最近、次のような悩みを聞くことが増えています。
- 個人ではChatGPTを使っているが、会社全体では活用できていない
- 社員がそれぞれバラバラにAIを使っており、組織として活用できていない
- 会社でAIを自由に使わせていたら、気づいたときには高額な請求になっていた
- AIに会社の理念や業務ルール、ナレッジをどう理解させればよいかわからない
- AIエージェントを試したものの、PoCで終わってしまう
このように、多くの企業でAIの導入は進んでいるものの、その活用は個人レベルに留まっており、AIを組織全体で活用する仕組みを構築できている企業はまだ少ないのが現状です。
AIエージェントの真の価値は、個人の作業を支援することではなく、組織全体で継続的に仮説検証を行い、組織の適応力と学習能力を高めることにあります。
そこで、ここでは、AI・AIエージェントを組織的に活用することで組織はどのように変革されるのか、そして、そのためにどのような仕組みを整備する必要があるのかを、次の観点で説明します。
- AIエージェントを組織的に活用するための３つのステップ
- AIエージェントが組織の一員として活動できる環境を整える
- AIエージェントによる自律的な仮説検証で組織の適応力を高める
- ナレッジマネジメントにより組織が継続的に学習・進化する仕組みを構築する
- AIエージェントを組織的に活用するためのサービス
- 関連動画
※ここでは、Claude CodeをAIエージェントとして利用した例を示します。
AIエージェントを組織的に活用するための３つのステップ
次の図は、AIエージェントを組織的に活用するための３つのステップの流れを表しています。
AIエージェントを組織で活用するためには、単にChatGPTやAIエージェントを導入するだけでは十分ではありません。
AIエージェントが組織の一員として活動し、自律的に業務を改善し、その成果を組織全体の資産として蓄積・活用できる仕組みを構築することが重要です。
まずSTEP1では、AIエージェントが組織の一員として活動できる環境を整えます。
作業の可視化、データ連携、データマネジメント、ナレッジベースを整備することで、AIエージェントは組織の目的やルール、業務の状況を理解し、安全かつ適切に業務を実行できるようになります。
次にSTEP2では、AIエージェントを組織に組み込み、自律的な仮説検証を実行できる仕組みを構築します。
AIエージェントネイティブな組織を構築し、AIエージェントが目標（BSC）に対する実績を継続的に監視し、制約を発見・分析・改善することで、問題発見から改善までのリードタイムが短縮され、組織の適応力と成功確率が向上します。
そしてSTEP3では、仮説検証で得られた知見を実践ナレッジとして蓄積・共有・再利用するナレッジマネジメントを実践します。
成功や失敗の経験が組織の資産となり、AIエージェントと人が継続的に学習することで、より高度な意思決定や価値創造が可能になります。
その結果、人は定型的な分析や改善作業から解放され、より創造的な活動に集中できるようになります。
この3つのステップを継続的に実践することで、組織は環境変化に適応しながら学習・進化し続ける組織へと変革され、最終的には「一人ひとりが貢献と成長による喜びを得られる組織」を実現し、組織の継続力（挑戦し続ける力）を上げます。
AIエージェントが組織の一員として活動できる環境を整える
AIエージェントを組織で活用するためには、まずAIエージェントが組織を理解し、安全かつ適切に業務を実行できる環境を整える必要があります。
人間が新しい会社に入社したときと同様に、AIエージェントも「何をすればよいのか」「どのようなルールで仕事をすればよいのか」「どのような情報を利用できるのか」を理解しなければ、自律的に活動することはできません。
そのため、このステップでは次の4つの仕組みを整備します。
作業の可視化
AIエージェントを組織で活用するためには、人とAIエージェントのすべての作業を記録・共有・評価できるようにする必要があります。
なぜなら、作業の記録とその評価結果は、AIエージェントが組織の実践を理解し、推論や改善提案を行うための重要な材料になるからです。
これにより、AIエージェントは
- 誰が
- いつ
- 何を
- なぜ
- どのような結果になったか
を理解できるようになります。
作業の可視化の例
Claude CodeをAIエージェントとして活用してAIエージェントドリブン経営を行う場合、Claude Codeのプロンプトで、作業を指示すると、その作業結果が記録されます。
これは、実際に、myCompany-member（AIエージェントドリブン経営プラットホーム）上で、AIエージェントが行った作業の実績が記録されている例です。
myCompany-memberでは、メンバーが、同じプロジェクトに参加している全てメンバーの作業実績、つまり、
いつ、誰が、何の作業を、どのように実施したか、いつ誰がどのエージェントに何の指示を出したか、
その結果、AIエージェントがどのように作業を実施したかを参照することができるとともに、
その内容を、評価することができます。
他のメンバーがAIエージェントにどのような指示を出し、それに対してAIエージェントがどのような結果を提示したかが可視化されるので、それを参考にAIエージェントに指示することができます。
また、メンバーの作業の結果も他のメンバーからコメント付きで5段階評価されるので、透明で公平な人事考課を実現することができます。
データ連携
AIエージェントを組織で活用するためには、AIエージェントが業務システムのデータを取得・更新できるようにする必要があります。
なぜなら、AIエージェントが業務システムから必要なデータを取得し、その結果を業務システムへ反映できなければ、組織の業務を自律的に実行できないからです。
これにより、AIエージェントは
- ERP
- CRM
- 生産管理
- 販売管理
などの業務システムと連携し、人と同じように業務を実行できるようになります。
データ連携の例
myCompany-manager（ナレッジベース）では、アプリケーション機能のAPIと、その仕様を定義し、
そのアプリケーション機能を、部門のアクションに割当てることで、
AIエージェントが、その部門のアクションを実行する際、そこに割当てられたアプリケーション機能のAPIを自動的に呼び出し、業務システムから必要なデータを取得したり、処理結果を更新したりすることができるようになります。
AIを使ったバイブコーディングが一般的になってきた昨今、これまでSaaSを使って利用してきた販売管理や顧客管理などの業務システムを、自前で作ってAPIをAIエージェントに公開して利用させるというやり方が今後増えてくるのではないでしょうか。
弊社で実施しているアプリケーションサービス導入支援サービスでは、モデルドリブン開発ワークショップを通して比較的低コストでアプリケーション機能のAPIを開発することができます。
データマネジメント
AIエージェントを組織で活用するためには、AIエージェントがデータ構造、品質、セキュリティ要件を理解したうえで成果物を生成できるようにする必要があります。
なぜなら、AIエージェントはデータの構造や品質、セキュリティ要件を理解していなければ、正確で信頼できる成果物を生成できないからです。
これにより、AIエージェントは
- どのデータを利用するか
- データの意味は何か
- そのデータの品質要件は何か
- そのデータの機密レベルは何か
などを理解したうえで、安全で信頼性の高い業務を実行できるようになります。
データマネジメントの例
myCompany-manager（ナレッジベース）では、メンバーやAIエージェントが参照、作成するデータの型（データタイプ）を、セキュリティ要件を含めて定義して、
データタイプに属するデータ項目を、データ品質要件を含めて定義します。
次に、そのデータタイプを、メンバーやAIエージェントが行うタスクに割当てることで、
AIエージェントが、そのタスクを遂行する際、そこに割当てられたデータ項目やデータ要件を考慮して成果物を生成することができるようになります。
ナレッジベース
AIエージェントを組織で活用するためには、AIエージェントが会社の理念、事業戦略、業務ルール（ガイドライン）など、組織のコンテキストを理解して推論できるようにする必要があります。
なぜなら、AIエージェントは組織の理念や戦略、業務ルールを理解して初めて、その組織に適した推論や意思決定支援を行えるからです。
これにより、AIエージェントは単なる質問応答ではなく、
- 経営方針
- 事業戦略
- 業務ルール（ガイドライン）
に沿った意思決定や提案ができるようになります。
ナレッジベースの例
myCompany-manager（ナレッジベース）では、経営理念の定義、ビジネスモデルの設計、事業戦略の策定、ビジネスシステムの構築という観点から企業のナレッジベースを構築することができます。
Claude CodeをAIエージェントとして活用してAIエージェントドリブン経営を行う場合、AIエージェントが作業を実行するとき、myCompany-manager（ナレッジベース）の組織の理念や戦略、業務ルール（ガイドライン）を理解して、その組織に適した推論や意思決定を行うことができるようになります。
AIエージェントによる自律的な仮説検証で組織の適応力を高める
AIエージェントが組織を理解できるようになっただけでは、組織は変わりません。
そこで、このSTEPでは、AIエージェントを組織に組み込み、自律的に仮説検証を実行することで、組織の適応力を高める仕組みを構築します。
具体的には、AIエージェントネイティブな組織を整備し、AIエージェントが、自律的に、BSCで設定した目標に対する実績のGAPと、その原因を推定し、制約を発見・分析・改善できるような仕組を構築します。
この仕組を構築することで組織には次のような効果が生まれます。
- 組織の適応力が向上する
環境変化や問題の発生に対して、- 問題を早く発見する
- 原因を早く特定する
- 改善を早く実行する
ことができるようになります。
つまり、
変化への対応速度（適応力）が飛躍的に向上します。 - 組織の成功確率が向上する
仮説検証を繰り返すほど、- より良い商品・サービス
- より良い営業方法
- より良い業務プロセス
- より良い経営判断
を見つけられる確率が高くなります。
その結果、- 仮説検証回数が増える
- 成功するまで試行錯誤できる
- 意思決定の精度が向上する
- イノベーションの創出確率が高まる
つまり、
成功するまで挑戦し続けられる組織になります。
そのために、このステップでは次の2つの仕組みを整備します。
AIエージェントネイティブな組織
まず、AIエージェントを組織の一員として活動できるようにします。
なぜなら、AIエージェントが十分な能力を発揮するためには、人とAIエージェントの役割や責任、権限、協働の方法を組織として設計する必要があるからです。
これにより、AIエージェントは、
- どの業務を担当するのか
- 誰と協働するのか
- どこまで意思決定を行うのか
- どのようなルールで業務を遂行するのか
- どのような成果に責任を持つのか
を理解したうえで、人と協働しながら日常業務や意思決定に参加できるようになります。
その結果、AIエージェントは単なる業務支援ツールではなく、組織の一員として継続的に価値を創出する存在となります。
次の図は、EAのフレームワークであるビジネスストラクチャマトリクスを使って、メンバーやAIエージェントを部門やプロジェクト・プログラムに割り当てている様子を表しています。
メンバーやAIエージェントは、まず、メンバーカテゴリに割り当てて、そのメンバーやAIエージェントを部門に割り当て、最後に、プロジェクト、あるいは、プログラムにアサインします。
この場合、部門は、知識創造企業のハイパーテキスト型組織におけるビジネスシステムレイヤー、プロジェクト、あるいは、プログラムは、プロジェクトチームレイヤーに該当します。
もう少し詳しく説明すると、まず、さまざまな分類基準によってメンバーカテゴリーつまりメンバーを分類するためのセグメントを作ります。
下図のの場合、等級が３等級、職位が部長という分類基準を組み合わせて、３等級・部長というメンバーカテゴリを作っています。
このメンバーカテゴリーにメンバーやAIエージェントを割り当てて、次に、そのメンバーやAIエージェントを、ビジネスの機能である部門に割り当てます。
そして最後に、下図のように、部門のメンバーをプロジェクトやプログラムにアサインします。
プロジェクトやプログラムは、階層構造を構成する様々な部門のメンバーとAIエージェントが、ビジネスの目標に応じて離合集散する組織形体です。
さて、ハイパーテキスト型組織のナレッジベース、ビジネスシステム、プロジェクト・プログラムの関係を図にすると下図ようになります。
人とAIエージェントがナレッジベース、ビジネスシステム、プロジェクト・プログラムを通して協働、共創する組織構造がAIネイティブ時代の組織構造だと考えることができます。
AIエージェントネイティブな組織を構築する例
myCompany-manager（ナレッジベース）では、まず、メンバーカテゴリにメンバーやAIエージェントを割当て、
次に、部門にメンバーやAIエージェントをアサインし、
最後に、プロジェクトやプログラムにメンバーやAIエージェントをアサインします。
これによって、人とAIエージェントがナレッジベース、ビジネスシステム、プロジェクト・プログラムを通して協働、共創する「AIエージェントネイティブな組織」を構築することができます。
仮説検証の自律化
次に、AIエージェントがマネジメント（PDCA）サイクル、特に検証と改善（制約の発見・分析・改善）を自律的に実行できるようにします。
なぜなら、AIエージェントは組織の目標と実績を継続的に比較し、制約を発見・分析・改善することで、組織の成果を継続的に向上させられるからです。
これにより、AIエージェントは、
- 組織の目標（BSC）と実績を継続的に監視する
- 組織の制約を発見する
- 制約の原因を分析する
- 改善案を生成・実行する
- 改善結果を評価し、次の仮説へ反映する
ことができるようになります。
その結果、AIエージェントは仮説検証サイクルを高速かつ継続的に実行し、組織の適応力と成功確率を向上させることができます。
仮説検証の自律化の例
次の図は、AIエージェントが組織の目標と実績を継続的に比較し、制約を発見・分析・改善する流れを表した図です。
この一連のアクションの流れを、下図のように、myCompany-managerのアクションプランとして定義することで、AIエージェントは、そのアクションプランに定義されたアクションを順番に、あるいは、並列に実行します。
さらに、下図のように、アクションプランを構成する各アクションごとにガイドラインの定義することで、AIエージェントは、そのガイドラインに則ってアクションを実行するようになります。
Claude Codeでは、明示的に呼び出したときだけ読み込まれる特定タスク用の手順書としてSkillがありますが、myCompany-managerでは、Skillと同じ位置づけになる手順書を、業務のタスクごとにUIの設定によって定義することができます。
次に、Claude CodeがmyCompany-managerで定義したアクションプランを自律的に実行し、組織の目標と実績を継続的に比較し、制約を発見・分析・改善する流れを示します。
ここでは、スナップショットで説明しますが、次のサイトで、Claude Codeを使ってAIエージェントが自律的に仮説検証サイクルを遂行するDEMO動画を観ることができます。
AIエージェントによるオペレーションの自律化
- リトマス指標の観測
経営管理エージェントがリトマス指標である顧客視点のKP（成果指標）を定期的に監視し、異常があれば、それを検知します。
本DEMOのケース
経営管理エージェントは、MCP経由で、ナレッジベース、myCompany-managerからBSCの目標値と実績値を取得しています。
そして、経営管理エージェントは、リトマス指標である顧客の視点のKPI、顧客満足度と納期順守率に異常があると判断しています。
- BSCの因果分析
経営管理エージェントは、リトマス指標の異常検知を受けてBSCのKPI間の因果関係を分析します。
本DEMOのケース
経営管理エージェントがBSCの因果関係を分析した結果、品質検査設備が10時間停止した結果、製造ラインが滞留し仕掛かりが積み上がり、それが製造リードタイムを悪化させ、結果的に、納期順守率を下げ、顧客満足度の低下を招いたと推論しています。
そして制約を統制すべきビジネスプロセスとして、品質検査タスクを含む「製品の製造」プロセスを特定しています。
さらに、前回のワークフローで実施したセンサーキャリブレーションの効果が設備全体の停止時間の改善に波及していないことを指摘し、今回のワークフローで制約解消に向けたより実効性の高い対策が求められると言及しています。
このように、AIエージェントは過去の実践ナレッジをフィードバックし、それを活かした推論をすることができます。
- 制約制御の指示
経営管理エージェントは、該当するビジネスプロセス名をビジネスプロセス管理エージェント渡し制約制御を指示します。
本DEMOのケース
経営管理エージェントがビジネスプロセス管理エージェントに、品質検査設備の停止時間が悪化していることを挙げ、
前回のセンサーキャリブレーションでは不十分であるとし、より抜本的な設備対策を期待していると記述しています。
- 制約の特定
ビジネスプロセス管理エージェントは、BAMの制約スコアからビジネスプロセスを構成するどの活動（加工、組立、品質検査など）に問題があるか特定し、該当するSoRエージェントに制約の制御を依頼します。
本DEMOのケース
ビジネスプロセス管理エージェントは、MCPを介して、BAM（Business Activity Monitoring）システムのAPIから制約スコアを取得しています。
そして制約スコアの値を分析して、品質検査工程を制約候補工程としています。
さらに、品質検査を担う部門として品質管理部を制約制御担当部門とするとともに、前サイクルの「改善」策（センサーキャリブレーション）では不十分のため、今サイクルは「克服」策（設備交換・二重化）への踏み込みが必要だと判断しています。
- 制約の制御
SoRエージェントは、SoRエージェントが管理するKPI（不良率、MTBF、倉庫稼働率など）からどこに原因（制約）があるか推定し、制約の制御方針（改善、適合、克服）を決め、人と協働して、制約を制御（改善→適合→克服）します。
本DEMOのケース
品質管理エージェントは、MCP経由で、品質管理システムのAPIからKPIの実績データを取得しています。
そして、再検査率およびセンサー異常率に問題があることを確認し、センサー異常率の高止まりが品質検査設備の誤検知・再検査を引き起こし、再検査率の悪化に直結していると推論しています。
そして、制約を克服することを方針とし、
設備交換・センサー更新の緊急発注手配
検査工程の二重化
外部委託の検討
夜勤熟練者確保
などの施策を品質管理責任者に依頼しています。
次に、生産管理エージェントの制約制御の結果を見てみましょう。
生産管理エージェントは、品質検査設備停止時間が最大の制約であること、BSCの因果関係を確認した上で、
外部検査機関への一時的委託
DBR（ドラム・バッファ・ロープ）方式の継続的強化
品質管理部への克服策エスカレーション
経営管理部への緊急エスカレーション
という施策を提示しています。
さらに、実践ナレッジとして
品質検査設備停止時間の根本解消なしには製造リードタイムの改善は見込めない構造であることが3サイクル連続のデータで実証された、
と記録しています。
なお、AIエージェント経営プラットホームでは、人やAIエージェントが行った作業を評価することができます。
最後に、製造管理エージェントの制約制御の結果を見てみましょう。
製造管理エージェントは引き続き制約を克服する方針を立てて、
品質検査設備の設備交換実施判断
設備二重化計画の策定
代替検査フローの即時稼働
TOC制約管理の継続監視体制の設定
をメンバーに依頼しています。
- 制約制御結果の確認
SoRエージェントは、SoRエージェントが管理するKPI（不良率、MTBF、倉庫稼働率など）を確認し、制約が解消されていた場合、アクション7「制約制御結果の報告」を行い、制約が解消されていない場合、アクション5「制約の制御」を再度実行します。
本DEMOのケース
品質管理エージェントは、MCPを介して、品質管理システムのAPIから制約制御後のKPIスコアを取得しています。
そして、KPIスコアの結果から制約が解消されたと判断しています。
しかし、製造管理エージェントと生産管理エージェントは、制約未解消として、再度、制約制御ワークを生成したと報告しています。
- 制約制御結果の報告
SoRエージェントは、ビジネスプロセス管理エージェントにそれを報告します。
本DEMOのケース
品質管理エージェント、生産管理エージェント、製造管理エージェントは、並行して、ビジネスプロセス管理エージェントに、制約制御結果を報告しています。
- 制約制御結果の報告
ビジネスプロセス管理エージェントは、SoRエージェントからの制約制御の報告を受けて、経営管理エージェントに制約の制御結果を報告します。
本DEMOのケース
ビジネスプロセス管理エージェントが、品質管理エージェント、生産管理エージェント、製造管理エージェントの制約制御結果の報告を集約して、経営管理エージェントに報告しています。
ナレッジマネジメントにより組織が継続的に学習・進化する仕組みを構築する
STEP2で、AIエージェントが自律的に仮説検証を繰り返す仕組を構築しました。
しかし、仮説検証を何千回繰り返しても、その経験が組織に蓄積されなければ、毎回ゼロからやり直すことになります。
そこで重要になるのがナレッジマネジメントです。
最後のステップ３では、ナレッジマネジメントにより組織が継続的に学習・進化する仕組みを構築します。
この仕組を構築することで組織には次のような効果が生まれます。
- 実践ナレッジが組織の資産になる
仮説検証を通じて、- 何が成功したか
- なぜ成功したか
- 何が失敗したか
- なぜ失敗したか
が体系的に蓄積されます。
その結果、- 成功・失敗が組織の資産になる
- 同じ失敗を繰り返さない
- ベストプラクティスが共有される
- AIも人も継続的に学習する
つまり、
組織が経験から学び続けるようになります。 - 人の創造力が解放される
AIエージェントが、- KPI監視
- データ分析
- 原因分析
- 改善案の作成
- 実験・検証
を担うことで、人は、
- 新しい価値を考える
- ビジョンを描く
- 顧客と対話する
- 新規事業を構想する
- 組織をリードする
ことに集中できるようになります。
その結果、- 創造的な仕事に時間を使える
- より大きな価値を生み出せる
- 貢献と成長を実感できる
つまり、
AIによって人の創造力が解放されます。
ナレッジマネジメント
最後に、AIエージェントが仮説検証を通じて実践ナレッジを蓄積・共有・再利用し、継続的に推論能力を強化できるようにします。
なぜなら、仮説検証によって得られた実践ナレッジ（何をすると上手くいくのか、何をすると上手くいかないのか）こそが組織の資産であり、その資産をAIエージェントが継続的に学習することで、より高度な推論や意思決定が可能になるからです。
これにより、AIエージェントは、
- 何をすると成功するのか
- なぜ成功したのか
- 何をすると失敗するのか
- なぜ失敗したのか
- どのような条件で成果が変わるのか
を理解したうえで、より精度の高い改善提案や意思決定を行えるようになります。
その結果、実践ナレッジは組織全体で蓄積・共有・再利用され、AIエージェントと人の双方が継続的に学習し、組織全体の推論能力と適応力が向上します。
実践ナレッジを学習した例
プロジェクト固有の知識・制約・手順を記述するCLAUDE.mdで、過去の実践ナレッジを学習する手順をClaude Codeに伝えます。
これによって、Claude Codeは過去の実践ナレッジを学習して推論をするようになります。
次の例は、組織の目標と実績を継続的に比較し、制約を発見・分析・改善する流れの最初にClaude Codeが過去の実践ナレッジを読み込んでいるところです。
また、次の例を見ると、前回のワークフローで実施したセンサーキャリブレーションの効果が設備全体の停止時間の改善に波及していないことを指摘し、今回のワークフローで制約解消に向けたより実効性の高い対策が求められると言及しています。
これは、AIエージェントが過去の実践ナレッジをフィードバックし、それを活かした推論をしていることを示しています。
AIエージェントを組織的に活用するためのサービス
弊社では、企業変革支援サービスの一環として、次のサービスを提供しています。
AIエージェントドリブン経営導入支援サービス
AIエージェントドリブン経営運用支援サービス
