AIエージェントを作りたい、という相談では、最初にモデル名やツール名の話になりがちです。
しかし実務で止まりやすいのは、モデル選びの前です。AIに何を読ませるのか。どれが正しい情報なのか。古い資料はどう扱うのか。結果が間違っていたとき、どこへ修正を戻すのか。
ここが曖昧なままAIエージェントを作ると、最初のデモは動いても、業務には残りません。AIが賢いかどうか以前に、会社側のデータの置き場が弱いからです。
エージェントの前に、業務データの置き場を決める
AIエージェントは、指示だけで動くように見えます。実際には、指示、参照資料、ツール、過去の履歴、出力へのフィードバックを組み合わせて動きます。
公開情報だけを集める調査であれば、Web検索や外部APIを使えば始められます。ただし、会社の業務に本当に効くのは、社内にしかない情報です。
- 過去の問い合わせ
- 見積や提案の履歴
- 請求書や領収書の処理記録
- 顧客からの差し戻し理由
- 社内で決めた価格・例外・承認ルール
- うまくいった対応、失敗した対応
これらが散らばっていると、AIは「それっぽい一般論」を返しやすくなります。逆に、会社として信じてよい情報が決まっていると、AIは業務に近い下書き、分類、確認、比較を出しやすくなります。
AIエージェントの導入とは、AIに作業を丸投げすることではありません。会社の判断材料を、AIが読める形に整えることから始まります。
ファイルをためるだけでは、エージェントは動けない
「資料はGoogle Driveにあります」「過去のやり取りはメールに残っています」「案件管理はスプレッドシートです」。
この状態でも、人間はなんとか探せます。しかしAIエージェントにとっては、まだ業務データになっていないことがあります。
問題は、保存されているかどうかではなく、使える形で置かれているかです。
- 最新版がどれか分かる
- 古い資料を使わない条件が分かる
- 顧客名や個人情報を入れてよい範囲が分かる
- 見積、請求、問い合わせ、承認などの区分が分かる
- AIが出した結果を、あとで人間が見直せる
- 修正した内容が、次回の判断材料として残る
これがないままAIをつなぐと、AIは毎回その場で考えます。毎回その場で考えるAIは、便利に見えても、会社の経験を蓄積しません。
本当に作りたいのは、1回だけすごい回答を出すAIではなく、業務の記録を読み、失敗を覚え、次回の処理に反映できる仕組みです。
ツール連携は、データ設計のあとに考える
AIに外部ツールを使わせる技術は、すでに実用段階に入っています。OpenAIのFunction callingでは、モデルにアプリケーション側のデータや操作を渡せます。File searchのような仕組みでは、アップロードしたファイル群を検索して回答に使えます。MCPのような標準化の流れも、AIアプリケーションを外部データやツールへつなぎやすくしています。
ただし、つなげることと、業務で使えることは別です。
たとえば領収書や請求書の処理を考えます。画像から文字を読み取る。金額や日付を抜き出す。勘定科目の候補を出す。ここまではAIで試しやすくなっています。
しかし、実務で必要なのはその後です。
- 読み取った結果をどこへ保存するか
- 過去の処理と比べて違和感があるか
- どの金額以上なら人間の確認を必須にするか
- 取引先名の揺れをどう直すか
- 間違いを見つけたとき、次回の処理にどう戻すか
ここを決めずにモデルだけ変えても、業務は安定しません。AIに目を与えるだけでなく、見た結果を置く台帳と、見直すルールが必要です。
最初に作るべき4つのデータ層
中小企業が最初から大きなデータベースを作る必要はありません。先に決めたいのは、AIが何を根拠に動くかです。
1つ目は、正本データです。会社概要、サービス範囲、価格、FAQ、提案テンプレート、利用規約、社内ルールなど、AIが回答や下書きの根拠にしてよい情報です。
2つ目は、業務記録です。問い合わせ、見積、請求、タスク、承認、差し戻し、対応完了日など、実際に起きたことを残します。AIに「似た案件を探して」と頼むには、似ているかどうかを判断できる記録が必要です。
3つ目は、判断ルールです。どこまで自動で進めてよいか。どこから人間確認に戻すか。どの言い方は禁止か。どの条件なら公開・送信・請求を止めるか。ここがなければ、AIは便利な助手ではなく、不安な実行者になります。
4つ目は、フィードバックログです。AIの出力を人間が直したとき、その修正を残します。「今回だけ直す」で終わると、次回も同じミスが起きます。AI運用で大事なのは、失敗を人間の記憶ではなく、業務データに戻すことです。
この4つを分けるだけで、AIエージェントの設計はかなり現実的になります。
AIに任せる範囲は、データの粒度で決まる
AIにどこまで任せられるかは、モデル性能だけでは決まりません。会社側のデータがどこまで具体的かで決まります。
問い合わせ文だけがあるなら、AIにできるのは分類や返信案の下書きまでです。過去の対応履歴、価格表、対象外条件、承認ルールまで整っていれば、AIは見積前の確認事項を出したり、似た案件を探したり、担当者が見るべき論点を先に並べたりできます。
請求書でも同じです。画像を読めるだけなら、文字起こしです。過去の取引先、処理ルール、例外、確認済みログとつながって初めて、業務処理に近づきます。
つまり、AIに任せる範囲を広げたいなら、まずデータの粒度を細かくする必要があります。
最初から「全部自動化」を狙うより、次の順番が現実的です。
- 読ませる
- 抜き出させる
- 分類させる
- 過去記録と比べさせる
- 人間の確認事項を出させる
- 承認後に次のシステムへ渡す
この順番なら、AIの失敗を業務事故にしにくくなります。
小さな会社は1業務だけで始める
最初に作るべきなのは、全社データベースではありません。1つの業務を選び、その業務だけで「AIが読める置き場」を作ることです。
おすすめは、毎週または毎月くり返す業務です。問い合わせ対応、見積前の確認、請求書チェック、競合調査、社内レポート作成などが向いています。
始め方はシンプルです。
- 対象業務を1つ決める
- AIに読ませてよい資料を1か所に集める
- 最新版、参考、禁止、要確認に分ける
- 結果を残すシートやデータベースを作る
- 人間が直した内容を、翌週のルールに戻す
この小さな循環ができると、AIエージェントは「毎回やり直す道具」から「会社の経験を使う道具」に変わります。
Optiensの見方
Optiensでは、AI導入を「ツールを増やすこと」ではなく、「業務の判断材料を整理すること」として見ています。
AIエージェントは、単体でも便利です。しかし、会社の正本データ、業務記録、判断ルール、フィードバックログとつながったときに、はじめて継続的な改善に変わります。
AI活用をどこから始めるべきか迷っている場合は、まず AI活用診断簡易版（無料） で、既存業務の大まかなAI活用候補をご確認ください。
導入可否・優先順位・構成案・費用前提まで整理したい場合は、詳細版AI活用診断（5,500円税込・MTGなし） も利用できます。
まとめ
AIエージェントを作る前に、先に決めるべきことがあります。
どの資料を正本にするか。業務記録をどこへ残すか。AIにどこまで読ませるか。人間の修正を次回へどう戻すか。
ここを飛ばすと、AIは賢くても、その場限りの出力で終わります。ここを整えると、AIは会社の経験を使いながら、少しずつ業務に馴染んでいきます。
AI導入の最初の一歩は、エージェントを作ることではありません。エージェントが迷わず読める、業務データの置き場を作ることです。