カテゴリー: AIエージェント

dotsに任せる範囲は、仕事の工程ごとに決める必要があります。

調査や資料作成を任せることと、送信や送金まで任せることは別であり、「24時間働く」という言葉だけでは、この境界は見えてきません。

見るべきなのは、何時間動くかよりも、どの操作まで実行できるかであり、さらに、実行できたことと、結果が正しいことも分けて考える必要があります。

パソコンを操作できても、常に操作するわけではない

dotsは、専用のクラウドPCを使うAIエージェントで、GPT-6 Astraを搭載し、許可したアプリへアクセスし、SlackやTeams、ChatGPTから指示を出すことができます。

文章や資料を作成してくれるAIとの違いは、作業そのものを進められる点で、ブラウザーやアプリを操作し、調査から資料作成まで担当してくれます。

ここで確認しておきたいのは、会話の外で動くプロアクティブリサーチで、この機能で使えるのは、読み取り専用のツールに限られ、メッセージ送信やコンテンツの変更を行うことはできず、ブラウザーやPCの操作も対象外となっています。

つまり、会話の外で調査を進めることと、PCを使って作業を実行することは別の機能であり「常時稼働」を、すべての操作が常に可能という意味で捉えると、任せ方を間違えることに。

承認が必要な操作と、本人しかできない操作

dotsの操作は、次の四つに分かれます。

• 承認なしで実行できる操作
• 明示的な指示があれば実行できる操作
• 実行前に承認を求める操作
• 本人へ引き継ぐ操作

パスワード変更や金融口座間の送金は本人が行うことになり、承認を出せば何でもかんでも代行できるというわけではありません。

メール送信やファイル変更には、自動レビューも入り、dotとは別の安全システムが、指示やカスタムルール、安全要件と照合し、dot自身、この仕組みを変更することはできません。

この流れによって、操作の途中に確認や引き継ぎが入り、その分、最後まで一気に進まない作業も出てくることもあり、利用者は、どこで自分の対応が必要になるかを把握しておく必要があります。

自動レビューを通っても、成果物の確認は残る

操作の許可と、仕事の正確さは別問題であり、メールを送ってよいか判断できても、添付資料の数字まで正しいとは限りません。

実務検証には、調査やExcel作成、経費チェックなどの時短報告がありますが、ツールへのアクセス失敗や、記憶保持の制約も報告されており、結果に「未検証」「確認できず」が混在する点も見逃せません。

こうした表示は、作業完了の扱いに関わってきますし、契約期限を整理した表でも、確認できていない項目は残っています。表が完成した段階で、確認まで終わったわけではないんですね。

dotsが向くのは、調査や整理に時間がかかり、成果物を人が確認できる仕事で、確認する余地がない重要作業を、丸ごと預ける使い方はやめておいたほうがいいでしょう。

接続を外すことと、情報を消すことも別

企業利用では、権限以外の設定にも確認が必要で、dotsが覚えた内容は、個別に削除することはできず、dotごとの削除が必要となります。

アプリの接続を外しても、取得済みの情報は残り、接続解除を「情報削除の代わり」にすることはできず、Enterpriseのモデル制限や既定モデル設定も、dotsには適用されません。

導入前に決めるべきなのは、使わせるアプリだけではなく、読み込ませる情報と、その情報を残してよい範囲までをも含みます。

最初は、調査と資料作成を任せ、送信と確定は自分で行う。

そこで未確認項目や引き継ぎ箇所を把握し、「全部任せる」より、工程ごとに任せる範囲を広げていくような使い方がひとまずは安全で現実的なものとなります。

AIエージェントを評価するときは、モデルの性能に加え、作業を実行する環境を見る必要があります。 

Metaが2026年9月に発表した「Muse」は、その違いを示す例となり、Museは利用者の目標に沿って計画を立て、ブラウザなどを使って作業を進め、Metaは、その実行環境として専用の仮想マシン「Muse Secure VM」を用意しています。

「答えるAI」と「作業するAI」では、処理の範囲が違う

質問に答えるAIであれば、利用者が気にするのは回答の質と速さであり、GPUはモデルの推論を支えるため、ここで重要な役割を担います。

一方で、旅行の手配を進めるAIには、回答を作る以外の仕事があり、ブラウザで情報を確認し、入力内容を扱い、途中の状態を保ち、次の操作を決め、メールなら、読むことと送ることでは必要な権限も違います。

Museでは、利用者が接続するアプリや許可するアクセス範囲を選ぶことができ、モデルが素早く答えても、作業全体が素早く終わるとは限らず、Webサイトの応答、データの受け渡し、各操作の確認も所要時間に関わってきます。

CPUは「モデルの外側」の処理を担う

CNCFは、AIの処理を複数の段階に分けて説明していて、データの準備や検索、作業の制御、結果の処理にはCPUを使い、モデルの学習や推論にはGPUなどのアクセラレーターを使い、メモリ、ストレージ、ネットワークも段階間のデータ移動を支えます。

Armも、エージェント型AIではCPUが外部ツールの利用やメモリへのアクセス、処理の順序を調整すると説明しているのですが、ArmはCPU製品の供給者であり、この説明は処理の役割を理解する根拠にはなるとはいえ、あらゆるサービスでCPU需要が同じ割合で増える証拠にはなりません。

利用者は何を比べればよいか

AIに文章の相談をするなら、回答の質と速度が主な比較点ですが、AIに作業を任せるなら、次の点も確認する必要があります。

確認点	判断に関わること
操作範囲	ブラウザや外部サービスで何ができるか
権限	閲覧と送信などを分けて許可できるか
作業環境	途中経過を保持し、作業を続けられるか
確認方法	実行結果を利用者が確かめられるか

作業範囲が広いほど便利になることは間違いないのその分許可する操作も増えます。

「何を任せられるか」と「どこまで許可するか」をセットで見るのが、エージェントを選ぶ際の実用的な基準となってきており、GPUは引き続きモデルの推論に必要ではあるのですが、そのうえで、AIが回答から実作業へ進むほど、CPUやメモリ、ネットワークを含むシステム全体が体験を左右します。

性能を比べるときは、モデル名だけで判断せず、実際の作業を最後まで遂行できるかを確認していくことも重要な要素となっていきます。

AIエージェントで変わるのは、文章生成の性能ではありません。

変わるのは、AIに任せる仕事の単位で、これまでの生成AIであれば、要約や下書きなどの「1作業」が中心でしたが、AIエージェントは、その前後を含む「仕事の流れ」を扱います。

つまり比較すべきなのは、回答精度だけではなく、どこまで連続した業務を任せられるか。

生成AIは「1作業」、AIエージェントは「一連の業務」を扱う

これまでの生成AIは、一問一答が基本でした。

• 文章を要約する
• メールを書く
• 企画案を出す

こうした作業自体はAIに任せ、その次に何をするかは人間が決めます。

営業フォローであれば、流れは以下のようになるでしょう。

• 顧客情報を確認する。
• 過去の商談内容を読む。
• メールを書く。
• 送信する。
• 次回連絡日を設定する。

生成AIは、この中の一部を支援してくれるのですが、AIエージェントは、この流れ全体を扱うものとなり、基本の考え方は、目標を渡し、必要な手順を考え、外部ツールを呼び出し、処理を進め、結果を見て、次の作業を判断する。

ここが従来の生成AIとの違い。

2024年11月にはAnthropicがMCPを公開しました。

MCPは、AIと外部ツールをつなぐ共通規格で、2026年には、仕事向けAIの提供も具体化していていて、ChatGPT WorkやClaude Coworkなどが、それにあたります。

AIに質問するだけではなくなり「目的を渡して動かす」方向へと進んでいるわけわけです。

実務では「どこまでを1つの仕事にするか」が重要に

AIエージェントと相性がいいのは、複数工程が続く仕事です、単純作業だけが対象ではありません。

製造業の特許業務なら、資料検索だけでは終わらず、。

• 関連資料を探す
• 内容を比較する
• 論点を整理する
• 次の確認作業につなげる

金融機関の営業支援も同じで、顧客データを見るだけでは足りず、過去の対応履歴を確認し、提案を作り、連絡につなげます。

また、カスタマーサポートでも差が出てきており、従来型チャットボットは回答が中心だったのですが、AIエージェントは、必要に応じてツールを使います。

• 契約情報を確認する
• 処理状況を調べる
• 変更手続きを進める

「答える」から「解決まで進める」へと進化してきています。

開発ではDevinやCursorがあり、コード生成だけを見ると生成AIと大差はありませんが、差が出るのは、その前後で、

• 修正対象を確認する
• コードを書く
• テストする
• エラーを見て修正する

こうした工程をまとめて扱えるかが重要で、これはマーケティングでも同じ。

記事案を作るだけなら生成AIで足りますが、調査、構成、執筆、確認まで扱うなら話が変わってきます。

これらはAIエージェント向きの業務になってくるんです。

任せられる範囲が広がるほど、権限設計が重要に

AIエージェントには明確な利点があり、人が何度も指示を出す回数を減らすことができ、複数ツールをまたぐ作業も自動化することができます。

ただし、その分、生成AIより管理は難しくなっていきます。

理由は単純で、AIが「提案」だけで終わらないから。

メールを作るだけなら、送信前に人が確認できますが、自動送信まで任せるということであれば、誤りの影響は大きくなっていきます。

資料を探すだけなら問題は限定的ですが、社内システムを書き換えるなら話は別で、そのため、導入時には権限を分ける必要があります。

特に確認したいのは次の点です。

• どのシステムまでアクセスできるか
• どの操作まで自動実行を認めるか
• 実行履歴をどこまで保存するか
• 人間の承認をどこに入れるか

ここを決めずに自動化範囲だけ広げるのは危険なことであり、単純にAIエージェントは便利な生成AIではなく、権限を持って動くソフトウェアとして考えるべきなのです。

いきなり全部任せるより「1つの流れ」を切り出す方が現実的

AIエージェント導入で見るべきなのは、機能数ではなく、自社の業務をどこまで切り出せるかということ。

記事制作なら、最初から全部は任せず、「資料収集だけ」「構成案まで」「初稿まで」というように任せる範囲を切り分けます。

そのうえで、人間の確認位置を決める方が安全で、これは従来の生成AI導入とは少し異なってきます。

生成AIでは「何に使うか」が中心でしたが、AIエージェントではそこに「どこまで任せるか」が加わりますので、規制やガバナンスも無視することはできません。

EU AI Actでは透明性義務が2026年8月2日から適用されます。

日本ではAI法が2025年5月に成立しました。

同年9月には全面施行されています。

企業側は性能だけを比較すればいいわけではありません。

扱う情報と実行権限も確認対象で、料金も同様です。

Devinは複数の料金プランと従量課金を採用しており、Microsoft 365 Copilotも業務利用では継続費用が発生します。

人件費を減らせるかという単純な理由だけで判断すると大きなしっぺ返しを食うことになります。

導入費、管理費、確認作業までを含め、考慮する必要があります。

AIエージェントが向いているのは、繰り返しが多く、手順を分解できる仕事であり、判断基準が曖昧な業務には向いていません。

確認すべきなのは、自分の仕事の中にある「一連の流れ」で、まずは1つ選び出し、その工程を書き出してみます。

その中で、AIに任せる場所と人が残る場所を分けることで、どこにAIを組み込むがの判断が可能となります。。

AIエージェント導入は、ツール選びより先にそこから始めましょう。