NTT DATA

DATA INSIGHT

NTT DATAの「知見」と「先見」を社会へ届けるメディア

カテゴリで探す
サービスで探す
業種で探す
トピックで探す
キーワードで探す
カテゴリで探す
サービスで探す
業種で探す
トピックで探す
2026.11.19技術トレンド/展望

AIエージェント導入を「業務判断」から読み解く

生成AIの活用は、文章作成や検索といった個別作業から、複数の処理を組み合わせて業務を進めるAIエージェントへと広がっている。AIエージェントに業務全体を任せるためには、検索や要約などの作業を自動化するだけでなく、AIが取得した情報をもとに判断し、次の行動を決める仕組みが必要となる。そのため、導入時には、人が「何を見て、どのように判断し、次に何をしているのか」を整理することが重要である。AIエージェントのビジネス活用で求められる判断は、主に「データ分析型」「関連判定型」「基準判定型」の3つに整理できる。本稿では、それぞれの特徴と、導入にあたって考慮すべきポイントを解説する。
目次

1.なぜ「AI機能」ではなく「業務判断」に着目するのか

従来のAI活用では、検索や分類、要約など個々の機能を使用してきました。一方、実際の業務は、こうした機能を実行するだけでは進みません。得られた情報をもとに判断し、次の行動を選ぶ必要があります。たとえば提案書を作成する業務には、次のような流れがあります。
顧客情報を検索する→顧客課題を判断する→関連商品を検索する→顧客との適合性を判断する
検索によって情報を集めても、「どの課題に注目するか」「どの商品が適しているか」という具体的な判断は決まりません。AIエージェントによる業務遂行は、AIの各機能を業務上の判断でつなぎながら進めるものと捉えられます。そのため、AIエージェントの導入を検討する際は、AIに実行させる機能だけでなく、判断に必要な情報や、その結果に応じた次の処理を明らかにすることが重要です。

2.AIエージェントに求められる3つの判断類型

一般的なビジネス業務では、収集・分析→選択・提案→評価・審査というプロセスがよく見られます。まず情報を収集・分析して課題や方針を検討し、その結果を踏まえて適切な商品や施策を選択・提案します。そして、提案内容が基準や条件を満たしているかを評価・審査するという流れです。

こうした業務プロセスでは、各段階で異なる判断が求められます。NTT DATAではこれまで、さまざまな業界のAI活用を支援してきました。その中で、AIエージェントによる業務遂行には、個々のAI機能だけでなく、こうした業務上の判断をどう実現するかが重要であると考えてきました。この業務プロセスに現れる代表的な判断を、「データ分析型」「関連判定型」「基準判定型」の3つの類型として整理しました。

図:業務プロセスに現れる3つの判断構造

ただし、業務そのものを3種類に分類するわけではありません。一つの業務に複数の判断が含まれたり、判断をやり直したりする場合もあります。重要なのは、判断ごとにAIの設計課題と評価方法が異なるという点です。

3.データ分析型--何を深掘りするかを決める

データ分析型は、顧客に関する定性データや売上、利用実績などから、重要な傾向や課題、要因を見つける判断です。たとえば、顧客の問い合わせを分析する場合、「最近増えた不満は何か」「どの顧客層で目立つのか」と問いを立て、結果に応じて分析対象を変えていきます。

AIエージェントは、集計や分析だけでなく、結果を踏まえて次に何を調べるかを選ぶ役割も担えます。ただし、分析を繰り返すだけで、有益な発見が得られるとは限りません。開発時には、何を重要な課題とみなすか、どの結果なら追加分析するか、どこで分析を終えるかを整理する必要があります。そして、AIエージェントの活用を評価する際は、計算の正確さに加え、発見の有用性や追加分析の妥当性を確かめます。

4.関連判定型--何と何が適合するかを決める

関連判定型は、顧客の課題や目的に合った商品、施策などを選ぶ判断です。たとえば営業活動では、顧客の課題や予算、既存のシステム、過去の導入実績などを踏まえ、複数の商品を比較します。一般に評価の高い商品でも、その顧客に適しているとは限りません。

難しいのは、「業種が近い」「既存環境と相性がよい」といった判断が、有識者の経験に依存しやすい点です。
そこで、どの情報を比較し、何を優先し、なぜその候補を選ぶのかを明らかにします。正解が一つに決まらない場合は、候補の順位だけでなく、推薦理由や業務担当者から見た妥当性も考慮します。

5.基準判定型--基準をどう適用するかを決める

基準判定型は、提案内容や申請内容を各種規程やガイドライン、審査基準に照らして、適切かどうかを判断するものです。一見すると、基準文書をAIに与えれば実現できそうです。しかし、「適切な表現」「十分な対策」のように、解釈を要する記載もあります。人は過去事例を参照し、情報が不足すれば確認し、判断が難しい場合は有識者に相談します。

そのため、基準の解釈、判断事例、追加確認が必要な条件、人に判断を引き継ぐ条件までを一体的に整理することが重要です。評価では適否の一致率だけでなく、重大な見逃しがないか、判断の根拠を示せるかも確認します。

6.判断類型に応じてAIと人の役割を設計する

3つの判断類型では、必要な情報だけでなく、AIエージェントの評価方法も異なります。すべてを「正解との一致率」だけで評価すると、発見の有用性や推薦理由の妥当性を見落とすおそれがあります。

判断類型 開発前に整理すること 評価で確かめること
データ分析型 課題の重要性、追加分析や終了の条件 発見の有用性、探索の妥当性
関連判定型 候補の比較観点、判断の優先順位 候補の適合性、推薦理由の妥当性
基準判定型 基準の解釈、例外、人への引き継ぎ条件 誤判定や見逃し、判断根拠の明確さ

たとえば提案業務なら、顧客データから課題を見つける判断はデータ分析型です。商品を選ぶ判断は関連判定型、提案内容を審査する判断は基準判定型に当たります。このように、複数の判断を組み合わせて、一つの業務が進みます。

業務を判断単位に分解すれば、どこまでAIに任せるか、何を人が確認するか、どの結果をもって良しとするかを具体的に設計できます。判断材料が足りない場面や、誤った判断の影響が大きい場面では、人の確認を組み込むことも欠かせません。

AIエージェントの導入は、人の仕事をそのままAIに置き換えることではありません。まずは対象業務に含まれる判断を洗い出し、3つの類型を手がかりに、それぞれの判断に必要な情報や判断条件、評価方法を整理することが重要です。

これにより、AIに任せる範囲と人が確認すべき範囲を明確に分類できます。AIの機能を起点に考えるのではなく、業務に必要な判断を起点に設計することが、実際の業務に適したAIエージェントの設計につながるのではないでしょうか。

記事の内容に関するご依頼やご相談は、こちらからお問い合わせください。

お問い合わせ

お問い合わせ

記事の内容に関するご依頼やご相談は、
こちらからお問い合わせください。

お問い合わせ