AIエージェントという言葉を聞くと、「1体のAIが自律的に仕事をしてくれるもの」と捉えがちです。しかし実務で重要なのは、AIを何体使うかよりも、どのような設計パターンで業務に組み込むかです。
問い合わせ対応、リサーチ、資料作成、営業支援、社内ナレッジ検索、開発補助、レポート生成など、AI活用の場面によって適したアーキテクチャは変わります。本記事では、Anthropic、Microsoft、LangChain、OpenAI Agents SDK、AutoGen、DeepLearning.AIなど海外の主要資料を参考にしながら、業務で理解しやすい形に再整理して紹介します。
AIエージェント設計は「賢いAIを置く」だけでは足りない
通常のチャットAIは、ユーザーの入力に対して回答を返すだけです。一方でAIエージェントは、必要に応じて検索し、ツールを使い、ファイルを読み、APIを呼び出し、複数ステップの作業を進めます。
ただし、すべてを自由に任せればよいわけではありません。業務では、品質、再現性、承認、例外対応、責任範囲が重要になります。そのため、AIエージェントは「どの型で組むか」が成果を左右します。
この記事で扱う9つの設計パターン
海外でよく使われる名称をベースにしつつ、日本語でも理解しやすいよう補足を付けています。
パターン名 | 日本語での理解 | 向いている用途 |
|---|---|---|
Augmented LLM | ツールや知識で拡張されたLLM | 検索、社内資料参照、簡単な業務支援 |
Prompt Chaining | 工程を分けて順番に処理 | 記事作成、レポート、申請処理 |
Routing / Handoff | 内容に応じて振り分ける | 問い合わせ分類、担当部署への引き継ぎ |
Parallelization | 複数処理を同時に走らせる | 比較調査、複数案生成、レビュー分担 |
Orchestrator-Workers | 司令塔AIが専門AIを動かす | 複雑な資料作成、開発、分析 |
Planning / Task Decomposition | 大きな仕事を分解する | プロジェクト計画、長い作業の実行 |
Evaluator-Optimizer / Reflection | 評価と改善を繰り返す | 品質が重要な文章・コード・提案書 |
Multi-Agent Debate / Group Chat | 複数視点で議論する | 意思決定、リスク検討、企画レビュー |
Graph / State Machine | 状態遷移で業務を制御 | 承認フロー、例外処理、複雑な業務自動化 |
1. Augmented LLM：検索・ツール・記憶でLLMを拡張する
Augmented LLMは、LLM単体ではなく、検索、社内資料、データベース、API、メモリなどを組み合わせた基本形です。Anthropicも、エージェント設計の基礎ブロックとしてこの考え方を紹介しています。
例えば、社内マニュアルを検索しながら回答するAI、CRMの情報を参照して営業メールを作るAI、Web検索を使って最新情報を確認するAIなどが該当します。まずはこの型から始めると、過剰に複雑なマルチエージェント化を避けられます。
2. Prompt Chaining：工程を分けて順番に処理する
Prompt Chainingは、1つの大きなタスクを複数の小さな工程に分け、順番に処理する設計です。たとえば「調査する」「要点を抽出する」「記事構成を作る」「本文を書く」「チェックする」というように、工程ごとに役割を分けます。
一度にすべてを生成させるよりも、途中で品質確認を挟みやすく、業務フローにも合わせやすいのが特徴です。記事作成、議事録要約、レポート生成、申請書作成などに向いています。
3. Routing / Handoff：内容に応じて専門AIへ振り分ける
Routingは、入力内容に応じて適切な処理ルートを選ぶ設計です。Handoffは、あるエージェントから別の専門エージェントへ会話やタスクを引き継ぐ考え方です。
問い合わせ対応であれば、料金質問は営業、障害報告はCS、契約相談は法務、技術質問は開発へ回す、といった使い方ができます。すべてを1つのAIに答えさせるより、専門性と安全性を高めやすくなります。
4. Parallelization：複数の調査・分析を同時に進める
Parallelizationは、複数の処理を同時に走らせる設計です。市場調査、競合調査、顧客理解、技術調査を並列で実行し、最後に結果を統合するような使い方ができます。
AI活用では「1つの答えを急いで出す」よりも、複数の観点から同時に検討した方が有効な場面があります。リサーチ、比較表作成、広告案の複数生成、レビュー分担などに向いています。
5. Orchestrator-Workers：AIオーケストレーションの基本形
Orchestrator-Workersは、中央の司令塔AIがタスクを理解し、複数の専門AIやツールに作業を割り振る設計です。OpenAI Agents SDKの「Agents as tools」や、LangChainのSubagentsにも近い考え方です。
このように、複数のAIエージェント、ツール、ワークフローを組み合わせ、全体の流れをAIが制御する考え方を「オーケストレーション」と呼びます。単にAIを複数並べることではなく、目的に応じて誰に何を任せ、どの順番で実行し、どの結果を採用し、どこで人間が確認するかまで設計することが重要です。
たとえば、司令塔AIが「調査担当」「文章作成担当」「分析担当」「レビュー担当」に依頼し、最後に結果を統合します。複雑な資料作成、営業リスト作成、開発支援、業務レポート作成などに向いています。
6. Planning / Task Decomposition：大きな目標を実行可能なタスクに分解する
Planning / Task Decompositionは、大きな目標を小さなタスクに分解し、順番や依存関係を整理して進める設計です。Andrew Ng氏のAgentic Design Patternsでも、Planningは重要なパターンとして扱われています。
「競合調査をして戦略案を作る」「採用ページを改善する」「社内FAQを整備する」といった曖昧で長い仕事は、そのままAIに投げると品質がぶれます。先に計画へ分解することで、実行と確認がしやすくなります。
7. Evaluator-Optimizer / Reflection：評価と改善を繰り返す
Evaluator-OptimizerやReflectionは、生成した結果を別の視点で評価し、改善を繰り返す設計です。MicrosoftのMaker-checker loopsとも近い考え方です。
文章、コード、提案書、LP、広告コピーなど、品質が成果に直結する業務では、初回生成だけで終わらせないことが重要です。生成役、評価役、改善役を分けることで、抜け漏れや表現の弱さを見つけやすくなります。
8. Multi-Agent Debate / Group Chat：複数の視点で議論する
Multi-Agent DebateやGroup Chatは、複数のAIが異なる立場から議論し、結論を洗練する設計です。AutoGenやMicrosoftのマルチエージェント設計でよく扱われます。
マーケティング視点、技術視点、財務視点、顧客視点、リスク視点を分けることで、単一のAIでは見落としやすい論点を出しやすくなります。企画レビュー、投資判断、施策比較、リスク検討に向いています。
9. Graph / State Machine：状態遷移で複雑な業務を制御する
Graph / State Machineは、処理ステップをノードと矢印で表現し、条件分岐や状態遷移を管理する設計です。LangGraphのようなツールでも中心的な考え方になっています。
「承認されたら送信」「NGなら修正に戻す」「例外時は人間に確認する」といった業務は、単純な一本道では表現しにくいものです。状態管理型にすると、複雑な業務フローを安全に運用しやすくなります。
ReActとHuman-in-the-Loopは横断レイヤーとして考える
ReActは、Reasoning and Actingの略で、「考える」「行動する」「結果を観察する」「また考える」というツール利用エージェントの内部ループです。これは単独の業務分類というより、多くのエージェントに組み込まれる動作パターンとして捉えると理解しやすいです。
Human-in-the-Loopは、人間の承認や判断をフローに組み込む設計です。メール送信、契約、課金、外部公開、重要な意思決定などは、AIに完全自動化させず、人間の確認ポイントを入れることで安全に運用できます。
どのパターンから始めるべきか
AI活用を始めるとき、最初から複雑なマルチエージェントを組む必要はありません。多くの場合、まずはAugmented LLMかPrompt Chainingで十分です。
- 社内資料を見ながら回答したい：Augmented LLM
- 決まった業務手順を自動化したい：Prompt Chaining
- 問い合わせを分類したい：Routing / Handoff
- 複数観点の調査をしたい：Parallelization
- 複雑な成果物を作りたい：Orchestrator-Workers
- 品質を上げたい：Evaluator-Optimizer / Reflection
- 承認や例外処理が多い：Graph / State Machine + Human-in-the-Loop
まとめ：AIエージェントは「型」を選ぶと業務に落とし込みやすい
AIエージェント活用の本質は、AIを何体並べるかではなく、業務に合わせて適切な設計パターンを選ぶことです。単体のAIで十分な場面もあれば、ワークフロー化、並列処理、評価ループ、人間承認が必要な場面もあります。
まずは小さく始め、業務の複雑さに応じて設計を段階的に拡張していく。この考え方が、AI活用を実験で終わらせず、実務に定着させる近道です。