指示を待つ助言者から、動く実行官へ
多くの企業がAI活用を推進する一方で、調査によるとAI投資によってコスト削減と収益増加の両方で成果が出たと答えた経営者はわずか12%にとどまります。この格差は、AIの頭脳の賢さによるものではありません。現代のAIはすでに十分に優秀です。課題は「実行力」にあります。
過去3年間、多くの企業はAIを「相談相手」として使ってきました。質問を入力して回答を得たら、人間がその内容をコピーし、別のシステムを開いて手作業で入力する。この対話型モデルは限界を迎えています。次世代のAIは、単にアドバイスを提供するだけではありません。飛行機の予約、メール送信、フォーム入力、レポート作成、そして複数システムにまたがる業務フローの自動実行まで、自ら手を動かします。
研究者はこの進化を、大規模行動モデル（LAM: Large Action Model）への拡張や、「エージェント型AI」の登場と表現します。エージェント型AIは、思考を担う言語モデル（LLM）にツール操作やワークフロー制御を組み合わせることで、自律的な業務処理を実現するシステムです。呼称は様々ですが、本質は共通しています。従来のLLM単体が「図書館の本を熟読した優秀な顧問」だとすれば、ツールと統合されたエージェント型システムは「オフィスでPCを開き、実際に業務を完了させる実務リーダー」です。
LLMが得意なこと、限界を迎える場所
大規模言語モデルは、膨大なテキストデータを学習したシステムです。文章の要約、翻訳、下書き作成、分析を得意とします。プロジェクトの企画書を作成したり、事業戦略を比較したり、複雑な規制について解説を求めれば、実に見事な回答を返してくれます。
しかし、モデル単体では画面の文字を出力するにとどまります。外部ツールや画面操作の仕組みと統合されていない環境では、ボタンをクリックしたり、業務ソフトを操作したり、発注書を作成することはできません。対話スタイルのLLMに「来週火曜日の東京行きチケットを予約して」と頼むと、手際よく航空券の予約手順を説明した文章が返ってくるだけです。社内の出張手配ポータルを開き、便を選び、パスポート情報を入力して予約を確定させる動作までは実行してくれません。
この制約により、これまでのAI活用は「AIに相談し、実行は人間が担う」という二度手間のループに陥っていました。単発の質問なら問題ありませんが、3つのシステムをまたぐ10ステップの業務では、どれだけAIのテキスト生成能力が高まっても根本的なボトルネックは解消されません。
LAMとエージェント型システムが変える現場
大規模行動モデル（LAM）やエージェント型システムは、言語理解だけでなくツール連携や画面の操作手順を扱います。各種ソフトウェアの構成やAPIを理解し、一連のステップを組み合わせてタスクを完了させます。テキストを出力して終わるのではなく、「完了した業務成果」を出力します。
実務に当てはめると、AIが新入社員のように社内ツールを動かすイメージです。プロジェクト管理ツールにアクセスしてタスクを作成し、担当者を割り当て、期限を設定して通知を送る。届いたメールの請求書から明細を読み取り、会計ソフトに入力して、不備があれば指摘する。行政の申請サイトにアクセスし、申請書をダウンロードして会社情報をもとに入力を行い、作成済みファイルを保存する。
最大の問題は信頼性であり、現在も進化の途上にあります。初期のエージェントでは長手順のタスクでエラーが頻発しました。仮に1ステップの成功率が90%であっても、10ステップ連続で実行すると全工程が無事に終わる確率は35%まで下がります。2026年のシステムは、操作画面を使った学習、ステップごとの自動検証、重要操作における人間の承認プロセスなどを組み合わせることで改善が進んでいますが、複数ステップにおけるタスクの失敗は依然として発生します。それでも「実証デモ」と「実務ツール」の境界は着実に前進しています。
2026年、実用化の現実
行動型AIへのシフトは、もはや実験室の話ではありません。主要IT企業が実用的な製品をリリースし、オープンソース開発も急速に進んでいます。
ChatGPT Work（2026年7月提供開始）は、バックグラウンドで仮想パソコン環境を操作し、Web検索、フォーム入力、コード実行、GoogleドライブやNotion、Gmailとの連携を自動化します。大まかな目標を渡すだけで、タスクを細分化して数時間にわたり作業を進め、完成した資料や集計データを提供します。企業向け版には監査ログや承認機能も備わっています。
Gemini Spark（Google I/O 2026発表）は、Google環境と連携して動作するバックグラウンド型エージェントです。クラウド上でメールの仕分け、日程調整、ファイルの整理、複数ツールをまたぐ作業を自律処理します。ユーザー端末の操作を拘束せず作業を進行し、重要な操作を実行する際は事前に人間に確認を求めます。
Manusは、自律型エージェントの可能性を強く印象づけた存在です。シンガポールのスタートアップが開発し、「競合調査を行って比較レポートを作成して」という曖昧な指示から調査、執筆、ファイル納品まで自動完結できるツールとして2025年に話題を集めました。その後Metaが20億ドルで買収したものの、2026年4月に中国当局の指示で買収が撤回され、現在はサービスの移行が進んでいます。ツールの背景には複雑な国際情勢も絡みましたが、「自律してゴールを達成するAI」の有用性を証明した出来事でした。
オープンソース分野では、OpenClawが自社サーバー上で動作するエージェント環境を提供しています。チャットツール、ブラウザ操作、ファイル管理、スケジュール調整を社内環境で実行できます。ローカルLLMと組み合わせることでモデル側への外部送信を抑えられる一方、外部サービスとの連携時にはデータ通信や適切な権限管理が不可欠となるため、セキュリティ要件に応じた設計が重要です。また、Nous Researchが公開したHermesは、GitHubで大きな注目を集める学習型エージェントです。タスクを終えるたびに自身の挙動を評価し、再利用可能なスキル手順を蓄積していきます。使い込むほどに、自社固有の業務フローに合わせた最適化が進む構造です。
なぜ「会話だけ」のAIは限界を迎えたのか
会話しかできないAIには、モデルの性能向上だけでは解決できない3つの構造的課題がありました。
1つ目は「転記の手間」です。AIがどれほど素晴らしい文章や分析を作成しても、最終的には人間が手作業で適切なシステムに移さなければなりませんでした。メールの下書きをコピーしてメールソフトに貼り付ける。数値の要約をスライド資料に移す。提案されたスケジュールをプロジェクト管理ツールに入力し直す。この移し替え作業が時間を奪い、入力ミスを生み、効率化の効果を相殺していました。
2つ目は「文脈の断絶」です。対話ウィンドウを閉じて手作業に移った瞬間、AIはその後何が起きたか追跡できなくなります。自分のアドバイスが正しかったのか、メールが相手に届いたのか、処理が正しく完了したのかフィードバックを得られず、結果に基づく自己改善ができませんでした。
3つ目は「業務の分断」です。企業の現場における業務は単発の質疑応答ではなく、複数のツールや意思決定が連なる一連の流れです。会話型AIは最初の質問に答えて終わってしまいますが、行動型AIは一連の流れ全体を担当します。
企業に求められる次の一手
Gartnerの予測によると、2028年までに企業向けソフトウェアの33%にエージェント型AI機能が組み込まれる見込みです。すでに実務へ導入した企業からは、大幅な業務効率化の報告が届いています。
一方で、強い警鐘も鳴らされています。同社は、2027年までにエージェント型AIプロジェクトの40%以上が中止に追い込まれると見込んでいます。主な要因は、コストの膨張、ビジネス上の成果の不透明さ、リスク管理の不足です。失敗する企業に共通しているのは、業務フローを整理しないままAIを導入してしまう点です。非効率なプロセスのままAIを動かしても、非効率な結果が高速で生み出されるだけに終わります。
成果を出している企業は、着眼点が異なります。「どの業務に人間の時間が最も奪われているか」「システムのデータ移行で手が止まる場所はどこか」「情報収集、書類作成、回覧のどの部分を自動化できるか」といった具体的な業務フローの再設計から始めています。
これは技術の導入問題ではなく、業務設計と戦略の問題です。今後数年で企業に求められる核となるスキルは、「AIとの対話テクニック」ではありません。「エージェント型AIが確実に動くように、業務フローを整え、組織の戦略を設計する力」です。
ARUOが提供する支援
ARUOは、この「対話から実行へ」の移行を支援しています。単一のチャットツールやソフトウェアを販売するのではなく、貴社の業務の中に眠る高価値なアクションフローを特定し、既存システムと繋ぐエージェント構成を設計し、人間が最終判断をコントロールできるガバナンス環境を構築します。
会話から行動へのシフトは、AIが登場して以来最大の業務改革です。業務フローを再設計し、エージェントを活用できる組織は圧倒的なスピードを手に入れます。手作業でのコピー＆ペーストを続けるか、業務を自動化して前へ進むか。その差は今後ますます広がっていきます。