現在JavaScriptが無効になっています
Yahoo!ニュースのすべての機能を利用するためには、JavaScriptの設定を有効にしてください。
JavaScriptの設定を変更する方法はこちら
配信
HBR Staff/fStop Images – Halfdark/Getty Images
■エージェント型AIの価値を引き出したければ、組織構造を再設計せよ 企業は新しいテクノロジーに対し、しばしばプロセスの微調整や後づけツールによって対応してきた。適応した企業もあれば、行き詰まった企業もあるが、それはイノベーションの不足が理由ではなく、イノベーションを軸とする組織再編ができなかったためだ。 エージェント型AIも同じ課題を突きつけるが、組織再編の重要性はさらに大きい。縦割りの壁と古い仕事の進め方から解放された、部門横断的な実行が求められる。 筆者らは企業向けにエージェント型AIのシステムを構築し、構築方法に関する助言も提供している。その経験からいえば、エージェント型AIの価値を引き出すためには、企業は自社の労働力に関する考え方を見直すだけでなく、成果の創出に向けた組織構造のあり方を再設計する必要がある。本稿では、エージェント型AIシステムを実装し、求められている価値の実現可能性を高めるための重要な原則をいくつか紹介する。 ■エージェント型AIの仕組み エージェント型AIとは、自律的に計画し、推論し、行動する能力を持つAIエージェント群から成るシステムであり、ワークフローの遂行、意思決定、部門間の調整を行うことができる。エージェント型AIを「デジタルの同僚」たちのチームと考えればよい。その中には開発を迅速化するコーディングコパイロットや、SaaSツールに接続するバーチャルアシスタントといった、専門家のエージェントもいる。また、多くの専門家による作業をつなぎ合わせてより大きな成果へと導く、調整役のようなエージェントもいる。彼らは一つのシステムとしてオーケストレートされると、目標に向けて計画を立て、推論し、行動し、状況の変化に合わせて調整する。 重要な点として、彼らは断片化したアプリケーションやデータソースを横断して稼働できるため、すべてを単一の一元的なシステムに集約することを強制しない。人間による監督の下で、分散したプロセスを連携させ、サイロを横断してシームレスなワークフローを生み出すインテリジェントなレイヤーとなる。 これにより、エージェント型AIはインテリジェントオートメーションを飛躍的に進化させる。ロボティック・プロセス・オートメーション（RPA）やルールベース型のシステムを含む従来の自動化は、反復的でルールに基づくタスクには効果的だが、実際のワークフローの大半で必要となる往復的なやり取りは処理できない。例外はすべてハードコードされる（ソースコードに直接書き込まれる）必要があり、システムやプロセスが変更されると自動化は破綻する。 エージェント型AIは対照的に、包括的な目的や成果の達成に向けて自律的に意思決定を行うよう設計されている。チャットGPTやジェミニのような生成AIのチャットボットが、ユーザーによって入力されたプロンプト（つまり目的）を受け、規範的にではなく自律的に回答を生成する仕組みに似ている。生成AIと同種の大規模言語モデルを基盤とするエージェント型AIもまた、本質的にタスク指向ではなく成果指向である。 日立デジタルによる人事業務へのエージェント型AIの実装は、これらのシステムがどう機能するのかを示す好例だ。日立グループ傘下の同社は、デジタル・トランスフォーメーションを推進するクライアント向けにデジタル・AI主導のソリューションを提供している（なお日立デジタルは、企業のワークフローを遂行するエージェント型AIソフトウェアのプラットフォームを販売するエマのクライアントである。筆者らの一人チャタジーはエマの共同創業者で、共著者のマンティアとリーはアドバイザーを務める）。 社員たちは毎年、出張規定やリモートワーク、研修、ITサポートなどあらゆることに関する9万件以上の質問を、人間の対応者120人から成る人事チームに尋ねる。問い合わせに答えるのは難しい場合もある。その一因は、日立の20を超える記録システム（SOR）から成る複雑なインフラであり、これには複数の異なる人事システム、さまざまな給与計算サービス業者、多様なIT環境などが含まれる。 日立は会社全体を一つの共通システムへと移行させるのではなく、エージェント型ワークフローを構築することに決めた。導入の目標は、知識と事例の管理システムとして機能させることだ。日立の人事AIエージェントである「Skye」は、社員の問い合わせに対する一次対応者として機能するよう設計されている。 エージェント型AIのワークフローはこうだ。社員がSkyeに問い合わせるとエージェント型AIシステムが起動し、その人の具体的な要望を意図分類エージェントに送信する。このエージェントの仕事は、問い合わせを適切なAIエージェントに転送することだ。 たとえば、「海外出張では何が経費として認められますか」「この祝日は有給休暇の対象になりますか」といった単純な規定関連の質問を、意図分類エージェントがファイル検索・応答エージェントに送信する。後者はその社員の役職と組織を踏まえて適切な知識基盤を調べ、即座に回答を提供する。 文書生成エージェントは社員証明書（個人の雇用状況を証明する文書）を数秒で作成でき、人間による承認のオプションをつける。社員が休暇申請を提出すると、休暇管理エージェントがその利用者の身元を把握したうえで適切な人事管理システムを使用し、必要な書類に記入し、社員の上司による承認を待ち、折り返し社員に報告する。 人事部の外にある情報が必要となる質問も、このエージェント型AIシステムで対応可能だ。ソフトウェアをダウンロードするための承認をIT部門に求めている社員の要望は、ITヘルプデスクエージェントに転送される。そのエージェントが適切なITサービス管理ソフトウェアのシステムでチケットを申請し、応答を待ってから社員に返答する。給与に関する質問は、給与エージェントが対処する。これらのエージェント間のオーケストレーションによって、かつてシステムの迷路だったものが、社員のためのシームレスな体験へと変わるのだ。 ■エージェント型AIはタスクをどのように成果へと導くのか 日立デジタルにとって、組織内のいくつもの部門や異なるテクノロジーを横断して情報にアクセスできること自体が大きな成果である。さらによいことに、給与部門やIT部門に独自のエージェントの構築を認め、自動的に問題を解決できるようにすることで、成功の捉え方は完了されたタスクや処理されたチケットではなく、「達成された成果」として再定義される。 生成AIの最も一般的な実装例である、カスタマーサービス向けのチャットボットを考えてみよう。ほとんどの企業は、顧客対応の記録を数千件以上保有している。エージェント型AIは顧客のクレームを1件ずつ解決するだけに留まらない。すべての会話を再検証し、繰り返し生じている問題を検知し、その解消に向けて行動することができる。 特定の運送業者が常に遅延する場合、システムはそのパターンにフラグを立て、代替の業者に回してパフォーマンスを監視することができる。追跡ソフトウェアの設定バグがエラーを引き起こしている場合、エージェントは修正のエスカレーションを行うことができる。変更依頼を開始し、必要なコードの下書きを作成し、テストし、結果を送信して人間の承認を請うといった具合だ。修正の迅速化から始まった取り組みは、問題が表面化する前に予期する品質保証と製品フィードバックの根幹へと進化し、顧客体験全体を強化するのだ。 迅速な修正から予防に、そして全体的な信頼性の向上へと至るこの進展こそが、エージェント型AIの有望性を示している。それを実現するには、タスクだけでなく成果を軸にエージェント群をオーケストレートできるよう、組織の構造とリーダーシップのあり方を見直すことが求められる。筆者らは3つの必須要件を特定した。 ■1. 成果を軸に設計し、責任を担うミッションオーナーを指名する ほとんどの企業の組織構造はいまだに、顧客のニーズではなく社内の機能部門に基づいている。マーケティングチームはブランド部門に報告し、データチームはIT部門に、請求チームは財務部門に報告する。しかし、顧客は企業とのやり取りでそのような体験はしない。顧客にとって最善の成果は、より迅速な問題解決ではなく、問題がそもそも起きないことだ。彼らが企業に期待しているのは、問題を予期して根本から解決し、機能を横断して体験がシームレスに（さらには快適に）なるよう継続的に革新することである。 そのためには新たな考え方が求められる。エージェント型AIで成果を軸に設計するには、すべての主要なジャーニー（一連の工程）に「ミッションオーナー」が必要となる。すなわち、ミッションを定義し、人間とAIエージェントの両方を導き、成果に責任を持つ者だ。それは製品マネジャーや、顧客（または利用者）の体験全体を監督し最適化する責任を担う「ジャーニーオーナー」が該当する場合もある。または、部門横断的な権限と存在感を持つ人物を指名することが必要な場合もある。 エマには、従来の意味での求人担当者はいない。代わりに生産的な採用を担当するミッションオーナーがおり、新人が一人前の貢献をするようになるまでのジャーニー全体──人材の発掘、ITのセットアップ、コンプライアンス、研修、チームの紹介、初期の業績評価──に責任を持つ。その過程でAIエージェントがタスクの処理とエスカレーションを行い、成果は「最初のコミットまでの時間」、つまりエンジニアが実際のコードをどれほど早く提出できるか、という簡潔明瞭なKPI（重要業績評価指標）で測定される。 NTTグループに属しエマの顧客でもあるグローバル企業のNTTデータは、IT・ビジネスサービスを提供している。同社でAIトランスフォーメーション担当バイスプレジデントを務めるエドアード・ティアルディは、生成AIとエージェント型AIが北米事業の成長をどう後押しできるかを探るよう、経営陣から明確な指示を受けた。彼とチームはチャットボットのようなわかりやすいアプリケーションを追求するのではなく、提案依頼書（RFP）への対応プロセスにエージェント型AIを活用することをミッションに選んだ。 RFPへの対応は手作業で、反復的かつ時間のかかるプロセスだが、有望な見込み客を顧客に変えるセールスジャーニーにおける最も重要なステップの一つである。AIエージェントが社内のさまざまなリポジトリとインターネットから情報を収集することで、時間とコストの70％を削減できるとチームは見積もった。 エージェント型AIのシステムが導入された後、以前ならば数週間かかり20人を要していた作業は、複雑な300ページ超の提案書の草案を数分で作成するAIエージェントに置き換えられた。人間のチームが協力して各セクションを改良し、AIエージェントが手間のかかる作業をこなす。これらの成果を軸に連携することで、NTTデータにおけるAIと人間のエージェントの協働は3倍以上の効率向上を実現した。 ■2. データのサイロを開放し、ビジネスロジックを明確化する 多くの企業は、AIには完璧かつ一元化されたデータが必要だと思い込んでいるが、そうではない。AIエージェントは既存の、往々にしてサイロ化されたシステムの間を横断して稼働でき、信頼できる唯一の情報源（SSOT）を必要としない。つまりAIエージェントを用いることで、組織は複数のシステムを一元化、標準化して単一の参照データセットに統合するという困難な作業を行う必要がなくなる。 マルチエージェント型のアプリケーションを正確かつ大規模に機能させるには、組織は依然としてデータをセマンティック（意味と文脈）およびオペレーションの両レベルで相互運用可能にするために、投資しなければならない。オペレーションレベルでの相互運用性とは、多様なシステム、アプリケーション、デバイスが、日々の業務プロセスを支えるためにデータにシームレスかつ安全にアクセスし、データを交換し、利用できることを指す。 しかし、統一された共通のデータディクショナリ（異なるシステム間や組織全体におけるデータの要素、意味、関係性、利用法を定義する、一元化され標準化されたメタデータのリポジトリ）と、共通のデータモデルは必須ではない。これらの制約から解放されたエージェント型AIは、旧来の息苦しい構造や社内のサイロにとらわれた組織のリーダーに新たな希望をもたらす。 AIエージェントは、明確に定義された共通のビジネスロジックと、API（アプリケーション・プログラミング・インターフェース）およびメタデータを通じて提供される正しいコンテキストデータを備えていれば、データのサイロに対処できる。これらの条件が整っている結果として、日立の「意図分類エージェント」は各種の問い合わせをどこに転送すべきかを正確に把握しており、ITヘルプデスクエージェントはどのITサービス管理ソフトウェアのAPIを呼び出すべきかを知っているのだ。 要するに、エージェント型AIを実装するには、企業は業務の遂行方法を体系化する必要がある。意思決定はどのように行われるのか。「よい」とは、どのような状態を指すのか。顧客と従業員は主要なジャーニーをどう進んでいくのか。ひとたび定義されれば、エージェント型AIは確立されたワークフローを引き受け、変化に合わせて調整することができる。ワークフローが複雑であればあるほど、その価値は高まる。 急成長している欧州の物流会社、ビッグブルーを例に考えてみよう。同社は消費者への直接販売であるeコマースの顧客向けに、数百万件の発送を処理している。同社のフルフィルメント（受注から配送までの全プロセス）のプラットフォームはエージェント型AIを活用し、配送に伴う複雑な問題を迅速かつ正確に解決するという、差別化された顧客成果を提供している。 エマのクライアントでもあるビッグブルーはエージェント型AIの導入に向けて、一見単純に思える出発点から始めた。「注文品はどこにあるのか」、つまり倉庫での遅延、運送中、または紛失の可能性のある商品を見つけるプロセスだ。AIエージェントは関連するシステムを確認し、内外の適切な関係者を関与させ、顧客に最新情報を（共感を込めて）知らせ、商品の再注文、顧客への返金やクレジット付与、当該のサードパーティ運送業者へのエスカレーションといった方法で問題を自律的に解決するよう訓練されている。 最初に一つの限定的なユースケースを深く掘り下げることで、それ以降のAI展開に役立つ有益な教訓がもたらされた。その教訓をもとに、ビッグブルーは50以上のサードパーティ運送業者、500以上のeコマース小売ブランド、多数の倉庫の物流ワークフローをマッピングした。 これらのステークホルダーにまたがるカスタマージャーニーを明確化し、同社はフルフィルメント、複数の運送業者を伴う配送、問題の解決といった複雑な物流管理を、AIエージェントが自律的に遂行できる構造化された自然言語での指示と行動に変換した。エージェント群はサポートチケット、標準作業手順書、API、内部システムからのデータをもとに、対象チケットの70％を人間の介在なしで処理し、コスト削減、解決の迅速化、顧客満足度の向上を達成している。 エージェント型AIの導入に向けてワークフローをマッピングすることで、既存のデータと知識の管理における弱点が浮き彫りになる場合が多い。たとえば、必要な知識や貴重なメタレベルの情報が特定個人の頭の中にのみ存在し、誰もがアクセスできるリポジトリに保管されていないために、重要なデータが古かったり、見つからなかったりする。データを正確に保ち、知識基盤を最新の状態にしておくための秩序立った取り組みは、エージェント型AIのパフォーマンスを向上させるだけでなく、組織全体の情報の信頼性を強化することにもなる。 ■3. インテリジェントシステムに必要なリーダーを育て、ガードレールを設ける このような構造転換は、強力な変革マネジメント戦略を効果的に実行し、目的を持ってエージェント型AIの変革のスチュワードシップを果たせるリーダーがいなければ成功しない。 組織はまず、エージェント型AIに関するリテラシーを全階層に浸透させ、デジタルのチームメートが何者で、どう推論し、いつ監督が必要なのかを従業員が理解できるようにする必要がある。同じく重要な点として、リーダーは不安と誤解にも対処しなければならない。 日立デジタルの最高人材責任者、エイミー・デジョーディは自部門の取り組みの第一歩として、エージェント型AIのデモをチームと共有し、チャットボットとの違いを示し、このテクノロジーの神秘性を払拭する後押しをした。開発と導入のプロセスに社員を最初から巻き込み、エージェント型AIの潜在的ユースケースのアイデアを300人の人事チームから募り、100を超える提案が寄せられた。その後、社員はベンダーを選定する評価プロセスにも参加した。 導入全体を通してマネジャーたちが強調したのは、エージェント型AIによって人事担当者はルーチン作業から、より高度で有意義な仕事に移行し、より広範なゼネラリストとしての役割に携わり、全体的な正確性とパフォーマンスを向上させることができるという点だ。彼らの目標は、社員がデジタルエージェントをチームメートと認識できるよう後押しし、組織が目的を持って拡大できるよう準備することだった。その目的とは、同社の中核的なミッションと価値観を事業拡大に関するすべての判断の基準に据えることで、持続可能かつ計画的な事業成長を実現することである。 信頼を築いて責任あるスチュワードシップを果たすためには、システムの設計にガバナンスを組み込み、一連の適切なガードレールを設ける必要がある。NTTデータのティアルディはエージェント型AIの導入を主導する前に、同社の生成AIのガバナンスシステムの構築を支援した経験があり、そこで得た以下の教訓をエージェント型AIにも適用した。 ・自動化と分析の明確なプロセスフローを定める。 ・IT、法務、セキュリティのチームが共同で承認の基準を定義する。 ・エージェントの振る舞いに、ポリシーによる制限を組み込む。 ・組織階層の中で問題がどのように上位者に引き継がれていくのかを示す、明確なエスカレーション経路を確立する。 ・監査可能なロジックと追跡可能なログによるリアルタイムでの監視を行い、エージェントのパフォーマンスを追跡する。 最後に、これらの構造転換を成功させるには、リーダーが自分では完全にスクリプト化できないシステムに権限委譲することに慣れる必要がある。安心して任せるためには、経営陣の価値観──どの成果を優先し、例外をどう扱い、誰のニーズに応えるのかが、すべてのエージェント型ワークフローの中にコード化されているという確信が必要だ。 大規模なエージェント型AIのスチュワードシップには、このような責任の分配が求められる。すなわち、明確な管理権限を持つシステムスチュワード、セキュリティとデータ処理を管理するITの専門家、成果が意図から逸脱した場合に介入する権限を委譲された現場チームである。これらが適切に行われれば、自律性と監督のバランスによって、スチュワードシップは進展を妨げるブレーキではなく、拡大の推進力となる。 ■導入を始める エージェント型AIに興味をそそられるが、どこから始めればよいのかわからない場合は、カスタマージャーニーの中で成果が重要だが引き継ぎによって遅延が生じる、摩擦が大きい部分から始めるとよい。取り組みをミッションとして捉え直そう。ミッションオーナーを指名し、チームを連携させる権限、部門を横断してデータにアクセスする権限、エージェントを導入する権限を与える。人間とエージェントのシステムによる望ましい成果とは何かを定義し、ワークフローをマッピングし、各ステップにおけるビジネスロジックを明確化する。データは完璧である必要はないが、AIエージェントが行動できる程度にはアクセス可能かつタイムリーな状態にしておくべきだ。強固なガバナンスの原則を適用し、リアルタイムで監視しよう。 その重要性は大きい。最初のミッションを真剣に受け止め、成果を軸とする再構築に成功した組織は、顧客体験の向上、サイクルタイムの短縮、新たな形の価値を実現する。さらには、将来のオペレーティングモデルのプレイブックをつくり上げるだろう。 "Designing a Successful Agentic AI System" HBR.org, October 24, 2025.
ビビアン S. リー,リンダ・マンティア,スロジット・チャタジー
アップル初の折りたたみiPhone、9月発表・12月出荷観測。厚さ4.5ミリ級、“折り目”ほぼ解消か
大谷翔平がチーム全員に配った「グランドセイコー」とは。64万円相当の高級時計の正体「もはやドジャースの福利厚生」「企業にとって最高の宣伝」
50歳会社員、手取りは「月35万円」です。同い年の友人はもっともらっているようなのですが、同年代の平均年収はどれくらいなのでしょうか？
日本人「旅行離れ」の根本原因 インバウンド高騰で泊まれない実態と「AIの限界」
海外製「太陽光発電パネル」からの脱却 国産フィルム型【ペロブスカイト太陽電池】の実力
今見たい絶景 福島の桜をめぐる旅
Yahoo!ニュース タイアップ[PR]
フェイクに騙されない 情報習慣をチェック
デマや誤情報に備えよう。クイズでわかる情報判断力
「ご近所は“家と車だけ”が立派な方ばかりでした」地方移住10年、資産1.6億円の60歳FIRE夫が漏らした本音…温泉・スキーで遊ぶだけ遊び、見切りをつけて東京へ戻った夫婦が〈山手線の内側〉で得た安息
中国系エアラインは24%減便、JALは過去最高益…海外メディアが報じた「習近平の渡航自粛」の大誤算
超音速ミサイルが暴いた「絶対防衛」の虚構 矛も盾も弱体化しつつあるアメリカ軍事力の行方
「中高年独身に賃貸は厳しい」？ 不動産投資会社勤めの30代女性が“クレカ解約”して都心5区に1LDKを購入したノウハウ
「マックよりちょっと高い」は昔の話…「原価52%」モスバーガーの限定商品が30～40代主婦を納得させたワケ
Copyright © 2026 DIAMOND,Inc. 無断転載を禁じます。