AIエージェントの種類 完全整理 — 5つの類型から実務型の分類まで

AIエージェントの種類 完全整理 — 5つの類型から実務型の分類まで

「AIエージェントの種類」を検索すると、性格の異なる二種類の記事が出てきます。一つは単純反射・学習型のような教科書式の分類、もう一つは実際の製品を並べる実務型の紹介。どちらも間違ってはいないのですが、いざ「では、自社の業務には何を使うのか?」という質問には、なかなか答えが出てきません。

この記事は、その隙間を埋めることを目標とします。エージェントの種類を教科書式の5分類と現場の実務型の分類の二つの軸で一度に整理し、最後には、企業で最もよくぶつかる文書業務には、どのエージェントが合うのかまで押さえてお伝えします。

💡 3行の要約

• AIエージェントの種類は
  ① 学術的な5分類(単純反射・モデルベース・目標ベース・有用性・学習型)と
  ② 実務型の分類(Web・コーディング・自律型)に分けて見ると、すっきりします。

• チャットボットは答えを教えてくれるAI、エージェントは「目標→計画→実行→評価のループで自ら成し遂げる」AIです。

• 企業の業務、特に文書処理には、文書処理型のエージェントが必要です。

1. AIエージェントとは? 30秒の定義

AIエージェント(AI Agent)は、目標を一つ与えると、自ら計画を立て、ツールを選んで使いながら、終わるまで仕事を成し遂げるAIです。一度答えて終わりではなく、次に何をするかを自ら定めながら、回り続けます。

核心は、認識 → 計画 → 実行 → 評価という反復のループとツールの使用です。LLMが自らWebを検索し、ファイルを開き、コードを回し、APIを呼び出します。

2. チャットボット vs AIエージェント — 何が違うのか

最も紛らわしい点です。違いは実行にあります。チャットボットは「何をせよ」という方法を教えるところで止まり、エージェントはそれを自ら実行して、成果物までつくってきます。

たとえば「この契約書の誤りを探して」と言えば、チャットボットは方法を教え、エージェントは自ら文書を開き、項目を比較し、結果を整理して報告します。

3. AIエージェントはどう動作するのか — 4段階のループ

エージェントの動作は、四つの段階がぐるぐると回る構造です。

1. 認識(Perceive) — 要請と環境(ファイル構造、ログなど)を把握

2. 計画(Plan) — どのツールをどの順序で使うかを決定

3. 実行(Act) — 実際にツールを呼び出し(検索・ファイル修正・APIなど)

4. 評価(Evaluate) — 目標の達成可否を確認し、失敗ならまた計画へ

このループを繰り返して、しだいに良い結果をつくるのが、エージェントの原理です。

4. AIエージェントの種類 ① 伝統的な5つの分類

最も広く使われる学術的な分類です。自律性・知能の水準によって、5つに分かれます。

① 単純反射型 (Simple Reflex)

条件-行動のルールに従って即座に反応。過去・未来を考慮しません。
例:温度のしきい値でヒーターをつけるサーモスタット。
予測可能な環境には効果的ですが、新しい状況には弱いです。

② モデルベース反射型 (Model-based Reflex)

内部に環境の「モデル」を持ち、過去の状態を追跡します。
例:以前の移動・障害物の位置を記憶するロボット。
部分的にしか観測できない環境に強いです。

③ 目標ベース (Goal-based)

目標を設定し、計画・推論で目標に近づく行動を選択します。
例:迂回路を計算して目的地へ向かうナビゲーション型ロボット。
大半のLLMベースのエージェントが、ここに近いです。

④ 有用性ベース (Utility-based)

目標の達成を超えて「効用(utility)」を最大化します。
複数の結果に点数をつけて最適を選択します。
例:速度・燃費・安全を天秤にかける自動運転、動的な価格設定。

⑤ 学習型 (Learning)

経験・フィードバックで性能を改善し続けます(性能要素・学習要素・批判者・問題生成器)。
例:使うほど正確になるレコメンドシステム、強化学習。

+ マルチエージェントシステム:複数のエージェントが役割を分けて協業します(リサーチャー・ライター・エディターのように)。上位のエージェントが目標を、下位のエージェントが細部の作業を担うオーケストレーションの構造です。

5つを一目で比較

5. AIエージェントの種類 ② 実務型の分類 (Web・コーディング・自律)

教科書式の分類だけでは「では、何を入れるのか?」が解けません。現場では、どこまで自ら任せるか(権限・自律性)で分けるほうが、より実用的です。

• 

  Web型エージェント — サービスが定めたツールの中で、投げられた仕事を一つ処理します。最も軽く、手間がかかりません。リサーチ・資料調査・簡単な文書作成に適します。

• コーディング(コンピュータユース)型エージェント — コンテキスト・ツールを自分で付けて、自分の仕事に合わせます。ファイル・文書・アプリまで、コンピュータ作業の全般を扱いますが、行動の前に毎回、承認を求めます(統制を維持)。

• 自律型エージェント — 「ここまでは任せる」と委任すれば、尋ねずに自ら回ります。最も強力ですが、その分、統制・検証の設計が重要です。

伝統的な5分類 ↔ 実務分類のマッピング

企業導入で、より深いマルチエージェント・統制の設計が気になるなら:
マルチエージェントの時代、企業の文書業務の自動化にも「管理可能なAI」が必要だ

6. AIエージェントの活用事例 — どこに使うのか

• 文書・金融の業務:契約書・請求書・申請書を読み、規定と照合して検討・入力する過程を自動化 — 企業で体感効果が最も速い領域。

• 顧客サポート:単純な応答を超えて、返金・注文変更のような処理まで。

• データ・レポーティング:データの収集から、チャート・インサイトの導出まで。

• ソフトウェア開発:コードの作成・バグ修正・テスト。

この中でも文書ベースの業務が、大半の企業の本当のボトルネックです。次の章で別に見ます。

7. 企業の文書・業務の自動化には、どのエージェントが合うのか?

企業の業務の相当数は、結局「文書を読んで処理する仕事」に収束します。ところが、その文書が表・書式・手書きの入り混じった非定型(PDF・HWP・スキャン)であるため、先に見た汎用のエージェントは、ここでしょっちゅう詰まります。これは別の文書処理型(Document)エージェントが担う仕事です。流れはこうです。

文書の収集 → OCR(テキスト・項目の抽出) → Parser(表・構造の復元) → 検証(人による承認) → 社内システムの連携

韓国ディープラーニングのDEEP Agentが、まさにこの流れを担当します。

客観的な根拠もあります — 韓国ディープラーニング独自のVLMは、グローバルなマルチモーダルのベンチマークOCRBench v2英語部門で1位(68.1点)となり、GoogleのGeminiやGPTを上回りました。汎用のエージェントが「表を並べ替えたり数字を作り出したり」する地点で、文書処理型のエージェントは原文の構造を保存する、というのが核心的な違いです。

なぜ汎用の生成AIでは文書業務が揺れるのかを、さらに見たいなら:
Parser設計がRAGの正確度を決める理由

8. 自社の業務には、どの類型? 選択チェックリスト

9. よくある質問 (FAQ)

Q. AIエージェントとChatGPTは違いますか?

A. ChatGPTは基本的に対話型(チャットボット)で、AIエージェントは自らツールを使って作業を「実行」します。ただ、ChatGPTもツール・プラグインを付ければ、エージェントのように動作できます。

Q. AIエージェントの種類は、結局いくつですか?

A. 学術的には5つ(単純反射・モデルベース・目標ベース・有用性・学習型)+マルチエージェント、実務的には権限を基準に3つ(Web・コーディング・自律型)で見ると、すっきりします。

Q. コーディングができなくても、AIエージェントを使えますか?

A. はい。ノーコードのツールやGUI型のエージェントでも可能で、特に文書業務は、文書処理型のエージェントで、コードなしに自動化できます。

Q. 企業が最初に導入するのによい類型は?

A. 効果がすぐに見える文書・繰り返しの業務の自動化からおすすめします。検証(人による承認)の段階を置いた文書処理型が、リスクが低く、ROIが速いです。

結論

AIエージェントの種類は、二つの筋で覚えれば十分です。

• 学術的な5分類:
  単純反射 → モデルベース → 目標ベース → 有用性 → 学習型 (+マルチエージェント)

• 実務型:
  Web → コーディング(コンピュータユース) → 自律

そして、企業の本当の仕事である文書業務には、文書処理型のエージェント(DEEP Agent)が答えです。核心は、覚えて知ることではなく、自社の業務に一度付けてみることです。