AIエージェントの種類は、動作の仕組み・システム構成・用途・提供形態・自律性の5つの軸で整理できます。本記事では、5つの軸ごとの種類と代表的なサービスを一覧で解説します。

Agentforce、Copilot Studio、Difyなど、AIエージェントを名乗るサービスが次々と登場しています。記事ごとに分け方が違い、どれがどの種類なのか整理できずに困っている方も多いでしょう。

種類の違いを押さえないまま選ぶと、目的に合わないツールでPoCを始め、時間と予算を無駄にします。反対に分類軸を理解すれば、社内で候補を説明し、比較の土台を作れます。

本記事では、5つの分類軸ごとのAIエージェントの種類と、学術上の分類と実際のサービスの対応関係を中心に解説します。

読み終えるころには、自社の業務に合う種類を絞り込み、試すべき候補を2〜3個に決められる状態になります。気になっているサービスを思い浮かべながら読み進めてください。

AIエージェントの種類は5つの分類軸で整理できる

AIエージェントの種類は、動作の仕組み・システム構成・用途・提供形態・自律性の5つの軸で整理できます。各軸で決められることは以下のとおりです。

• 動作の仕組み：AIが何を手がかりに行動を決めるか
• システム構成：エージェントを1体で動かすか、複数で動かすか
• 用途：どの業務を任せるか
• 提供形態：どのような形で自社に導入するか
• 自律性：人の確認がどこまで必要か

分類軸	主な種類	この軸が役立つ場面
動作の仕組み	単純反射型・モデルベース反射型・目標ベース型・効用ベース型・学習	AIの判断力の水準を理解したいとき
システム構成	シングルエージェント・マルチエージェント	複雑な業務をどう分担させるか考えるとき
用途	業務自動化型・情報検索型・カスタマー対応型など6種類	任せたい業務から候補を探すとき
提供形態	汎用型・業務システム搭載型・ノーコード開発型など5種類	導入方法と社内の体制を決めるとき
自律性	検索エージェント・タスクエージェント・自律エージェント	人の確認をどこに挟むか決めるとき

ベンダー記事ごとに分け方が違うのは、それぞれが別の軸で語っているためです。自分が何を決めたいのかに合わせて軸を使い分けましょう。

AIエージェントは目標に向けて自律的に動くAI

AIエージェントとは、与えられた目標に向けて、計画から実行までを自律的に進めるAIシステムです。AWSは、ユーザーに代わってタスクを推論・計画・完了するソフトウェアと説明しています。
出典：AI エージェント製品（AWS Marketplace）

チャットのように1回ずつ指示を出さなくても、ゴールを伝えれば手順を自分で組み立てる点が特徴です。必要に応じて、Web検索や社内システムのAPIなど外部のツールも使います。

たとえば「来週の出張の候補便を調べ、条件に合う3便を表にまとめて」と頼む場面を考えます。AIエージェントは検索、比較、表の作成までを一続きで進めます。

ゴールを渡せば手順まで任せられるという性質を押さえると、この後に紹介する種類の違いも理解しやすくなります。

生成AIとAIエージェントの違い

生成AIは指示に応じて文章や画像を作るAIです。一方でAIエージェントは、生成AIを頭脳として使い、作業そのものを最後まで進める仕組みです。

比較項目	生成AI	AIエージェント
主な役割	文章・画像・コードなどを生成する	目標の達成に向けて作業を進める
指示の出し方	1回の指示に1回の出力を返す	ゴールを伝えると手順を自分で組み立てる
外部ツールの利用	基本的に会話の中で完結する	検索・API・ファイル操作などを使う
人の役割	出力を受け取り、次の指示を考える	途中経過や最終結果を確認する

生成AIの出力を人が次の作業につなげていた部分を、AIエージェントは自分で引き受けます。そのため、複数の手順にまたがる業務ほど効果が出やすくなります。

ChatGPTやGeminiのように、生成AIのサービスにエージェント機能が組み込まれる例も多くあります。同じサービス名でも、使う機能によって生成AIにもAIエージェントにもなります。

「作る」のが生成AI、「進める」のがAIエージェントと区別しておくと、社内で違いを説明するときにも迷いません。

動作の仕組みによるAIエージェントの種類5つ

IBMは、AIエージェントを動作の仕組みによって以下の5つに分類しています。
出典：AIエージェントの種類（IBM）

• 単純反射型エージェント
• モデルベース反射型エージェント
• 目標ベース型エージェント
• 効用ベース型エージェント
• 学習エージェント

学術的な分類ですが、サービスがどこまで自分で判断できるのかを見極める物差しになります。

単純反射型エージェント

単純反射型エージェントは、今の入力だけを見て、決められたルールどおりに動くもっともシンプルな種類です。過去の出来事や行動の結果は考慮しません。

記憶も環境のモデルも持たないため、処理が速く、動作を予測しやすい点が長所です。ただし、ルールにない状況や、入力だけでは状況がわからない環境には対応できません。

IBMは、設定温度を下回ると暖房をつけるサーモスタットを例に挙げています。業務でいえば、特定のキーワードに定型文を返すだけのチャットボットがこの種類に近いでしょう。

自社の業務が「条件と対応が1対1で決まっている」なら、高度なAIエージェントでなくても、この種類の仕組みで十分なケースがあります。

モデルベース反射型エージェント

モデルベース反射型エージェントは、ルールで動く点は単純反射型と同じです。違いは、過去の情報から作った環境の内部モデルを持っている点です。

内部モデルがあるため、今の入力だけでは見えない状況も、それまでの記録から推測できます。ルールの外に出る判断はできませんが、単純反射型より多くの場面に対応します。

IBMは、すでに通った場所や障害物を覚えながら部屋を移動するロボットを例に挙げています。業務では、会話の履歴を踏まえて回答を変える問い合わせ対応が近い動きをします。

過去のやり取りを踏まえる必要がある業務では、記憶を持つかどうかが種類を見分ける最初の判断材料になります。

目標ベース型エージェント

目標ベース型エージェントは、設定された目標から逆算して行動を選ぶ種類です。行動の前に、どの選択肢が目標に近づくかを評価します。

ルールに従うだけの反射型と違い、目標が同じなら状況に応じて手順を変えられます。計画を立て、途中で結果を見ながら次の一手を決める点が特徴です。

IBMは、建物内の特定の部屋まで遠回りせずに進む経路を計画するロボットを例に挙げています。「バグを直す」というゴールから調査と修正を進めるコーディング用のAIエージェントも、この考え方に近い動き方です。

現在よく使われるAIエージェントの多くは、この目標ベース型を土台に考えると理解しやすくなります。

効用ベース型エージェント

効用ベース型エージェントは、目標を達成できるかだけでなく、結果の「望ましさ」を数値で比べて最善の行動を選ぶ種類です。この望ましさを測る基準を効用関数と呼びます。

目標を達成する方法が複数あり、速さ・コスト・安全性などを両立させる必要がある場面で力を発揮します。目標ベース型が「達成できるか」を見るのに対し、効用ベース型は「どれだけよいか」まで見ます。

IBMは、移動時間・燃費・安全性を比べながら走る自動運転車や、販売履歴と在庫から価格を決めるECの例を挙げています。

価格設定や配送計画など、複数の条件の折り合いをつける業務を任せたい場合に、この種類の考え方が当てはまります。

学習エージェント

学習エージェントは、環境からのフィードバックをもとに、自分の行動を改善し続ける種類です。最初から完璧である必要はなく、使うほど精度が上がります。

IBMによると、学習エージェントは以下の4つの要素で構成されます。

• 行動を実行する性能要素
• 改善を担う学習要素
• 結果を評価する批評要素
• 新しい行動を試させる問題生成要素

例としては、報酬と罰を手がかりに学ぶ強化学習のエージェントや、SNSのおすすめ表示などが挙げられています。

環境の変化が大きい業務では、導入後に改善していける仕組みがあるかを確認すると、長く使えるAIエージェントを選べます。

システム構成によるAIエージェントの種類2つ

AIエージェントは、何体で動かすかによってシングルエージェントとマルチエージェントの2つに分かれます。任せたい業務の複雑さによって、向いている構成が変わります。

シングルエージェント

シングルエージェントは、1体のAIエージェントが業務の最初から最後までを担当する構成です。

構成がシンプルなため、作りやすく、問題が起きたときに原因を追いやすい点が長所です。ただし、扱う情報や工程が増えるほど、1体ですべてを正確に処理するのは難しくなります。

たとえば、社内規程についての質問に答える、受け取ったメールを要約するといった業務はシングルエージェントで十分に対応できます。

初めてAIエージェントを試すなら、まずシングルエージェントで小さな業務を任せると、効果と課題を早く確かめられます。

マルチエージェント

マルチエージェントは、役割の違う複数のAIエージェントが分担して1つの業務を進める構成です。富士通は、役割を以下の3つに分けて説明しています。
出典：AIエージェント（富士通）

• ワーカーAIエージェント：個別のタスクを実行する
• オーケストレーターAIエージェント：ワーカーを選んで連携させる司令塔
• ヴェリファイヤーAIエージェント：出力を検証して信頼性を高める

上位のエージェントが全体の目標を受け持ち、下位のエージェントが具体的な作業を担う形は、階層型エージェントとも呼ばれます。IBMも、複雑な問題を小さなタスクに分ける仕組みとして紹介しています。

調査・執筆・事実確認のように工程が分かれた業務では、マルチエージェントにすると各工程の品質を保ちやすくなります。

用途によるAIエージェントの種類6つ

任せる業務で分けると、AIエージェントは以下の6種類に整理できます。

• 業務自動化型
• 情報検索・ナレッジ型
• カスタマー対応型
• コーディング支援型
• リサーチ型
• ブラウザ操作型

自社で困っている業務がどれに当てはまるかを考えると、候補のサービスが見つけやすくなります。※サービス情報は2026年10月時点のものです。

業務自動化型

業務自動化型は、資料作成・データ入力・報告書の作成など、手順の決まった定型業務を自動で進める種類です。

人が毎回同じ手順でこなしている作業ほど効果が出やすく、担当者は確認や判断に時間を回せます。複数のアプリやファイルをまたぐ作業もまとめて任せられます。

代表例は、JAPAN AI株式会社の「JAPAN AI AGENT」です。業務ごとに用意されたエージェントを使えるほか、自社用のエージェントも作成できます。

OpenAIの「ChatGPT Work」も、つながっているアプリやファイルを使って、文書・表・スライドなどを作るエージェントです。以前の「ChatGPT agent」は提供を終え、ChatGPT Workに引き継がれています。
>JAPAN AI AGENTの発表はこちらから
>ChatGPT Workの公式サイトはこちらから

情報検索・ナレッジ型

情報検索・ナレッジ型は、社内の文書やデータから必要な情報を探し、根拠つきで回答する種類です。

社内規程・マニュアル・過去の提案書などが複数のツールに散らばっている企業ほど、探す時間を減らせます。回答の根拠となる文書を示してくれるため、内容の確認もしやすくなります。

代表例は「Glean」です。社内のさまざまなツールを横断して検索でき、業務を進めるエージェントも作成できます。

Microsoftの「Researcher」は、社内のデータとWebの情報を組み合わせ、複数の手順が必要な調査をこなすエージェントです。
>Gleanの公式ドキュメントはこちらから
>Researcherの公式ドキュメントはこちらから

カスタマー対応型

カスタマー対応型は、顧客からの問い合わせに答え、必要な手続きまで進める種類です。

従来のチャットボットは決められた回答を返すだけでした。カスタマー対応型のAIエージェントは、顧客情報を確認し、返品の受付などの処理まで担います。

代表例は、Salesforceの「Agentforce」です。CRMの顧客データを使い、営業やサポートの業務をこなします。

Zendeskの「AIエージェント」は、問い合わせの解決に特化したエージェントです。対応の手順を自然言語で設定できます。
>Agentforceの公式サイトはこちらから
>ZendeskのAIエージェントの公式サイトはこちらから

コーディング支援型

コーディング支援型は、コードの読み取り・編集・テストの実行まで進める開発者向けの種類です。

コードの続きを提案する補完ツールと違い、機能の追加やバグの修正といったタスク単位で作業を任せられます。

主なサービスは以下の3つです。

• Claude Code：ファイルを編集し、コマンドを実行するAnthropicのエージェント
• Copilot cloud agent：リポジトリを調べ、バックグラウンドで変更を実装するGitHubのエージェント
• Devin：計画からテスト、出荷までを自分で進めるCognitionのエージェント

GitHubのエージェントは、以前は「Copilot coding agent」という名称でした。開発チームの人手不足に悩む企業では、定型的な実装を任せてレビューに時間を回せます。
>Claude Codeの公式ドキュメントはこちらから
>Copilot cloud agentの公式ドキュメントはこちらから
>Devinの公式サイトはこちらから

リサーチ型

リサーチ型は、Web上の多数の情報源を調べ、出典つきのレポートにまとめる種類です。

人が何十ものページを開いて読み比べていた調査を、短時間で下調べできます。出典のリンクが付くため、重要な箇所だけを人が確かめる使い方に向いています。

代表例は、ChatGPTの「deep research」と、Geminiの「Deep Research」です。どちらも調べるテーマを伝えると、調査計画を立てて情報を集めます。

市場調査や競合調査、新しい技術のキャッチアップなど、まとまった調査を定期的に行う担当者ほど恩恵を受けられます。
>ChatGPTのdeep researchの解説はこちらから
>GeminiのDeep Researchの解説はこちらから

ブラウザ操作型

ブラウザ操作型は、人の代わりにWebブラウザを操作し、画面上で作業を進める種類です。

APIが用意されていないWebサービスでも、人と同じようにクリックや入力で操作できる点が強みです。フォームへの入力や、複数サイトでの情報収集などを任せられます。

代表例は、Anthropicの「Claude in Chrome」です。2026年8月に有料プラン向けに正式提供が始まりました。Googleも「Gemini in Chrome」でブラウザの自動操作を、米国など一部の地域でプレビュー提供しています。

ブラウザ操作型は、ログイン中のサービスも操作できる分、権限の範囲を決めてから使うと安心です。
>Claude in Chromeの公式サイトはこちらから

提供形態によるAIエージェントの種類5つ

導入の形で分けると、AIエージェントは以下の5種類に整理できます。

• 汎用型
• 業務システム搭載型
• 業務特化型
• ノーコード開発型
• フレームワーク開発型

どの形態を選ぶかで、導入の手間と、社内に必要なスキルが大きく変わります。

汎用型

汎用型は、特定の業務に限らず、調査・資料作成・分析などを幅広くこなす種類です。

契約すればすぐに使い始められ、個人の業務効率化から試せる点が長所です。一方で、社内システムとの深い連携や、業務に合わせた細かい制御は得意ではありません。

代表例は、OpenAIの「ChatGPT Work」や、Microsoftの「Microsoft Copilot」です。Microsoft Copilotは、以前は「Microsoft 365 Copilot」という名称でした。

AIエージェントで何ができるのかを社内で体感してもらう最初の一歩として、汎用型はもっとも始めやすい選択肢です。

業務システム搭載型

業務システム搭載型は、CRMやヘルプデスクなど、すでに使っている業務システムに組み込まれた種類です。

システム内のデータをそのまま使えるため、別のツールとつなぐ手間がかかりません。ただし、そのシステムを使っていない企業には選択肢になりません。

代表例は、Salesforceの「Agentforce」や、Zendeskの「AIエージェント」です。どちらも、それぞれの製品に蓄積された顧客データを使って動きます。

自社がすでに使っている業務システムにエージェント機能があるかを確認すると、もっとも早く導入できる候補が見つかります。

業務特化型

業務特化型は、経理・人事・開発など、特定の業務に絞って作られた種類です。

対象の業務に合わせた機能があらかじめ用意されているため、設定の手間が少なく、すぐに効果を確かめられます。そのぶん、対象外の業務には使えません。

代表例は、業務別のエージェントを多数そろえた「JAPAN AI AGENT」や、ソフトウェア開発に特化した「Devin」です。

解決したい業務がはっきりしている企業ほど、業務特化型を選ぶと導入から成果が出るまでの期間を短くできます。

ノーコード開発型

ノーコード開発型は、プログラミングをほとんどせずに、自社専用のAIエージェントを作れる種類です。画面上の操作や自然言語で、エージェントの動きを組み立てます。

既製品では対応できない社内独自の業務にも、エンジニアに頼らず現場の担当者が対応できる点が強みです。

主なサービスは以下の3つです。

• Microsoft Copilot Studio：ローコードでエージェントを作成できるMicrosoftの開発環境
• Dify：ワークフローや社内文書を使う仕組みを作れるオープンソースのプラットフォーム
• Gemini Enterprise：ノーコードのエージェント作成機能を持つGoogleの企業向け基盤

社内にAIエージェントを広げたいDX推進担当者にとって、ノーコード開発型は現場を巻き込む手段になります。
>Copilot Studioの公式サイトはこちらから
>Difyの公式サイトはこちらから
>Gemini Enterpriseの公式サイトはこちらから

フレームワーク開発型

フレームワーク開発型は、プログラミングでAIエージェントを一から組み立てるエンジニア向けの種類です。

動きを細かく制御でき、自社のシステムとも自由に連携できます。そのかわり、開発と運用を担えるエンジニアが必要です。

主なフレームワークは以下の4つです。

• LangGraph：長時間動く複雑なエージェントを作れるLangChainのフレームワーク
• CrewAI：複数のエージェントを協調させる仕組みを作れるフレームワーク
• OpenAI Agents SDK：少ない記述でエージェントを作れるOpenAIの開発キット
• Agent Development Kit：エージェントの開発から公開までを支えるGoogleのフレームワーク

ノーコード開発型で作ったエージェントが業務に定着し、より細かい制御が必要になった段階で検討するとよいでしょう。
>LangGraphの公式ドキュメントはこちらから
>CrewAIの公式ドキュメントはこちらから
>OpenAI Agents SDKの公式ドキュメントはこちらから
>Agent Development Kitの公式サイトはこちらから

自律性のレベルによるAIエージェントの種類3つ

Microsoftは、AIエージェントのタイプを以下の3つに分けて説明しています。
出典：AI エージェントの構築（Microsoft）

• 検索エージェント
• タスクエージェント
• 自律エージェント

下に行くほど自律性が高く、人の確認をどこに挟むかの設計も変わります。

検索エージェント

検索エージェントは、信頼できる情報源から情報を探し、質問に答える種類です。Microsoftは、情報を見つけて推論し、明確な回答を返すものと説明しています。

自分から何かを実行するわけではないため、誤った操作が起きる心配がありません。人は回答の内容を確認するだけで済みます。

社内規程やマニュアルについての質問に答えるエージェントが、この種類の典型例です。

リスクを抑えてAIエージェントを試したい企業にとって、検索エージェントはもっとも導入しやすいレベルです。

タスクエージェント

タスクエージェントは、決められたアクションやワークフローを自動で実行する種類です。Microsoftは、更新情報の送付やレポートの生成などを例に挙げています。

検索エージェントと違い、メールの送信やデータの更新など、実際の操作を行います。そのため、どの操作を任せるかを事前に決めておく必要があります。

毎週の売上レポートを集計して関係者に送る、といった業務がこの種類に当てはまります。

手順が決まっている業務から任せれば、ミスの影響を抑えながら手作業を減らせます。

自律エージェント

自律エージェントは、目標に向けて自分で計画を立て、必要に応じて計画を修正しながら進める種類です。

Microsoftは、人の判断が必要な場面では人に引き継ぐことも、自律エージェントの役割としています。すべてを任せきりにするのではなく、重要な判断だけ人が受け持つ形です。

問い合わせの内容を見て対応を決め、必要なら担当者に引き継ぐエージェントなどが例として挙げられます。

自律性が高いほど人の手間は減りますが、権限と確認の手順を設計できる企業ほど、安心して任せる範囲を広げられます。

仕組みの分類と実際のサービスの対応関係

動作の仕組みによる5つの分類は、実際のサービスでは以下のような場面に対応します。

動作の仕組み	当てはまる場面の例
単純反射型	キーワードに定型文を返すルール型のチャットボット
モデルベース反射型	会話の履歴を踏まえて回答を変える問い合わせ対応
目標ベース型	ゴールから手順を組み立てるコーディング支援型やリサーチ型
効用ベース型	在庫と需要を比べて価格を決める価格設定
学習エージェント	利用者の反応から表示を変えるおすすめ機能

実際のサービスは1つの種類にきれいに収まるわけではなく、複数の仕組みを組み合わせて作られています。以下の2つの見方を押さえると、サービスの説明を読み解きやすくなります。

生成AIを使うサービスの多くは目標ベース型に近い

生成AIを頭脳に使うAIエージェントの多くは、ゴールから手順を考えて進める目標ベース型に近い動き方をします。

たとえばClaude Codeに「このバグを直して」と頼むと、原因の調査、修正、テストの順に作業を組み立てます。ルールで決まった手順ではなく、ゴールから逆算して手順を選んでいます。

また、会話の履歴や作業の記録を参照する点では、モデルベース反射型の性質もあわせ持っています。

サービスの説明に「自律型」とあれば、まず目標ベース型の考え方で動くと捉えると、何を任せられるかを見当づけられます。

マルチエージェントは複数の種類を組み合わせて動く

IBMは、5つの種類はすべてマルチエージェントの一部として組み合わせられると説明しています。

IBMが挙げるスマート工場の例では、役割ごとに違う種類のエージェントが働きます。安全のための緊急停止には反射型、生産目標の管理には目標ベース型といった使い分けです。

業務のAIエージェントでも、検索を担うエージェントと、文書を作るエージェント、内容を確かめるエージェントを組み合わせる構成が考えられます。

複数の種類を組み合わせる発想を持っておくと、1つのサービスで足りない部分を別のエージェントで補う設計ができます。

自社に合う種類のAIエージェントを選ぶ4ステップ

自社に合う種類を選ぶ手順は、以下の4ステップです。

• 自動化したい業務を洗い出す
• 用途の種類を決める
• 提供形態を社内のスキルに合わせて選ぶ
• 候補を2〜3個に絞って試す

サービス名から探すのではなく、業務から逆算すると選び間違いを防げます。

ステップ1：自動化したい業務を洗い出す

最初に、AIエージェントに任せたい業務を具体的に書き出します。ツールを先に決めると、業務に合わないサービスを選んでしまうためです。

書き出すときは、以下の3点をあわせて整理しておくと、後の比較が楽になります。

• 業務にかかっている月あたりの時間
• 使っているシステムやファイル
• ミスが起きたときの影響の大きさ

たとえば「毎週3時間かけている営業レポートの作成」のように、時間と業務内容を具体的に書きます。

任せたい業務の一覧ができると、社内で導入を提案するときの説明材料にもなります。

ステップ2：用途の種類を決める

次に、洗い出した業務が用途による6種類のどれに当てはまるかを決めます。

用途が決まると、比べるべきサービスの範囲が一気に絞られます。たとえば社内の問い合わせ対応なら、情報検索・ナレッジ型を中心に探せばよいとわかります。

1つの業務が複数の種類にまたがる場合は、もっとも時間がかかっている工程を基準に選びます。

用途を言葉にしておくと、ベンダーに問い合わせるときも要件を正確に伝えられます。

ステップ3：提供形態を社内のスキルに合わせて選ぶ

用途が決まったら、社内の体制に合った提供形態を選びます。同じ用途でも、提供形態によって必要なスキルが違うためです。

社内の体制ごとの目安は以下のとおりです。

• エンジニアがいない：汎用型・業務特化型・業務システム搭載型
• 現場で作りたい：ノーコード開発型
• 開発チームがある：フレームワーク開発型

すでに使っている業務システムにエージェント機能があれば、それを最初の候補にすると導入が早く進みます。

体制に合わない形態を選ばなければ、導入後に運用が止まってしまう事態を防げます。

ステップ4：候補を2〜3個に絞って試す

最後に、候補を2〜3個に絞り、小さな業務で試します。資料だけでは、自社の業務での精度や使い勝手を判断できないためです。

試すときは、自律性の低い検索エージェントやタスクエージェントの使い方から始めると、問題が起きても影響を抑えられます。

ステップ1で書き出した作業時間と比べれば、どれだけ時間が減ったかを数字で示せます。

試した結果を数字で残しておけば、本格導入の稟議を通すときの根拠として使えます。

AIエージェントの種類に関するよくある質問

AIエージェントの種類に関する質問は以下の4つです。

• AIエージェントの分類に決まった基準はある？
• 個人でも無料で試せる種類はある？
• エージェント型AIとAIエージェントは違う？
• RPAはAIエージェントの一種？

質問に対する回答を確認して、自社に合うAIエージェントを選ぶ参考にしてみてください。

AIエージェントの分類に決まった基準はある？

統一された公式の基準はありません。企業や研究者ごとに、目的に合わせて別の軸で分類しています。

動作の仕組みによる5分類は、AIの教科書でも使われてきた学術的な分類です。本記事で紹介したIBMの解説も、この5分類にもとづいています。

一方で、用途や提供形態による分け方は、ベンダーが自社製品を説明するために使うことが多い分類です。どの軸の話なのかを意識して読むと、記事ごとの違いに混乱しなくなります。

個人でも無料で試せる種類はある？

あります。もっとも手軽なのは、生成AIのサービスに組み込まれたリサーチ型です。

GeminiのDeep Researchは、すべてのGeminiユーザーが使える機能として提供されています。ただし、無料で使える回数や機能には制限があります。

自社用のエージェントを作ってみたい場合は、オープンソースのDifyを自分の環境に導入する方法もあります。料金や利用条件は変わることがあるため、使う前に公式サイトで確認してください。

エージェント型AIとAIエージェントは違う？

ほぼ同じ意味で使われることが多い言葉です。どちらも、自律的に作業を進めるAIを指します。

厳密に使い分ける場合は、個々のAIを「AIエージェント」、複数のエージェントを組み合わせた仕組みや考え方を「エージェント型AI」と呼ぶことがあります。

ただし、使い分けは企業や記事によって異なります。社内で話すときは、どちらの意味で使っているかを最初にそろえておくと誤解を防げます。

RPAはAIエージェントの一種？

RPAはAIエージェントとは別のものです。RPAは、人が決めた手順をそのとおりに繰り返す自動化ツールです。

手順が変わると動かなくなるRPAに対し、AIエージェントはゴールに向けて手順を自分で組み立てます。動き方でいえば、RPAは単純反射型に近い仕組みです。

実務では、定型の操作をRPAに任せ、判断が必要な部分をAIエージェントに任せるといった組み合わせも行われています。

AIエージェントは種類を理解すると導入の失敗を防げる

AIエージェントの種類は、動作の仕組み・システム構成・用途・提供形態・自律性の5つの軸で整理できます。何を決めたいかに合わせて軸を使い分けることが、記事ごとに違う分類に振り回されないコツです。

• 判断力の水準を知るなら、動作の仕組み
• 業務の分担を考えるなら、システム構成
• 候補を探すなら、用途と提供形態
• 人の確認を設計するなら、自律性

まずは、自社で任せたい業務を1つ書き出し、用途による6種類のどれに当てはまるかを決めてみてください。それだけで、比べるべきサービスは2〜3個に絞れます。

候補が決まると、次は「社内のデータを安全に扱えるか」「試した効果をどう示すか」といった、導入を進めるための課題が見えてきます。種類の理解を土台に、小さな業務から試験導入を始めましょう。