AIエージェントは、現代の生成AIの文脈において、大規模言語モデルを中心に構築されたシステムであり、一連のステップを計画し、外部のツール使用を通じて行動を起こし、その行動の結果を観察し、目標に向かって反復することができる。これは、単に一つのプロンプトに対して一つの応答を生成するだけではない。エージェントを単純なチャットボットから区別する決定的な特徴はループである。モデルの出力は必ずしもユーザーに表示される最終回答ではなく、次に何をするかの決定であり、それが実行され、モデルのコンテキストウィンドウにフィードバックされ、次のステップを決定するために使用され、タスクが完了するか制限に達するまで継続される。
この用語は大規模言語モデルより前から存在し、人工知能やロボティクスにおいて、環境を知覚して行動する任意のシステムを記述するために長く使用されてきた。これには単純なルールベースのエージェントや、強化学習エージェント（AlphaGoなど）が含まれる。現在の用法は、ツールを呼び出し複数ステップのタスクを追求するLLMベースのシステムに特化しており、AutoGPTなどの初期の実験に続いて2023年以降に広まり、2024年から2025年にかけてモデルがツール呼び出しの選択と順序付けを確実に行えるようになるにつれて急速に加速した。この期間は、業界の解説で広く「エージェンティック」な波として、より広範なAIブームの一部と評された。
構成要素
典型的なエージェントは、いくつかの要素を組み合わせる。推論と意思決定を行う基盤となる言語モデル、コードインタープリタやウェブ検索機能、APIなど、構造化されたツール呼び出しを通じて呼び出せる一連のツール、タスクでこれまでに起こったことを追跡するメモリまたは状態メカニズム（多くの場合、単に蓄積されたコンテキストだが、長いタスクのために外部ストレージを追加するシステムもある）、そしてタスクが完了したか、人間の入力を求めるべきかを判断する制御ループである。多くのエージェントフレームワークは検索拡張生成も組み込んでおり、エージェントがタスクの途中で関連文書を検索できるようにしている。また、一部はコンピュータ使用をサポートし、専用APIではなくグラフィカルインターフェース（ウェブブラウザなど）を直接操作できるようにしている。
標準化
エージェントが接続する可能性のあるツールの数が増えるにつれ、各ツールを各モデルにカスタム統合コードで接続することはスケーリングの問題となった。Anthropicは2024年11月にモデルコンテキストプロトコルを、言語モデルを外部ツールやデータソースに統一的に接続するためのオープン標準として導入し、2025年にかけて競合他社の研究所を含む業界全体で広く採用され、エージェンティックなツール使用のための共通インターフェース層となった。
応用
エージェンティックシステムは、ソフトウェア工学に応用されており、GitHub Copilot、Cursor、Claude Codeなどのツールが、単一ターンのコード補完から、コードベースを読み、テストを実行し、複数ファイルの編集を自律的に行えるエージェントへと進化した。研究や情報収集では、エージェントが一連の検索を発行し、結果を統合する。ブラウザやコンピュータの自動化では、エージェントが人間のユーザーのようにソフトウェアを操作する。SWE-benchなどのベンチマークは、単一のコードスニペットではなく、ファイル編集とテスト実行の一連のエンドツーエンドのシーケンスを必要とするため、エージェンティックなコーディング性能を測定するために特に採用された。
信頼性と批判
エージェントの信頼性は依然として中心的な未解決問題である。長いタスクチェーンの初期の小さなエラーが複合的に悪化し、ツール呼び出しが失敗したり誤用されたり、エージェントがエラーが明らかになるまで多くのステップにわたってもっともらしいが誤った計画を追求したりすることがあり、これは「エージェントドリフト」と呼ばれることもある。信頼できない入力や敵対的な入力にエージェントが作用することへの懸念から、プロンプトインジェクションはエージェンティックシステムに特有の重要な安全性問題となっている。実際のツールやデータにアクセスできるエージェントは、原理的には望ましくないテキストを生成するだけでなく、有害な現実世界の行動を取るように操作され得るためであり、これは単純なチャットボットには直接の類似物がないリスクカテゴリである。