なぜ社内のAI化は「個人アシスト」で止まるのか？ ── Google Cloud Next から読み解く Agentic AI 実装の境界設計【前編】

2026年8月3日 20:35

生成AIを導入したものの、現場での使われ方が「メールの作成」「長文の要約」「簡単なExcel関数の質問」といった個人の作業補助（アシスト）にとどまり、業務プロセスそのものの変革や自動化へと進まない――。多くの企業やDX推進担当者が、今この「アシストの壁」にぶつかっています。

先日開催された Google Cloud Next Tokyo の先進事例を分析すると、成果を上げている企業はAIを「魔法のチャットボット」ではなく、従来のシステム開発と同様に「要件定義・レイヤー設計・ルールの外部化・ガードレール」を組み込むべき『構造的システム』として捉え直していることが明確になりました。

本記事では、AI活用を「個人の作業効率化（アシスト）」から「業務プロセスの自動化・消滅（アクション）」へ引き上げるための技術アーキテクチャと、中堅企業やデベロッパー業界における具体的な全社定着ロードマップを整理・解説します。

1. 先進企業が到達した「AIシステム設計の共通解」

Google Cloud Next の先進事例（電通、SOMPO、メトロアド、インテージ等）から見えてきたのは、AIエージェント（Agentic AI）を実務に組み込むための5つの共通設計原則です。

AIは「魔法」ではなく「システム」として要件定義・テスト・統制を実施する（電通）
LLMの自律性と業務の再現性を両立する「レイヤー別の境界設計」を行う（SOMPO）
業務ルールはプロンプトに直書きせず、JSON/YAML等で外部化・構造化する（SOMPO）
トークン上限やLost in the Middle対策として「処理の分割・並列化」を行う（メトロアド）
確信度低下時や例外発生時には「勝手に推測させず人へ戻す（HITL）」を配置する（SOMPO/電通）

単にプロンプトの工夫（書き方）に頼るのではなく、入力から出力までの配管（システムアーキテクチャ）をどう設計するかが、勝敗を分けています。

2. 注目すべき技術アーキテクチャ事例

① SOMPOホールディングス：Multi-Agentによる「自律性と再現性の両立」

LLMが得意とする「自律的処理（柔軟な文章解釈）」と、業務システムに求められる「決定論的処理（数値・条件の確実な判定）」を混同させず、レイヤーごとに分離設計しています。

業務ルール（決定論的）: 数値・条件判定はプログラム等の確定ロジックで処理
データ取得（自律＋決定）: 入力ソースは固定し、文脈抽出はLLMを活用
推論（自律的）: 非定型な文章解釈・照合はLLMに委ねる
判定（決定論的）: 最終判定は構造化されたルールエンジンで実行
説明（自律的）: 判定根拠のテキスト生成はLLMを活用

【制御の外部化（ルールの構造化）】 プロンプト内に大量の自然言語ルールを直書きすると、誤作動や更新困難（先祖返り）を招く。プロンプトは軽量に保ち、業務ルールは外部の構造化ファイル（JSON / YAML）として分離・参照させる構成が必須となる。

さらに中央のオーケストレーターが専門サブエージェントを束ね、情報抽出の失敗や矛盾を検知した場合は即座に人間へエスカレーションする HITL（Human-In-The-Loop） を配置しています。

② 株式会社電通グループ：月間2万件の会計承認チェック自動化

ブラックボックス化の排除: データモデル設計、定量的なテスト、不正利用防止の統制（ガバナンス）を組み込み、本番運用で99%の精度へ向上。
判定ロジックの3分岐: 判定結果に応じて「自動承認」「自動差戻」「人間による確認」の3経路へ分岐。

③ メトロアドエージェンシー：トークン最適化と並列処理

コンテキスト長超過や「Lost in the Middle（文脈中央部の見落とし）」を防ぐため、データを審査項目ごとにマイクロタスク化して「分割」。AIへ並列（Parallel）投入し、最終判定のみ人間に回す設計で100%に近い精度を維持しています。

3. 社内活用レベルの段階定義と定着ロードマップ

全社的な定着を進める上では、自社の社員が現在どのレベルに位置しているかを可視化することが重要です。

Level 0 / 1： 無関心 / 未利用
Level 2： 単発活用（要約、簡単なメール作成等）
Level 3： 日常活用（議事メモ、資料レビュー等）
Level 4： 応用活用（企画、調査、高度な分析等）
Level 5： 業務変革（ワークフロー自動化、AIエージェント）

世の中の9割以上の企業は Level 2〜3 で停滞しています。ここから Level 5 へ引き上げるには、一般社員に高度なプロンプト技術を求めるのではなく、システム側が「裏側でエージェント化した仕組み（ボタン一つ・置くだけ）」を提供するアプローチへ転換する必要があります。

現場ニーズに直結する「共通カスタムボット（Gem）」設計例

A. バックオフィス共通型（問い合わせ削減）

社内規程ボット: 経費精算ルール等を学習。「タクシー代の申請基準は？」等に即答。
反社チェック一次スクリーニング: 取引先情報から、確認が必要な注意フラグを一時抽出。

B. デベロッパー・事業検討連動型

事業計画ツッコミ予想ボット: 作成した事業計画を読み込ませ、「自分が厳しい役員やファンドだとしたら、どんなツッコミを入れるか？」を抽出させ事前対策に活かす。
仕入れリスク抽出ボット: 雑多な覚書や過去経緯メモ（PDF）から、「着工時に近隣と揉めそうなリスク」や「特殊な念書条項」を箇条書きで抽出。

5. おわりに ── AIの進化を待つな、人間の「配管」を整えよ

Googleが提示するロードマップにおいても、本質的な成果を上げるために必要なのは、AIモデル自体のアップデートを待つことではなく、人間側の「暗黙知の形式知化」と「入力データの適正化（配管整備）」であると結論付けられています。

AIを「単なる文章作成の助手」として終わらせるか、「業務プロセスを消滅させる相棒」へと育てるかは、我々人間側のシステム思考にかかっています。

【次回予告】現場で直面する最大の壁「トークンの胃もたれ」

せっかく配管を整えても、現場がWord、Excel、PDF、画像といった「泥データ（不必要なメタデータ）」をそのままAIに食わせている限り、AIは裏で膨らんだトークンに圧迫され、知ったかぶり（ハルシネーション）を始めます。

次回の【後編】では、ハルシネーションを物理的に封殺するための「ファイル形式別・AIの満腹度とトークン構造攻略表」と、泥データを1秒でプレーン化する具体的な「野生の調教手順」を公開します。