bench Verified

• 実際の GitHub Issue 解決
• Claude Opus 4.5: 82.5%
• GPT-5: 80.1%

OSWorld

• OS 操作タスク

WebArena

• Web タスク

GAIA

• 汎用 AI アシスタント

実装技術

フレームワーク

• LangGraph: グラフベース
• CrewAI: マルチエージェント
• AutoGen: Microsoft
• MCP: Model Context Protocol

ツール連携

• Function Calling
• MCP Servers
• Tool Use API

課題

1. 信頼性

• 予測不可能な動作
• 完了率 50-80%

2. コスト

• 多数の LLM 呼び出し
• 長時間実行

3. セキュリティ

• Prompt Injection
• 意図しない破壊的操作
• 権限管理

4. 人間の介入

• 完全自律はまだ困難
• Human-in-the-loop 必要

5. デバッグ

• 非決定論的
• 再現困難

ユースケース

ソフトウェア開発

• コード生成
• バグ修正
• リファクタリング
• ドキュメント生成

データ分析

• データ収集
• 前処理
• レポート生成

リサーチ

• 文献調査
• ファクトチェック
• レポート作成

業務自動化

• データ入力
• 承認フロー
• レポーティング

カスタマーサポート

• 問い合わせ対応
• トラブルシューティング

ベストプラクティス

1. 明確な目標設定
2. 権限の制限
3. コスト上限
4. ログと監査
5. 中断可能な設計
6. Human Review
7. 段階的ロールアウト

将来展望

2025-2026

• 業務ソフトへの統合加速
• Claude Code、Cursor 等の成熟
• マルチエージェント協調

2027 以降

• 完全自律型エージェント
• AI チーム（複数エージェントの組織化）
• AGI に近づく

関連用語

• AI Agent、LLM
• Claude 4、GPT-5
• MCP（Model Context Protocol）
• Computer Use
• Tool Use、Function Calling