2028年までに、エンタープライズ向けソフトウェアアプリケーションの33%にAIエージェントが組み込まれると予測されています。
約90%の企業が、エージェント型AIを競争優位の潜在的な源泉とみなしています。
AIエージェントの普及と影響力が高まるにつれ、適切なモデルを理解し選ぶことの重要性も高まるでしょう。
エージェント型人工知能（AI）は、AIの生成機能から生まれた、最新の変革的な派生技術です。
2028年までに、33%のエンタープライズ向けソフトウェアアプリケーションにAIエージェントが組み込まれると予測されており、業務上の意思決定の15%が自律的に行われるようになります。さらに最大90%の企業が、エージェント型AIを、効率性、意思決定の強化、拡張性を通じて得られる潜在的な競争優位の源泉とみなしています。
2024年時点で51億ドルと評価されているAIエージェント市場は、471億ドルに達すると推定されており、その時期は2030年です。
登場しつつあるAIエージェントの理解
エージェントとは、環境を認識し、情報を処理し、特定の目標を達成するために行動を起こす自律システムと定義されます。しかし、能力、技術、人間の関与の度合いが異なる、エージェント型モデルの範囲は拡大しています。
企業がAIエージェントをゼロから構築する場合でも、既存のフレームワークのいずれかを利用する場合でも、そのエージェントは同時に複数のカテゴリーに該当することがあります。
コンシューマー向けエージェントと企業向けエージェント
コンシューマー向けエージェントは、個人のB2Cユーザー向けにソリューションを提供します（チャットボット、仮想営業アシスタント、調査・推奨ツールなど）。その企業向けの対応物は、ビジネスのワークフロー、意思決定、生産性の最適化を目的として設計されています。
AIのガードレールの構築に向けて、世界経済フォーラムはどのように取り組んでいるのでしょうか？
AI卓越性センターは、各分野のリーダーをつなぎ、AIの急速な進化と、経済および社会へのその影響を理解する取り組みを進めています。AIの導入に関連する機会、リスク、トレードオフについて、情報に基づく対話を支援しています。
信頼できる場と協働的な取り組みを通じて、センターはパートナーが共通の理解を築き、AIのイノベーションと活用に対する責任ある取り組みに向けて協力できるよう支援しています。
仮想AIエージェント対身体性AIエージェント
世界経済フォーラムの報告書『Frontier Technologies in Industrial Operations: The Rise of AI Agents』で示されているとおり、仮想AIエージェントは「定型業務や調査から高度な分析、タスク自動化に至るまで、ソフトウェアベースのさまざまなタスクを管理します。」一方、身体性AIは「ロボットなどの物理システムにAIを組み込み、動的で複雑な動きを通じて環境を認識し、環境と相互作用できるようにします。」
ヒューマン・イン・ザ・ループ（HITL）対ヒューマン・アウト・オブ・ザ・ループ（HOTL）エージェント
HITLエージェントでは、人間が意思決定の能動的な参加者であり続け、さまざまな程度の入力、ガバナンス、監視を行います。HOTLエージェントは大部分が独立して行動し、人間は意思決定からほとんど、または完全に除外されています。
これらの分類は相互に排他的ではなく、複数の重複が起こり得ます。仮想エージェントは、HITLを備えたコンシューマー向けエージェントである場合があります。
上記の大まかな分類を超えて、複数のAIエージェントモデルが存在し、それぞれ異なる特性を持ちます：
単純反射型エージェントは、あらかじめ設定されたルールに従って環境に応答します。
モデルベース反射型エージェントはより高度な仕組みとして、過去のデータを用いて環境のモデルを構築します。エージェントはこのモデルを使い、より賢明な判断を行います。
目標ベースのエージェントは、生成機能を活用して、行動する前に複数の選択肢を検討しながら、特定の目標の達成に取り組みます。
効用ベースのエージェントは、異なる選択肢に優先順位を付け 、その結果がどれほど有益かに応じて判断します。その有益性は、事前に定義された効用指標に照らして測定されます。
学習型エージェントは時間の経過とともに行動を調整し、過去の経験から学習して出力の改善を図ります。
階層型エージェント／マルチエージェントシステムは複数の階層で展開され、上位のエージェントが下位のエージェントの目標と行動を監督または調整し、複雑なタスクを解決します。
AIエージェントを導入する組織は、運用目標に応じて適切な種類を選定する際に、これらの特性を考慮すべきです。主な選定の検討事項には次が含まれます：
• エージェントが稼働する環境。
• エージェント型のパフォーマンスをどのように監視するか。
• AIエージェントと人間との相互作用のレベル。
エージェント型AIは適切なソリューションでしょうか？
現時点では、組織がエンドツーエンドのプロセス全体を最適化するために任せられるAIエージェントやシステムは存在しません。
では、AIエージェントが自社の技術スタックの適切な進化であるかどうかは、どのように判断すればよいのでしょうか？
一般的に、従来の自動化手法は、適応や学習をほとんど、またはまったく必要としない静的なタスクルールや、予測可能で信頼性が高く説明可能な結果を、ほとんどばらつきなく生み出すことが求められる、厳密な論理ベースの手順を持つプロセスに適しています。実際の事例は、製造業だけでも組立ライン、コンベアシステム、センサー駆動の品質管理にわたり、数千に上ります（この分野ではエージェント型AIの採用が急速に進んでいますが）。
一方、AIエージェントは、プロセスがより複雑で、動的な状況における意思決定とリアルタイムの学習を必要とし、単純な自動化では不十分で、新たな価値を実現するために一定の自律性が必要な場面で力を発揮します。
これは、価値と価値実現までの時間という、もう2つの主要な評価基準につながります。企業は、導入前にAIエージェントの費用対効果の計算式をモデル化しなければなりません。エージェント型ソリューションへの初期投資は、開発、テスト、展開、さらには人材採用にまで及び、大きくなる可能性があります。そのため、エージェント型ソリューションのモデル化された価値と戦略的利益は、これらのコストを上回らなければなりません。
また、投資収益率は即座に得られるものではありません。エージェントは最初から完成した状態で提供されるわけではありません。セットアップには、データの準備、システム統合、モデルのトレーニングなど、時間がかかります。稼働後であっても、最適化は反復的な学習プロセスです。変革的な影響と価値実現までの時間は、中期的な視点で検討する必要があります。
組織はまた、AIエージェントに対する技術的な準備も必要です。エージェントの立ち上げと管理には技術人材と、堅固なデータ基盤が必要です。自律性が高まるほど、AIエージェントを支えるこのデータフレームワークの重要性は増します。また、企業は、パフォーマンスを監視し、意思決定の有効性を損なうハルシネーションのリスクを軽減するための、明確なガバナンス手順も必要です。
最後の検討事項は拡張性です。AIエージェントは変化する状況に適応するよう設計されており、比較的容易に拡張できます。また、適応プロセスにはAIモデルの再トレーニングと管理が必要ですが、新しいシナリオへの学習は、その本質に組み込まれています。従来の手法は、複雑なタスクへの対応において、より柔軟性に欠ける傾向があります。学習の余地は少なく、大規模な手作業による手直しが発生する可能性がはるかに高くなります。
エージェント型の導入が成功した例として、バンク・オブ・アメリカの対話型エージェント「Erica」が挙げられます。2018年に、顧客に24時間365日のサポートとアドバイスを提供するために導入されたEricaは、顧客体験の大幅な改善とクロスセルされたサービスを通じて、収益の19%の増加に貢献しており、大幅に改善された顧客体験とクロスセルされたサービスを通じて、20億回の顧客との対話にわたって実現した成果です。
しかし、この成功は長い時間をかけて得られたものです。同行は導入以来、Ericaのパフォーマンスに対して5万回を超える更新を実施してきました。
エージェント・ファシリテーターの導入
組織がAIエージェントを導入する際には、その成功を阻む重大な潜在的障害が数多く存在します。最近の世界経済フォーラムの調査では、例えば、「…サイロ化されたアプリケーション、レガシーシステム、限定的な拡張性」といった技術的な障壁が指摘されており、それらは 製造業におけるAIエージェントの進展を妨げています。
こうした障壁を乗り越え、効果的なAIエージェントを構築・運用するために、組織はいくつかのツールを活用できます。テクノロジー分野の多くの大手企業が、エージェント型アプローチを確立または強化するための支援ソリューションやプラットフォームを提供しています。
また、エージェントを形作り管理するためのデータ基盤の確立に関しては、プロセス・インテリジェンス（PI）が重要な推進要因であり、ビジネスオペレーションのデジタルツインを提供します。PIは、ビジネスの文脈においてシステムとレイヤーをまたいだリアルタイムのプロセスデータを調和させます（プロセス指標、KPIの定義、プロセスモデルなど）。これにより、単一の業務上の真実の情報源と、エージェント型の意思決定を支えるデータ基盤を形成します。ビジネスの文脈、プロセス管理、標準化されたプロセス知識を組み合わせることで、PIはエージェントを企業の目標、ガードレール、ガバナンスに沿った状態に保ちます。
AIエージェントがより多くの自律性を行使できるほど、その理解と分析を支える必要な知見を提供することが不可欠になります。
ループ内の人間の役割の変化
AIエージェントの導入が拡大するにつれ、時間の経過とともに、人間とそのAIの相手との関係は進化していくでしょう。エージェントが、大量（低価値）の業務を自動化・管理するためのツールから、複雑な業務の所有者・管理者へと移行するにつれ、これは避けられない流れです。
場合によっては、ループ内の人間という概念は変わるでしょう。意思決定の検証や承認が、必ずしも人間に初期設定されるとは限りません。代わりに、重要性、価値、安全性への影響、または問い合わせの異常な性質により必要な場合に、選択的に人間が関与するようになるでしょう。組織は、人間による介入がプロセスのボトルネックとならず、AIエージェントがもたらす生産性と分析面での成果を損なわないような、認知ワークフローを構築していくでしょう。
現時点では、業務上重要なプロセスからすべての人間を完全に外すという考えは現実的ではありません。世界経済フォーラムの報告書『Frontier Technologies in Industrial Operations』は、この進化を次のようにまとめています：「人間の役割は再定義され、労働者は直接的な操作者から、判断や創造性が必要な場面で関与するオーケストレーターへと移行します。この変化により運用効率が向上し、人間は戦略的な業務や倫理的な意思決定に集中できるようになり、イノベーションと成長を推進します。」
AIエージェントの高度化が進み、職場がより最適化されるにつれて、機械の自律性の度合いは高まるでしょう。また、AIエージェントの普及に伴い、適切なモデルを理解し選択することの重要性も高まるでしょう。
