AIエージェント用語集
MCP、LLM、RAG、Multi-agent Orchestration… AIエージェント関連の専門用語を、企画・DX担当の方が社内会話や提案資料で使えるレベルで、やさしく解説します。検索・カテゴリ絞り込みで、必要な用語にすぐ辿りつけます。
🤖エージェント基礎
BASICAIエージェントAI Agent
人の指示を受けて、自分で判断しながら複数のステップを実行するAI。チャットボットが「会話に答える」のに対し、エージェントは「タスクをやり遂げる」点が違う。
業務目線：「メール下書きを作って、添付ファイルも揃えて、送信は人に確認」までを1人のAIに任せる、というイメージ。
マルチエージェント・オーケストレーションMulti-agent Orchestration
複数のAIエージェントをチームのように連携させて、1つの仕事を仕上げる方式。「リーダーが指示を出し、メンバーが手分けして並行作業」というイメージ。
業務目線：営業エージェントが顧客リサーチを担当、別エージェントが提案書ドラフト作成…という分業設計が現実的に。
ツール利用／関数呼出Function Calling / Tool Use
AIが必要に応じて外部のサービスや関数を呼び出す仕組み。AIが「天気を調べたい」と判断したら天気APIを叩く、といった動き方ができる。
業務目線：これがあるから、AIエージェントは「会話するだけ」を超えて「実務を動かす」存在になれる。
自律型エージェントAutonomous Agent
都度の指示なしに、目標達成までを自分で計画・実行できるエージェント。途中で躓いたら自分で方針を変えながら進む。
業務目線：「権限委譲の度合い」をどこまで認めるか、社内で合意を取る議論が前提になる。
🔗接続・統合
CONNECTMCPModel Context Protocol
AnthropicがOSS化した、AIと外部システムを繋ぐ共通の作法。「どのAIでも、どのSaaS・クラウドとも、同じ繋ぎ方で話せる」状態を目指す業界標準。
業務目線：SaaS選定時、「MCP対応」を採点項目に追加しておくと、将来AIエージェント時代の選択肢が広がる。
SDKSoftware Development Kit
あるサービスや仕組みを使うための「開発者向け道具一式」。たとえばClaude Agent SDKがあると、エンジニアはClaudeを組み込んだ独自エージェントを作りやすい。
業務目線：「SDKがある＝使いこなしのハードルが低い」と覚えておくと、技術選定の話に入っていきやすい。
APIApplication Programming Interface
サービス同士が機械的にやりとりするための「窓口」。AIサービスを社内システムから呼び出すときの入り口になる。
業務目線：「APIで繋ぐ」とは「人間が画面操作するのではなく、自社の仕組みから直接サービスを呼ぶ」こと。
WebhookWebhook
あるサービスで「何かが起きたとき」に、別のサービスへ自動で通知が飛ぶ仕組み。「注文が入ったらSlackに通知」のような連携で使われる。
業務目線：エージェントの「きっかけ」になることが多い。Webhookで起動して、エージェントが処理開始、というパターン。
IAM・権限管理Identity and Access Management
誰がどのデータを見られるか・操作できるかを定める権限の仕組み。AIエージェント時代には、これがそのまま「AIに渡せる視野」になる。
業務目線：エージェント導入の前に「現状のIAM設計が雑じゃないか」を見直すと、後の議論がスムーズ。
🧠モデル・推論
MODELLLM／大規模言語モデルLarge Language Model
大量の文章を学習して、人間のように言葉を扱えるようになったAIの中身そのもの。ChatGPTやClaudeの「脳」にあたる部分。
業務目線：LLMは「賢さ」の源泉。エージェントはLLMを「脳」、MCPを「手足」として使う、と整理するとわかりやすい。
基盤モデルFoundation Model
幅広い用途に使える大規模なAIモデルの総称。LLMは基盤モデルの一種。GPT・Claude・Geminiなどが代表例。
業務目線：「どのモデルを採用するか」は、3〜5年の技術選定。SDK選びと並んで、長期目線で決めたい論点。
推論／インファレンスInference
学習済みのAIが、実際に答えたり作業したりする処理のこと。AIを動かすたびに発生し、回数が増えるほど計算コストもかかる。
業務目線：並列実行の規模が大きくなると、推論コストが社内予算の議論にあがってくる。
トークンToken
AIが文章を処理するときの最小単位。だいたい単語や文字の塊に相当。AIの利用料金はこのトークン量で決まることが多い。
業務目線：「AIのコスト＝トークン量」と覚えておくと、ベンダー比較で「単価×想定使用量」の試算がしやすい。
コンテキストウィンドウContext Window
AIが一度に覚えていられる情報量の枠。会話や資料が長くなると枠からあふれ、最初の指示を忘れることがある。
業務目線：長い議事録や大量のFAQをそのまま読ませる業務では、コンテキスト容量がそのまま実用性を左右する。
プロンプトエンジニアリングPrompt Engineering
AIへの指示文（プロンプト）を工夫して、望む結果を引き出す技術。同じAIでも、聞き方次第で精度が大きく変わる。
業務目線：社内のAI活用が進むと、「プロンプトの社内ライブラリ化」が品質と効率の両面で効いてくる。
思考の連鎖Chain-of-Thought
AIに「段階的に考えてから答えて」と促す手法。一気に結論を出させるより、論理ミスが減りやすい。
業務目線：計算や検証が必要な業務（数字の整合・契約条件の照合等）で、回答品質が安定する。
ReAct（リアクト）ReAct (Reasoning + Acting)
AIが「考える」と「行動する（ツールを使う）」を交互に繰り返す方式。エージェントの基本的な動き方の1つ。
業務目線：「AIが何を考えて、なぜそのツールを呼んだのか」のログが残るので、内部監査や改善議論で重宝する。
💾データ・記憶
DATARAG（ラグ）Retrieval-Augmented Generation
質問に応じて社内DBやドキュメントを検索してから、その情報を参照しながらAIが回答する仕組み。社内ナレッジ活用の定番アプローチ。
業務目線：「社内マニュアルAI化」「FAQ自動応答」の多くはRAG。MCPと混ざりやすいが、RAGは「データの読み方」、MCPは「ツールの繋ぎ方」と整理。
埋め込み／ベクトル化Embedding
文章や画像を数値の列（ベクトル）に変換すること。意味が近いもの同士は数値も近くなり、検索や分類に使える。RAGの心臓部。
業務目線：「キーワード一致」では拾えなかった「意味が近い文章」を見つけられる。社内検索の精度が一段あがる。
ベクトルデータベースVector Database
Embeddingで作ったベクトルを大量に保管し、素早く検索できる専用DB。Pinecone、Weaviate、pgvector等。RAGの土台。
業務目線：RAGを内製する際、最初に選定する「ストレージ基盤」。クラウド版か自社ホスト版かで議論が分かれる。
ファインチューニングFine-tuning
すでに学習済みのAIに、自社固有のデータを追加学習させて、ドメイン特化させること。RAGとは違い、AI自体を書き換える方向。
業務目線：「RAGで足りるか、ファインチューニングまで必要か」は、コスト・運用面で大きな分岐点になる。
🎯評価・運用
OPSLLM-as-a-JudgeLLM-as-a-Judge
別のLLMが「採点者」になって、他のAIの出力を評価する仕組み。人手では追いつかない量の品質チェックに使われる。
業務目線：「マーケコピーがブランドトーンに合っているか」「契約書の必要条項が揃っているか」などを自動チェックできる。
Outcomes（アウトカム）Outcomes
Anthropicが導入した、採点エージェントが出力を評価して再実行する機能。PowerPoint生成タスクで品質が10.1%向上したと報告された。
業務目線：資料作成・カスタマー応答など「もう一人チェック役が欲しい」業務に効く。LLM-as-a-Judgeの製品実装版。
Dreaming（ドリーミング）Dreaming
Anthropic独自の機能。エージェントがアイドル時間に過去のセッションを振り返ってメモリを更新する。「夢を見るように自己改善」する仕組み。
業務目線：「使うほど自分の業務に馴染んでくる」エージェントが現実に。ただし「育てる側の責任」も議論に上がる。
PoC（概念実証）Proof of Concept
本格導入の前に、小さく試して有用性を確かめる段階。AIエージェント導入では、まずPoCで限定業務にあてるのが定石。
業務目線：「読み取りだけ」の業務からPoCを始めると、社内合意を取りつけやすい。
GA（一般提供）General Availability
ベータ版や限定提供を経て、誰でも本番利用できる状態になったこと。「AWS MCP Server GA」のように、製品の安定度を示す指標。
業務目線：「GAになった＝企業利用OKの公式サイン」と覚えておくと、社内決裁の議論で使いやすい。
該当する用語が見つかりませんでした。
別のキーワードでお試しください。