AIエージェントワークフロー設計

AIエージェントを「便利な補助ツール」から「業務プロセスの一部」へ移行させるための設計手法。まつにぃ(2026-05-20) の Design Note シリーズで体系化された。

核心テーゼ

AI導入ではなく、業務設計が成果を決める。

AIの性能そのものより、「業務をAIが処理できる単位に分解し、参照すべき情報・判断基準・確認条件・評価方法を設計すること」が難しく、かつ重要。


1. タスク分解の原則

大きな指示を小さな処理単位に分解しないまま AI に任せると、参照根拠も分類理由も確認タイミングも分からず、業務で継続的に使えなくなる。

6処理分解モデル(タスク整理の例)

#処理内容
01抽出担当者として明示された依頼事項を抽出
02分類返信必要 / 期限あり / 確認のみ に分類
03登録Inbox に登録、即時実行 vs 前提整理に分岐
04判定別エージェントが実行条件を確認
05下書き返信下書き / 日程候補 / 仮予定登録
06通知処理完了後に Slack / Notion へ通知

即時実行 vs バックログ

  • 即時実行: 実行条件が揃ったもの(返信下書き・日程候補・資料確認・軽微修正)
  • 前提整理が必要: 関係者調整・前提情報不足・仕様未確定のもの → タグ付きバックログへ

2. スキル設計の7要素

スキルとは単なるプロンプトではなく、業務上の判断を AI が処理できる形に明文化したもの

#要素問い
01参照どの情報を参照するのか
02信頼どの情報を信頼してよいのか
03仮説どの情報は仮説として扱うのか
04自動どの条件なら自動処理してよいのか
05確認どの条件なら人間の確認が必要か
06成果どの形式で成果物を作成するのか
07評価作成後に何を基準に評価するか

3. スキルの作り方(鉄板パターン)

まず一緒にやって、Skillにする。Skillはいきなり書かない。

  1. 並走する — 自分が手を動かしながら、エージェントに横でやらせる。判断ポイントや参照先をその場で見せる
  2. 型を抜き出す — 一度回し終えたら、何を見て / どう判断したかを言語化。会話履歴がそのまま素材になる
  3. Skillに固定 — 「じゃあこれをSkillにして」で型を固定

このパターンは Claude Code Skills の作成においても有効な発想と共通している。


4. 情報の状態管理

確定情報 vs 未確定情報

種別扱い
確定情報売上実績・契約情報・請求金額・納期事実として参照
未確定情報営業所感・検討中の提案・未承認施策案仮説として扱う

AIの実務品質は、社内情報の整理と判断基準の明文化で決まる。

ドキュメントメタデータの8要素

状態(確定/仮説/ドラフト/承認済)/ 時点 / 作成者 / 承認者 / プロジェクト / 使用工程 / 公開範囲 / 有効期限


5. ツールルーティング(4種の使い分け)

探索・検証     → Copilot CoWork
フロー設計     → Copilot Studio
固定処理       → Power Automate
判定・形式確認 → Script / Rule

詳細は Copilot Studio を参照。


6. 運用改善(評価・ログ・コスト)

評価の6観点

  1. 正しい情報を根拠にしているか
  2. 古い / 未承認の情報を参照していないか
  3. 担当者と期限を正しく抽出できているか
  4. 承認が必要な処理を自動実行していないか
  5. そのまま確認できる品質になっているか
  6. コストが削減時間や成果に見合うか

モデルコストの階層化

  • 高負荷な判断・文章生成 → 上位モデル
  • 定型処理・形式チェック → 軽量モデル
  • Skill単位でモデルを指定できるよう設計する

Hooks による自動検証

Claude Code Hooks のような仕組みで、AI処理完了タイミングにログ記録・形式チェック・追加検証を自動実行する。プロンプト挿入時に「該当するSkillがあれば、それで実行してね」を自動挿入 すると Skill 実行率が向上する。


HITL(Human-in-the-Loop)の原則

不可逆な操作(メール送信・Teams投稿など)の手前で必ず停止し、リスクレベルを提示して人間の承認を求める。このパターンを Copilot Studio では実行フローに組み込める。


関連ページ