AIエージェントとは？
Chatbot・Workflowとの違い｜Agent設計の基本

AIが「答える」だけでなく、仕事を進めるようになってきました。

Claude CodeやCodex、AntigravityのようなCoding Agentでは、AIに目的を伝えると、コードを読み、ファイルを変更し、必要に応じてコマンドを実行し、結果を確認しながら作業を進めます。

こうした仕組みを理解するうえで、避けて通れなくなっている言葉がAIエージェント（AI Agent）です。

ただし、「AIエージェント」という言葉はかなり広く使われています。

ChatGPTのようなChatbotもAgentなのでしょうか。

決められた手順をAIで自動化するWorkflowとは何が違うのでしょうか。

Claude CodeやCodexのようなCoding AgentだけがAgentなのでしょうか。

最初に結論から整理します。

1. AIエージェントとは何か

OpenAIはAgentを、ユーザーに代わってタスクを遂行するシステムとして説明しています。

単にLLMへ質問して文章を生成するだけではなく、

• 今の状況を確認する
• 次に必要な行動を判断する
• Toolを選ぶ
• Toolの結果を確認する
• 必要なら別の方法を試す
• 終了条件を判断する

といった一連の処理を進めます。

OpenAIは、LLMがワークフロー実行を管理し、現在の状態に応じてToolを動的に選択することをAgentの主要な特徴として挙げています。

たとえば「このリポジトリのエラーを修正して」とCoding Agentへ頼んだとします。

単純なChatbotなら、

「このコードをこう直してください」

と回答して終わるかもしれません。

Agentの場合は、

目的を理解する
↓
リポジトリを見る
↓
関連ファイルを探す
↓
原因を推測する
↓
コードを変更する
↓
テストする
↓
失敗したら原因を再確認する
↓
修正する
↓
完了を報告する

という複数ステップを進められます。

ここではLLMが「文章生成装置」ではなく、

仕事を進めるための判断装置

として使われています。

2. ChatbotとAIエージェントは何が違う？

最も分かりやすい違いは、

Chatbotは会話が中心、Agentはタスク遂行が中心

という点です。

従来型のChatbotでは、

人間
↓
質問
↓
AI
↓
回答
↓
人間が次の質問

という流れが中心です。

AIが回答した後、「次に何をするか」は基本的に人間が決めます。

一方Agentでは、

人間
↓
Goal
↓
Agent
↓
判断
↓
行動
↓
結果確認
↓
次の判断
↓
行動
↓
完了

となります。

人間は毎ステップを細かく指示するのではなく、

目的と制約を渡す

側へ移ります。

OpenAIのWorkspace Agentsも、Toolや外部システムを利用しながら、チーム内で繰り返す業務をAgentとして実行する仕組みとして提供されています。

ただし、

ChatbotだからAgentではない

と単純に分けることもできません。

Chat画面を入口として、その裏側でAgentが複数ステップの処理を行うシステムもあります。

つまり、

Chatbotは「インターフェース」

Agentは「仕事を進める仕組み」

として考えると分かりやすくなります。

3. WorkflowとAgentは何が違う？

ここはAIエージェントを理解するうえで最も重要なポイントです。

Workflowでは、仕事の進め方を人間側が比較的あらかじめ決めています。

たとえば、

問い合わせを受け取る
↓
カテゴリー分類
↓
データベース検索
↓
回答生成
↓
メール送信

という処理です。

途中でAIを使っていても、

「次にどの処理へ進むか」

という大枠はシステム側で設計されています。

一方Agentでは、

次に何をすべきかという判断の一部をモデルへ委任します。

Anthropicは、Workflowを「LLMやToolがあらかじめ定められたコードパスによって制御されるシステム」、Agentを「LLMが自身の処理やTool利用を動的に指揮するシステム」と区別しています。

たとえば調査タスクなら、

Workflow：

Google検索
↓
上位5ページ取得
↓
要約
↓
レポート生成

Agent：

目的を理解
↓
検索
↓
情報が十分か判断
├ 十分 → レポート作成
└ 不十分
      ↓
   別の検索語を考える
      ↓
   再検索
      ↓
   必要なら別資料を探す

となります。

Agentでは、

状況によって処理経路が変わります。

4. Agentの方がWorkflowより高度なのか？

必ずしもそうではありません。

むしろ、

決まった手順で解ける仕事なら、Workflowの方が適している

ことも多くあります。

Workflowは、

• 動作を予測しやすい
• テストしやすい
• コストを管理しやすい
• 再現性を確保しやすい

というメリットがあります。

Agentは柔軟ですが、

• 処理時間
• APIコスト
• Toolの誤選択
• 無駄な試行
• 再現性
• セキュリティ

など、設計すべき項目が増えます。

Anthropicも、Agentic Systemでは複雑さとコストが増えるため、必要な場合だけ複雑性を増やし、可能な限り単純な仕組みを選ぶことを推奨しています。

CORE SPECでは、

Agentを使うこと自体を目的にしない

ことが重要だと考えます。

判断すべきなのは、

その仕事に「状況に応じた判断」が必要か

です。

5. Agentを構成するもの

Agentにはさまざまな実装があります。

すべてのAgentが同じ部品を持つわけではありません。

ただし、現在の主要なAgentシステムを理解するうえでは、次の構造で考えると整理しやすくなります。

人間
 ↓
Goal / Intent
 ↓
Agent
 ├ Instruction
 ├ Model
 ├ State / Context
 ├ Tools
 ├ Environment / Sandbox
 └ Subagents
 ↓
Execution
 ↓
Result / Artifact
 ↓
Evaluation / Logs

これをCORE SPECでは、AIエージェントを理解するためのAgent Stackとして扱います。

重要なのは、Agentが単なるLLMではないことです。

Model

GPT、Claude、Gemini、ローカルLLMなど。

推論・判断を担う部分です。

ただし、

強いModel＝強いAgent

とは限りません。

Agentの能力はModelだけでなく、Tool、Context、実行環境、権限、評価方法などにも大きく左右されます。

Instruction

Agentへ、

• 何をするのか
• どこまで行うのか
• 何をしてはいけないのか
• いつ人間へ確認するのか

を伝えるルールです。

Google ADKでも、InstructionにはAgentの役割だけでなく、いつ他のAgentやToolへ委任するか、どのように応答するかを記述できます。

Tool

検索、API、データベース、ファイル、コード実行など、Agentが外の世界へアクセスするための能力です。

ここには、

• Function Calling
• MCP
• Built-in Tools

などがあります。

詳しくは、「AIエージェントのToolとは？Function Calling・MCPとの違い」で整理します。

State / Context

Agentが、

「今どこまで仕事を進めたのか」

を把握するための情報です。

長い仕事になるほど、

• 会話履歴
• Toolの結果
• 作業状況
• 過去の判断

などをどう扱うかが重要になります。

詳しくは、「AIエージェントに『状態』はなぜ必要？Session・Context・Memoryの違い」で扱います。

Environment / Sandbox

Agentがコードやファイルを扱う場合、

どこで実行するか

も重要になります。

Google Cloudでは、ADK Agentから利用できるAgent Runtime Code Execution Toolが提供されており、AI生成コードをSandbox環境で実行できます。

ただしSandboxがあるから絶対安全というわけではありません。

何を実行できるか。

どこへアクセスできるか。

どの権限を与えるか。

という設計が必要です。

詳しくは、「AIエージェントのSandboxとは？コード実行・ファイル・権限の安全設計」で扱います。

Subagent

一つのAgentですべて処理するのではなく、

複数のAgentへ役割を分ける構成もあります。

ただし、

Multi-Agentの方が高度

という意味ではありません。

仕事を独立して分割できる場合には有効ですが、Agent間の調整や状態共有など新たな複雑さも生まれます。

詳しくは、「Single AgentとMulti-Agentの違い｜いつ複数のAgentに分けるべき？」で扱います。

Evaluation / Logs

Agentが動いたからといって、

期待通り仕事ができたとは限りません。

• 正しいToolを選んだか
• 必要な手順を通ったか
• タスクを完了できたか
• 同じ失敗を繰り返していないか

などを確認する必要があります。

Agentでは最終回答だけでなく、

そこへ至る行動そのもの

を見ることが重要になります。

詳しくは、「AIエージェントはどうテストする？Eval・ログ・再現性・失敗分析の基本」で扱います。

6. Claude Code・Codex・Antigravityは何なのか

ここまで整理すると、

Claude Code、Codex、Antigravityの位置づけも分かりやすくなります。

これらは単なるLLMではありません。

モデルに加えて、

• ファイルアクセス
• コード編集
• コマンド実行
• Tool利用
• 状態管理
• 実行環境

などを組み合わせ、

ソフトウェア開発という仕事を進められるように設計されたCoding Agent / Agent環境

として考えられます。

Googleでは、ADKを基盤とするAgents CLIを通じて、Antigravity、Claude Code、CursorなどのCoding Agent環境から、Agentの構築・評価・デプロイを進められる仕組みも提供されています。

大切なのは、

Claude Codeを覚えること

Codexを覚えること

Antigravityを覚えること

だけではありません。

その裏側にある、

Agent / Tool / State / Environment / Eval

という構造を理解することです。

製品が変わっても、この構造は残ります。

7. Agentはクラウドで動くものなのか？

必ずしもそうではありません。

Agentシステム全体は、利用するModel・Tool・実行環境の対応状況に応じて、

• Cloud
• Local
• Hybrid

の構成を選べます。

たとえば、

モデルはクラウド

+

Toolやファイルはローカル

という構成も可能です。

逆にローカルLLMをモデルとして使い、Agent全体を自分のPCやサーバー側へ置く構成も考えられます。

ここでは詳しく扱いません。

実行場所の判断については、「AIエージェントはローカルで動かすべき？クラウドAgentとの違いと使い分け」で整理します。

8. では、AIエージェントはいつ必要なのか？

すべてのAI処理をAgentにする必要はありません。

一つの判断基準は、

途中の状況によって、次にやることを変える必要があるか

です。

Agentを使わなくてもよい例

「この文章を300文字に要約する」

「CSVの列名を変換する」

「決められた入力を決められたAPIへ送る」

こうした処理は、単発LLMやWorkflowの方がシンプルです。

Agentが向いている可能性がある例

「このエラーの原因を調べ、必要ならコードを修正し、テストが通るまで対応する」

「複数の資料を調査し、情報が足りなければ追加調査したうえでレポートを作る」

「問い合わせ内容を確認し、必要な情報をシステムから探し、状況に応じて処理する」

こうした仕事では、

途中の結果によって次の行動が変わります。

Agentを検討する意味があります。

9. Agent設計とは「AIに全部任せること」ではない

Agentという言葉から、

「AIが人間の代わりに完全自律で仕事をする」

というイメージを持つかもしれません。

しかし実際のAgent設計で重要なのは、

どこまでAIに判断させるのか

です。

たとえば、

Agentが判断
↓
Toolを実行
↓
結果を確認
↓
危険性が低ければ継続
↓
重要操作だけ人間へ確認

という設計もできます。

AIへすべてを任せる必要はありません。

むしろ、

• 何をAIへ任せるか
• 何をWorkflowとして固定するか
• 何をToolとして許可するか
• 何をSandbox内だけで実行するか
• どこで人間が確認するか
• どう評価するか

を決めることがAgent設計です。

10. AIを「使う」から、仕事を「設計する」へ

これまで生成AI学習では、

• Prompt
• Python
• API
• RAG
• Claude Code
• Codex
• MCP

など、個別の技術を学ぶことが中心でした。

Agentという視点を持つと、それらの位置関係が見えてきます。

Model
↓
Agent
↓
Tool
↓
State
↓
Environment
↓
Execution
↓
Evaluation

PythonはAgentを実装する手段として、APIやMCPはModel・Tool・外部Systemを接続する手段として、Agentというシステムの中で位置づけ直せます。

AIエージェント時代に重要になるのは、

新しいツールを一つずつ覚え続けることだけではありません。

目的に応じて、AI・Tool・データ・実行環境・人間の役割をどう配置するか。

そこを考えられることです。

Agent設計とは、AIへ仕事を丸投げする技術ではありません。

仕事そのものを、AIと人間へどう分解するかを設計する技術

だと考えると分かりやすくなります。