AIエージェント、生成AIと何が違うのか　日本企業3社に学ぶ「ケンタウロス型」の始め方

「生成AIを導入したものの、業務に本格的に組み込む次の一手が見えない」。そうした声が、DX推進の現場で広がっています。

AIエージェント（AI agent）と聞くと、すべてをAIが全自動でこなすイメージを持つ方も多いかもしれません。しかし、日本の先行企業が実際に採っているのは、人間が戦略・判断を握り、AIが定型タスクを担う分業モデルです。この記事では、その分業モデルの設計原則を、サイバーエージェント・パナソニックコネクト・三菱UFJ銀行の事例から読み解き、自社での始め方の考え方を整理します。

「AIエージェント」とは何か、生成AIとの3つの違い

生成AIは「聞けば答える道具」、エージェントは「頼めば動く担当者」

生成AI（generative AI）は、人間が質問や指示を入力するたびにテキストや画像を生成する道具です。指示のたびに人間が介在する点が特徴で、AIは受け身で応答します。

これに対してAIエージェントは、与えられた目標に向けて複数のステップを自律的に実行します。「このデータを整理してレポートを作り、担当者にSlackで通知する」という一連の業務を、人間が途中で操作しなくても実行できる点が生成AIとの最大の違いです。2つの違いを並べると、以下のとおりです。

人間とAIの分業パターン、3つの類型

Harvard Business School などの研究（Fortune誌 2026年1月）は、人間とAIの協働スタイルを3つの類型に整理しています。

この中でも「ケンタウロス型」という呼び名は、半人半馬の神話的存在に由来します。人間の知性とAIの処理能力が一体となった存在を指し、自社で実践できる分業モデルの核心を端的に表す比喩です。

現在最も普及しているのはケンタウロス型

上記の研究は、現在最も普及している協働スタイルはケンタウロス型だと指摘しています。また Stanford Digital Economy Lab は2025年に「Centaur Evaluations（人間とAIの協働チームとしての評価基準）」を公開し、人間とAIの協働効果を測る枠組みが研究・実務の両面で広がり始めました。「AIに何でも任せる」のではなく「AIが得意な部分だけを委任する」設計が、業務での現実解として定着しつつあります。

「丸ごと自動化」が難しい理由と、ケンタウロス型が選ばれる根拠

全自動が難しい3つの壁

AIに業務を全自動でやらせたいという期待は自然ですが、現状では多くの業務で越えにくい壁が3つあります。

1つ目は例外処理です。業務の大部分は定型手順で進みますが、データの欠落・顧客からの特殊要望・規制上のグレーゾーンへの対応は、依然として人間の判断が不可欠な領域です。2つ目は責任の所在で、稟議書の承認・融資の判断・法律上の決定など「誰がどう決めたか」を問われる場面では、AIが最終判断を代替できる状態にまだ至っていません。3つ目が信頼性の担保です。AIの出力が正しいかを確認する仕組みなしに全自動化すると、誤った情報がそのまま業務に流れ込むリスクを制御できなくなります。

人間の役割を「決める人」に絞り込む設計

ケンタウロス型の核心は、人間の役割を「決める人」に絞り込むことにあります。情報収集・下書き作成・定型確認といった、判断以前の作業をAIが担います。人間は判断・承認・例外対応に集中します。AIを投入しつつ責任と品質保証の仕組みを維持できるのは、この分業の設計があるからです。

人は例外時だけ対応する運用へ

この分業を実装するスタイルとして広まっているのが、Human-on-the-Loop（HOTL、人間は例外時だけ介入する運用）です。AIが自律的に実行し、人間はエラーや例外が発生したときだけ介入します。欧米のヘルプデスクでは、この設計でTier-1（一次対応）チケットの自律解決率が40〜65%に達するという実績もあり、ケンタウロス型の有効性を裏づけています。

AIへの委任範囲を業務特性に合わせて設計することが成果を出す鍵です。HOTLは2025〜2026年の業務AI設計の主流として位置づけられています。ここからは、日本企業3社がどのように分業を設計し、どんな成果を出したかを具体的に見ていきます。

サイバーエージェント・パナソニックコネクト・三菱UFJ銀行、3社の役割分担と効果

広告クリエイティブ×制作量4.5倍、サイバーエージェント「極予測AI」

サイバーエージェントは、インターネット広告のクリエイティブ制作部門に「極予測AI」を展開しています。2020年ごろにサービスを開始し、2024年時点で500アカウント超に導入されています。

この仕組みでAIが担うのは、効果スコアの算出と素材生成です。現在配信中の最高効果クリエイティブと新規案を比較して「勝てる見込みがあるもの」だけを選別し、広告主との確認フローをSlack連携で自動処理します。一方、人間（クリエイター）が担うのは企画立案・制作・広告主との折衝・最終判断です。AIはあくまで「羅針盤と素材を提供する」役割であり、クリエイターがその情報を使って制作するという分業体制を明確にしています。

この設計の結果、クリエイター1人あたりの制作量は約4.5倍に拡大し、通常プロセス比での勝率は2.6倍に達しました。また「極予測やりとりAI」の導入によって、広告主確認にかかる期間が従来の平均8営業日から最短1日に短縮されています。

この事例で注目すべき点は、AIスコアの「盲信リスク」への対処です。スコアが高くても企画の独自性が失われるケースが生じたため、「極多様性プロット」というツールを別途導入し、表現の偏りを可視化してクリエイターが主体的に未開拓領域を探れる設計に改めました。AIを「答えを出す機械」ではなく「視野を広げるツール」として位置づけ直したことが、人間とAIの分業バランスを維持できた要因です。

全社展開×年間44.8万時間削減、パナソニックコネクト「ConnectAI」

パナソニックコネクトは、社員約11,600人を対象に「ConnectAI」を2023年度から導入し、2024年度には年間44.8万時間の業務削減を達成しました。導入1年目（2023年度）の18.6万時間から前年比2.4倍という伸びが、継続改善の証拠として公式発表で示されています。

現在の活用状況を見ると、品質管理では規定630件・11,743ページから根拠を照合してAIが回答し、人間は判断と最終確認を担います。法務では下請法チェックの条文照合をAIが実行し、IT・開発支援ではコード全体の生成とリファクタリング案の提示をAIが行います。月間ユニークユーザー率は49.1%に達しており、1回あたり平均28分の削減が確認されています。

この事例が「段階設計」の好例として特に参考になるのは、パナソニックコネクト自身が社内の変化を「オラクル型→ジーニー型→ソブリン型」という3段階で定義している点です。導入初期の「おすすめは？」という検索エンジン的な使い方（オラクル型）から、資料レビューや複合タスクを依頼する形（ジーニー型）へ進化し、目標として自律的に計画・実行・確認まで行う完全エージェント型（ソブリン型）の移行を計画しています。現在は主にジーニー型で稼働しており、一部業務でソブリン型への移行が始まっています。

導入初期には、社員が単純な事実確認にしかAIを使わないという課題が生じました。これに対し、利用段階のフレームを明示して活用事例の社内共有を強化したことで、使い方文化の浸透に成功しています。

融資稟議書ドラフト×実証段階、三菱UFJ銀行×Sakana AI

三菱UFJ銀行は、生成AIスタートアップ Sakana AI と共同で融資稟議書AIエージェントの実証実験を行いました。法人融資業務の営業担当・審査担当を対象に総勢約100名（コアメンバー約30名）が参加し、2026年4月以降に一部営業店・部門から段階的な実案件での検証を開始すると発表されています。

分業の設計は明確です。従来は「初期情報収集→財務分析→リスク評価→稟議書作成」のすべてを行員が担っていましたが、AIエージェントが企業情報・財務データの収集と整理、財務シミュレーション、稟議書のドラフト作成を担います。行員はAIドラフトの確認・修正と最終的な融資判断を担い、顧客との関係構築・折衝はAIが代替しない領域として明示されています。

この事例の定量的な効果については、実証段階であり現時点では数値が公表されていません。Sakana AI 公式ブログには、若手から熟練行員まで幅広い経験層のスキルギャップを補完できること、稟議書作成の初期段階における作業時間の短縮が期待されることが記されていますが、削減時間・精度などの具体的な数値は段階展開後に明らかになる見込みです。

この事例で注目すべき点は、「汎用AI」ではなく「融資業務特化型エージェント」として設計した点です。三菱UFJ銀行の行員と Sakana AI のエンジニアが密に協働し、融資審査基準・コンプライアンス要件・金融規制という専門知識をAIに組み込む作業に相当な工数を割いています。金融業界という高い精度が求められる領域でも、人間が最終判断を握りAIが情報整理とドラフト作成を担うというケンタウロス型の設計原則が、実装可能であることを示した事例です。

自社の業務から始める3つの判断軸

3社の事例に共通する成功要因を横断して見ると、自社での始め方を考えるうえで参考になる観点が浮かび上がります。

AIに委任しやすい業務の特徴

3社のいずれも、AIに任せるタスクを「情報整理・下書き作成・定型確認」の3種類に絞り込んでいます。ではなぜこの3種類から始めるのでしょうか。共通するのは、入力と出力の形が定まっており、処理の正誤を人間が確認しやすいという特徴です。パナソニックコネクトの品質管理規定照合も、サイバーエージェントのクリエイティブスコア算出も、三菱UFJの稟議書ドラフト作成も、この特徴を満たしています。逆に言えば、人間の経験と暗黙知が必要な判断の場面や、ミスが取り返しのつかない影響を生む処理は、まだAIへの委任に向いていません。

AIに委任する範囲と人間が握る役割の切り分け

ケンタウロス型を設計するうえで最初に合意しておくべきは、「どんな状況で人間が判断するか」というエスカレーション条件です。これが曖昧なまま自律化を進めると、AIが想定外の出力を続けても誰も気づかない、あるいは逆に人間が必要以上に介入して効率が出ないという状況に陥りやすくなります。

Observe（観察）から始めることも有効です。いきなりAIに自律実行させるのではなく、まずAIの処理内容を人間が横に立ってログとして確認する期間を設けてから委任範囲を広げていく方法は、3社の移行パターンと一致しています。

チャット型から試してエージェント型へ移行する段階設計

3社はいずれも「チャット型から始めてエージェント型に段階移行」しています。パナソニックコネクトの「オラクル→ジーニー→ソブリン」というフレームはその意図を最も明示した例ですが、サイバーエージェントも三菱UFJも、試験期間を経てから実運用に移すという同じ設計を採っています。全社一斉展開ではなく、限られた業務・部門から始めて効果を計測し、再現性を確認してから横展開する進め方が、業種や規模を問わず再現できる設計原則です。

効果を時間削減で定量化して継続改善のサイクルを回すことも、3社の共通パターンです。パナソニックコネクトが年次で削減時間を公表し続けているのは、単なる広報活動ではなく、社内推進の根拠を数字で積み上げる仕組みとして機能しています。

人が判断を握り、AIが実行を担う

3社の事例が示すのは、「AIをどれだけ賢くするか」ではなく「人間の役割をどう設計するか」が成果を分けるという事実です。情報整理・下書き・定型実行をAIに任せ、判断・承認・例外対応を人間が握るケンタウロス型は、チャット型からの自然な移行として業種や規模に関係なく実装できる設計原則です。

バルテス・イノベーションズも、この「人が判断し、AIが定型を担う」分業を業種をまたいで実装してきました。営業部門では、商談後の議事録作成・SFA入力・提案書ドラフトをAIが生成し、トップ営業の判断パターンをRAG（社内の知識を検索して回答に使う仕組み）で組織の資産に変えています。医療の現場では、音声記録から電子カルテへの連携をAIが担い、承認者のログで人による最終確認を残しています。システム保守の領域では、COBOLからJavaへの変換を90%以上自動化し、従来は手作業で10名×6か月を要した移行を2名×8か月で完了した実績もあります。このほか製造業の設計・検品、多拠点の受付・入館統制など、対応領域はAIソリューションのページで紹介しています。

一方で、自社のどの業務から始めるか、どこまでAIに委任し、どこで人間が判断を握るかの設計は、簡単ではありません。どこから委任すれば効果が出るか、エスカレーション条件（AIが人間に判断を戻す境界）をどう設計するかは、業務を知らなければ決められず、実装経験がなければ試行錯誤のコストが積み上がります。