AIエージェントのしくみ：計画・ツール呼び出し・記憶と、MCPによる接続｜AIエージェントと業務自動化 第2回

KOUZAAIエージェントと業務自動化

第2回／全8回

講師：田中 磨生（株式会社Abin 代表取締役）

この講座の目次を見る

1. 第1回AIエージェントとは何か：チャットAI・RPA・ワークフロー自動化との違い
2. 第2回AIエージェントのしくみ：計画・ツール呼び出し・記憶と、MCPによる接続
3. 第3回自動化に向く業務・向かない業務：4つの物差しで見分ける会員
4. 第4回業務フローを分解して設計する：決まった流れとAIの判断をどう組み合わせるか会員
5. 第5回ワークフロー自動化ツールと組み合わせる：Zapier・Make・n8n・Power Automateの考え方会員
6. 第6回人の確認をどこに入れるか：承認・差し戻し・監査ログの設計会員
7. 第7回セキュリティと権限：プロンプトインジェクションと「やりすぎ」を防ぐ会員
8. 第8回小さく始めて効果を測る：試行から本番運用、改善の回し方会員

この回で分かること：①AIエージェントを動かす3つの部品「計画・ツール呼び出し・記憶」の役割、②AIが道具を使うときの「依頼と結果の往復」の流れと、AIが直接システムを触るわけではないこと、③さまざまなサービスとAIをつなぐ共通規格MCP（Model Context Protocol）の考え方。前回は、AIエージェントが「計画→行動→確認」を繰り返す仕組みだと学びました。今回はその中身をのぞいてみます。

AIエージェントは「AIモデル」と「まわりの部品」の組み合わせ

AIエージェントというと、ひとつの巨大な頭脳がすべてをこなしているように想像しがちです。実際には、図1のように、中心にあるAIモデル（大規模言語モデル、LLM）と、そのまわりの部品の組み合わせでできています。

AIモデルそのものができることは、実は「受け取った文章の続きとして、もっともらしい文章を作る」ことだけです。この仕組みは生成AIのしくみの講座で詳しく扱っています。AIモデル単体では、社内のデータベースを検索することも、メールを送ることもできません。前回の会話の内容を、明日まで覚えておくこともできません。

そこで、AIモデルのまわりに次のような部品を用意して、できることを広げます。AIの開発会社Anthropicは、検索・ツール・記憶で強化されたAIモデルを「augmented LLM（強化されたLLM）」と呼び、エージェントの基本の部品と位置づけています。

この表のうち、「計画」はAIモデル自身の働きですが、「ツール」と「記憶」はAIモデルの外側にある仕組みです。言い換えると、AIエージェントの能力の多くは、AIモデルにどんな道具と情報を渡すかで決まります。同じAIモデルを使っていても、渡す道具が違えばできる仕事はまったく変わります。

部品1：計画 — 目標を手順に分け、次の一手を選ぶ

計画とは、「目標を達成するには何をどの順番でやればよいか」を考える働きです。AIモデルは、受け取った目標や指示、それまでの作業の結果をすべて読んだうえで、「次はこの道具を使ってこれを調べよう」「必要な情報はそろったので回答を書こう」といった次の一手を文章として出します。

ここで知っておきたいのは、AIの計画は一度立てたら終わりではなく、一手ごとに作り直されているということです。前回の例でいえば、「顧客リストを読んだら会社名の表記がばらばらだった」という結果を受けて、「先に表記をそろえよう」と計画を変えていました。これは、AIが結果を読むたびに「今の状況で次にすべきこと」を考え直しているからです。

この性質には、良い面と注意すべき面があります。良い面は、想定外のことが起きても柔軟に対応できることです。注意すべき面は、同じ目標を渡しても毎回同じ手順になるとは限らないこと、そして、途中で目標からずれていっても気づきにくいことです。そのため実務では、次のような工夫で計画を安定させます。

• 目標と完了の条件をはっきり書く：「調べて」ではなく「A社の直近3年の売上を、公式の決算資料から調べ、表にまとめたら完了」のように、何ができたら終わりかを伝える
• やってはいけないことを書く：「顧客には直接連絡しない」「金額が10万円を超える処理は人に確認する」など
• 繰り返しの上限を決める：同じ作業を何度も繰り返して終わらない事態を防ぐため、手順の回数に上限を設ける（Anthropicも、最大の繰り返し回数などの停止条件を設けることをすすめています）

部品2：ツール呼び出し — AIは「依頼」し、実行するのはアプリ

AIエージェントの最大の特徴は、道具（ツール）を使って実際に作業を進められることです。ただし、ここでよく誤解されるのが「AIがシステムに直接アクセスして操作している」というイメージです。実際の流れは、図2のような依頼と結果の往復になっています。

1. 道具の説明を渡す：AIを組み込んだアプリ（以下、アプリ）は、AIに「使える道具の一覧」を渡します。それぞれの道具には、名前、何をする道具かの説明、受け取る入力の形（たとえば「顧客名：文字」）が書かれています。
2. AIが依頼を返す：AIは目標と状況を読んで、「顧客検索の道具を、顧客名＝○○商事で使いたい」という依頼を、決まった形式で返します。
3. アプリが実行する：アプリは依頼を受け取り、実際に顧客管理システムを検索します。AIが見ているのは道具の説明と結果だけで、道具の中身のプログラムは見ていません。
4. 結果をAIに返す：検索結果を、どの依頼への結果なのかがわかる形でAIに返します。
5. AIが次を決める：AIは結果を読んで、別の道具を使うか、最終的な回答を書くかを決めます。

この往復を、目標が達成されるまで繰り返すのがAIエージェントの正体です。OpenAIやAnthropicなど主要なAI開発会社の開発者向け資料でも、おおむねこの流れで説明されています（2026年11月時点）。

この仕組みを知っていると、安全対策の考え方がぐっと分かりやすくなります。AIが「依頼」しかできないということは、実際に何を実行させるかの最終的な関所は、アプリ側に置けるということです。たとえば、「削除」の依頼が来たら実行せずに人に確認を回す、「金額の大きい発注」は承認を待つ、といった制御をアプリ側で組み込めます。この考え方は、第6回の承認の設計と第7回のセキュリティで中心になります。

よくある誤解：「道具をたくさん渡すほど賢くなる」

使える道具が多ければ多いほど、AIエージェントは何でもできて便利になると考えがちです。しかし実際には、道具が多すぎると、AIがどれを使うべきか迷い、似た道具を取り違えるなどの失敗が増えることがあります。また、使わない道具まで渡すと、万一AIが誤った判断をしたときに起こり得る被害も大きくなります。

Anthropicは、AIと道具の間のやりとりを人とコンピューターの操作画面になぞらえ、道具の説明を、人向けの画面と同じくらい丁寧に設計すること（分かりやすい名前と説明、使い方の例、間違えにくい入力の形）をすすめています。実務では、その業務に必要な道具だけを、できるだけ用途を絞った形で渡すのが基本です。

部品3：記憶 — 手元のメモと、会社の書類棚

AIモデルは、それ自体では会話や作業の内容を覚えておけません。毎回、必要な情報をすべて渡し直してもらって、はじめて続きの作業ができます。そこでAIエージェントでは、図3のように役割の違う「記憶」を組み合わせます。

• 短期の記憶（作業中のメモ）：今の作業の会話や、道具を使った結果などです。AIモデルが一度に読める文章の量には上限があり、これを「コンテキストウィンドウ」と呼びます。作業が長くなると、古い情報から要約したり、はみ出したりします。
• 長期の記憶（会社の書類棚）：顧客の対応履歴、社内のマニュアル、過去の判断の記録など、AIの外に保存しておき、必要なときに検索して取り出す情報です。社内文書を検索してAIに渡す仕組みは「RAG（検索拡張生成）」と呼ばれ、生成AIのしくみ 第7回で詳しく扱っています。
• 手順とルール（手順書）：仕事の進め方や、守るべき決まりです。毎回の作業の最初にAIに渡しておきます。

実務で大事なのは、長期の記憶に何を入れるかが、AIエージェントの仕事の質を左右するという点です。古いマニュアルや、間違った過去の回答が混ざっていると、AIはそれをもとに作業してしまいます。AIエージェントの導入は、社内の情報を整理するよい機会でもあります。

また、記憶には個人情報や機密情報が含まれることも多いため、「どの情報を、どのAIエージェントに見せるか」「いつ消すか」を決めておく必要があります。これは第7回で改めて扱います。

この記事の監修者に相談できます

監修者の田中磨生が代表を務める株式会社Abinで、ご相談をお受けしています。

相談無料ツギノテ編集部に相談する→

MCP：AIとサービスをつなぐ「共通の差し込み口」

ここまでで、AIエージェントが道具を使うには、アプリ側で道具を用意して、AIに説明を渡す必要があると分かりました。では、顧客管理、チャット、ファイル共有、会計など、社内で使っている何十ものサービスを道具としてつなぎたいときはどうすればよいでしょうか。

以前は、AIアプリごと、サービスごとに、個別の接続の仕組みを作る必要がありました。AIアプリが3つ、つなぎたいサービスが10あれば、最大で30通りの接続を作り、それぞれを保守しなければなりません。この問題を解決するために登場したのが、MCP（Model Context Protocol）です。

MCPは、AIアプリと外部のデータや道具をつなぐための共通の取り決め（プロトコル）です。Anthropicが2024年11月25日にオープンな規格として公開し、2025年12月9日には、Linux Foundationのもとに設立されたAgentic AI Foundation（AAIF）に寄贈されました。AAIFはAnthropic・Block・OpenAIが共同で設立し、Google・Microsoft・AWSなども支援しています。特定の1社の仕組みではなく、業界共通の規格として育てていく体制になっていることが分かります。

図4のように、各サービスが「MCPの形式」で道具や情報を公開しておけば、MCPに対応したAIアプリなら、どれからでも同じ方法でつなげます。パソコンの周辺機器が共通の差し込み口の規格によって、どのメーカーのパソコンにもつなげるようになったのと似ています。

MCPの登場人物：ホスト・クライアント・サーバー

MCPの仕様では、つなぐ仕組みを3つの役割で説明しています（2026年11月時点の仕様に基づく）。

• ホスト：利用者が使うAIアプリです。AIチャットのアプリや、AIを組み込んだ業務アプリなどがあたります。
• クライアント：ホストの中にある、サーバーとやりとりする窓口です。つなぐサーバーごとに用意されます。
• サーバー：サービスの機能を、AIが使える形で提供する側です。たとえば「ファイル共有サービス用のMCPサーバー」は、ファイルの検索や読み込みを道具として提供します。

サーバーが提供できるものは、大きく3種類あります。AIが実行できる操作であるツール（例：ファイルを検索する）、AIや利用者が参照するデータであるリソース（例：ファイルの中身）、利用者が呼び出して使う決まった依頼の型であるプロンプト（例：「議事録を要約する」ひな形）です。

ビジネスの立場では、細かな技術を覚える必要はありません。押さえておきたいのは次の2点です。

1. AIエージェントで何ができるかは、「どのサービスのMCPサーバーにつなげるか」で大きく変わる。ツールを選ぶときは、自社が使っているサービスに対応しているかを確認しましょう。
2. つなげるということは、AIにそのサービスへの扉を開けるということ。MCPの仕様自体も、利用者がデータへのアクセスや操作を明確に理解して同意すること、ツールは任意のプログラムの実行にあたるので慎重に扱うこと、ツールを実行する前には利用者の明示的な同意を得ることなどを、安全面の原則として掲げています。信頼できない提供元のサーバーを安易につながない、必要な権限だけを与える、といった判断が欠かせません。

実務ではこう使う：ツールやサービスを評価するときの3つの質問

AIエージェントの製品や、支援会社の提案を評価するとき、この回の内容から次の3つを質問してみると、中身が見えやすくなります。

1. 「どの道具（ツール）を使わせる設計ですか？」：使える道具の一覧と、それぞれの権限（読むだけか、書き込みもできるか）を確認します。説明があいまいな場合は注意が必要です。
2. 「記憶には何を入れ、どこに保存されますか？」：社内の文書や顧客情報をどこまで読ませるのか、保存先はどこで、誰が見られるのかを確認します。
3. 「実行の前に止められるところはどこですか？」：アプリ側でどの操作に承認をはさめるか、操作の記録が残るかを確認します。

AIを組み込んだツールは日々増えています。法人向けの生成AIツールを比べたい場合は法人向け生成AIツールおすすめ比較、社内の情報を検索できる仕組みを整えたい場合はエンタープライズサーチおすすめ比較も参考になります。

この回のまとめ

• AIエージェントは、中心のAIモデルと、指示・計画・ツール・記憶といったまわりの部品の組み合わせでできている
• 計画は一手ごとに作り直される。目標・完了条件・禁止事項・繰り返しの上限を決めて安定させる
• ツール呼び出しは「AIが依頼→アプリが実行→結果を返す」の往復。実行の関所はアプリ側に置ける
• 記憶は短期（作業中のメモ）・長期（書類棚）・手順とルールの3種類。長期の記憶の質が仕事の質を左右する
• MCPはAIアプリとサービスをつなぐ共通の規格。つなぐことは扉を開けることなので、提供元と権限を慎重に選ぶ

確認テスト

次回予告

第3回は「自動化に向く業務・向かない業務」です。AIエージェントの仕組みが分かったところで、いよいよ自社の業務に目を向けます。頻度、ルールの明確さ、間違えたときの影響、データの準備という4つの物差しで、どの業務から自動化すべきかを見分ける方法を学びます。

参考資料

• Anthropic「Introducing the Model Context Protocol」（2024年11月25日） https://www.anthropic.com/news/model-context-protocol （確認日：2026年11月12日）
• Model Context Protocol「Specification（2025-11-25）」 https://modelcontextprotocol.io/specification/2025-11-25 （確認日：2026年11月12日）
• Model Context Protocol Blog「MCP joins the Agentic AI Foundation」（2025年12月9日） https://blog.modelcontextprotocol.io/posts/2025-12-09-mcp-joins-agentic-ai-foundation/ （確認日：2026年11月12日）
• Anthropic「Building effective agents」（2024年12月19日） https://www.anthropic.com/research/building-effective-agents （確認日：2026年11月12日）
• Claude Platform Docs「How tool use works」 https://platform.claude.com/docs/en/agents-and-tools/tool-use/how-tool-use-works （確認日：2026年11月12日）
• OpenAI「Function calling」 https://developers.openai.com/api/docs/guides/function-calling （確認日：2026年11月12日）