AIエージェントを導入する [ 社内ナレッジ活用編 ] / Implement AI agents

by Akira Maeda

Slide 1

Slide 1 text

AIエージェントを導入する [ 社内ナレッジ活用編 ] 2025年11月05日第34回 BJCC Meetup 株式会社クラウドネイティブ前田章

Slide 2

Slide 2 text

[ 自己公開 ] 前田章 @glidenote 株式会社クラウドネイティブ専門領域 Site Reliability Engineering 認証(authentication) 生成AI その他の活動 memolist.vim 開発者サーバ／インフラエンジニア養成読本 DevOps編共著など

Slide 3

Slide 3 text

[ 筆者と生成AIとの関わり ] 社内向け、社外向け、個人の開発で利用コーティング調査、資料作成など通常業務で利用通常業務情シスコンサルとして、お客様環境への生成AI導入を技術検証支援お客様環境へのAI導入

Slide 4

Slide 4 text

話すこと [ 今日話すこと、話さないこと] 情シスの方向けのAIエージェント、MCPの概要情シス領域でのAIエージェント、MCP活用 2年間の生成AIの導入支援で得られた知見 AIエージェント、MCPの詳細なセキュリティの話情シス領域以外でのAIエージェント、MCP活用開発領域では何周か先行話さないこと

Slide 5

Slide 5 text

[ AIエージェントとは ] ユーザーの代わりに自律的に判断し行動するAIシステム 01 ユーザからの指示に従うだけでなく、状況を理解し、計画を立て、タスクを実行・調整する 02 複数の機能を組み合わせたり、外部ツールと連携したりして、複雑なタスクを遂行できる 03 MCP(後述)との組み合わせ利用されることが多い 04

Slide 6

Slide 6 text

AIエージェントが登場するまで

Slide 7

Slide 7 text

[ AIエージェント登場以前の生成AI活用(2023年頃) ] 1. ユーザーはブラウザでチャットからプロンプトを通じてAIに指示を与える PDFやその他情報も必要に応じてアップロード 2.生成AIから回答が返ってくる 3. チャット画面を通じ、目的の回答が得られるまでやり取りを繰り返す 4. 得られた回答を手作業でファイルなどに反映生成AIが必要な情報はユーザーが手動で用意

Slide 8

Slide 8 text

[ 人間が関わる箇所が多い ] 1.ユーザーが指示、データ提供 2. 生成AIが回答 3. 回答を反映意図した回答を得るまでにやりとりが複数回発生しがち。 (それでも大変便利だった)

Slide 9

Slide 9 text

AIエージェントの登場

Slide 10

Slide 10 text

[ AIエージェントを利用したフロー (2024年後半) ] 1. ユーザーはAIエージェントにタスクを指示 2.AIエージェントが状況を理解し、計画を立て、タスクを実行。完了したらユーザーに通知 AIが自律的に動き、タスクを遂行

Slide 11

Slide 11 text

[ 自律的にタスクを行う ] 1.ユーザーが指示 4. タスクが完了したら通知 2. 外部システムと連携 3. データ書き込みユーザーと生成AIとのやりとりも最小限。 1回の指示でタスクの完遂する One Shotの成功率も高め

Slide 12

Slide 12 text

MCPの登場

Slide 13

Slide 13 text

[ MCP(Model Context Protocol)とは ] 生成AIが外部データやシステムに安全にアクセスするための共通プロトコル 01 2024年11月にClaude開発元のAnthropicが発表 02 生成AIが外部システムとつながるインターフェースを提供。それまでは外部システムとの繋ぎ込みはそれぞれ開発が必要 03 AIエージェントと組み合わせて業務自動化や機能拡張が可能 04

Slide 14

Slide 14 text

[ MCP Serverの代表的なツール ] インターネットから最新の情報を収集し回答に反映させる Web検索データベースなどから情報を取得するデータベース照会外部サービス、社内システムと直接連携しデータ取得、書き込み処理などを行う外部APIの呼び出しコード解析、コンテキスト保存、ドキュメント参照コーディング支援自分たちで開発することも可能なため、公式のもの以外に、オープンソースのものも多数存在

Slide 15

Slide 15 text

[ 当社ブログでMCPのわかりやすい解説があります ] MCPとは何か〜AIエージェントの為の標準プロトコル〜 – CloudNative Inc. BLOGs

Slide 16

Slide 16 text

[ 生成AIと外部システムとの連携を行う] 2. 外部システムと連携 3. データ書き込み MCP MCP

Slide 17

Slide 17 text

[ MCPの登場で何が出来るようになったのか ] AIエージェント自律的に動く MCP 外部システム連携自律的に外部情報やシステムと連携し、タスクを実行できるようになった

Slide 18

Slide 18 text

MCP Host(Client) Claude, Cursorなど [ MCPの動作イメージ ] Box MCP Server Slack MCP Server Notion MCP Server Box Slack Notion

Slide 19

Slide 19 text

[ 複数のサービス、システムと連携ができる ] 画像引用元: https://zhuanlan.zhihu.com/p/29301066811

Slide 20

Slide 20 text

MCP Host Claude, Cursorなど Box MCP Server Slack MCP Server 〇〇〇 MCP Server Box Slack [ AIエージェント + MCPのセキュリティ ] 悪意のあるMCPから情報漏洩や破壊的行為など

Slide 21

Slide 21 text

[ ユースケース1： Notion AI 議事録からAsanaにタスク起票]

Slide 22

Slide 22 text

[ ユースケース2： Box上のファイルを検索してNotionにまとめる ]

Slide 23

Slide 23 text

Box MCP Server (Remote)

Slide 24

Slide 24 text

[ Box MCP Server (Remote) とは ] Box公式のMCP Server。Box環境で動いているのでRemote。 Localで動くBox Community版もありますが今回は割愛 01 生成AIからBox上のコンテンツにアクセスし、コンテンツに関連した操作を実行できるようになる 02 03 AIエージェントにBoxに関連した機能を拡張できる

Slide 25

Slide 25 text

[ Box MCP Server (Remote)で出来ること ] ファイル内容の取得、アップロード、詳細情報の取得ファイル操作フォルダの作成、内容の一覧表示フォルダ操作キーワード検索、フォルダ名検索検索 Box AIを利用し、Box Hubに質問応答、メタデータ抽出、複数ファイル分析 Box AI機能ファイルに関連するすべてのタスクを一覧表示コラボレーション Box Hubから情報取得。2025-11-05 時点で作成系はなし Box Hub管理

Slide 26

Slide 26 text

BoxのAPIを利用して、Box上のコンテンツにアクセスしているどのようにBoxの操作を実現しているのか? Q 利用者の認証情報を使用してBox APIにアクセス。利用者の持っている権限で各種操作が可能実行権限はどのようになっているのか? Q Box管理者側でMCPを許可していないと利用不可。ClaudeなどMCPに対応したソフトから利用が可能 https://ja.developer.box.com/guides/box-mcp/remote/ どうやったら利用できますか? Q Box MCP Server経由した操作は通常の課金対象のBox Platform APIコールとして計上される利用料金はどのようになっている? Q [ Box MCP Serverのあれこれ ]

Slide 27

Slide 27 text

社内ナレッジとRAG

Slide 28

Slide 28 text

[ RAGとは ] Retrieval-Augmented Generation の略 01 社内情報資産と生成AIを接続し、生成AIに質問をして社内情報資産についての回答を得る 02 社内情報資産の活用として情シス領域ではRAG取り組んでいる会社が多い 03

Slide 29

Slide 29 text

[ RAGの構成イメージ ] 画像引用元: https://aconnect.stockmark.co.jp/coevo/rag/

Slide 30

Slide 30 text

[ RAGとGIGO問題 ] Garbage In, Garbage Out (ゴミを入れればゴミしか出てこない) 計算機科学の言葉で1957年から言われている模様(Wikipediaより) RAGを構築すると必ず遭遇する問題生成AIは最先端技術なので、そこはクリアしていると勘違いしがちかつての私もそうでした取得してくる情報が正確でないと回答も精度が上がらない

Slide 31

Slide 31 text

[ Garbage In, Garbage Out ] 整理されていない情報不正確な回答

Slide 32

Slide 32 text

Box MCP Server (Remote) の話に戻ります

Slide 33

Slide 33 text

良い点 [ Box MCP Serverを実際に利用してみて筆者の感想 ] 管理者権限でなく、実行ユーザーの権限で動作する AIエージェントと組み合わせBox操作が自動化できる一番手間のかかる「ファイルを探して、AIエージェントに渡す」を人間がしなくて良いファイル検索など都度Box APIを呼び出し速度が遅い RAGはあらかじめファイルをスキャンしベクトル化しているので動作が早い Box管理者側設定でMCP禁止にしていると利用不可 RAGと同じGIGO問題も抱えているイマイチ

Slide 34

Slide 34 text

AIエージェントを導入するために重要なポイント

Slide 35

Slide 35 text

[ GIGO問題を放置すると ] 1.GIGOを放置 2. 生成AIからまともな回答が返ってこない 3. 誰も使わなくなる 4. 生成AIの導入失敗 GIGOの放置は生成AI導入の失敗につながるケースが多い

Slide 36

Slide 36 text

[ 本資料で一番重要なポイント ] 情報資産の整理が出来ていないと、生成AIはうまく活用できない過去2年間、いろんなお客様のAI導入支援しての得た知見社内情報資産活用の領域において情報の整理は必須とりあえず生成AIを入れれば、いい感じの成果が出るは幻想これは2025年11月時点で最新のLLMを利用しても同じ

Slide 37

Slide 37 text

[ 生成AIが見ていい情報、見たらダメな情報問題 ] AIが見ても良い情報 AIが見たらダメな情報社内規定業務マニュアル公開情報など… 機密情報人事情報顧客情報など… 議事録はどっちになる? 生成AIが回答したらダメなものも対象から除外する NG OK

Slide 38

Slide 38 text

[ 情報整理の難しさ ] 情報整理は大変手間がかかるドキュメントを見て、機密情報、社外秘、公開情報、分類分けは非常に難しく、手間もかかる AIが見てよい情報、AIが見てはダメな情報、重複ファイル、新旧ファイルの混在など分類が多岐にわたる

Slide 39

Slide 39 text

[ 情報整理をどう進めていくか ] 情報整理にAIエージェントを利用する Box MCP ServerはRAG用途では現時点で使い勝手がイマイチだったが、AIエージェントと組み合わせて、情報整理をさせるという目的においては非常に有用小規模のデータから分類を始めていき、徐々に拡大をしていく

Slide 40

Slide 40 text

[ AIエージェントが情報を整理 ] 整理されていない情報整理された情報

Slide 41

Slide 41 text

[ 情報整理の例 ] 漏洩すると深刻な損害が発生する情報レベル4:Restricted/Secret(機密・極秘) レベル3:Confidential(社外秘・秘密) レベル2:Internal(社内限定) レベル1:Public(公開) この分類をAIエージェントにしてもらう。 AIエージェント導入の下準備をAIエージェントが行う。 AIエージェント + Box MCP Serverが担う組織や顧客に営業がある機密情報公開は想定していないが、漏洩しても重大な損害には至らない情報外部に公開しても問題のない情報

Slide 42

Slide 42 text

[ 生成AIが回答に利用する情報を整理する ] 参照する情報回答に利用しない情報レベル4:Restricted/Secret(機密・極秘) レベル3:Confidential(社外秘・秘密) レベル2:Internal(社内限定) レベル1:Public(公開) 回答に利用する情報そのほか重複の排除、古いドキュメントを除外など人間だと工数がかかる作業をAIエージェントに任せる NG OK

Slide 43

Slide 43 text

[ AIエージェントと始める情報整理のステップ ] 目標と現状の把握を明確にする。どのように情報の分類と重要度の評価をするか 1. 準備と計画チーム向け文書など対象範囲を限定し小さく始める 2. 小さく始めるどのように作業、運用をしていくかを策定。 1回で終わりではなく、情報整理は日々の運用が必要 3. 運用ルールの策定 4. 対象範囲の拡大各ステップはAIエージェントに相談しながら作業するのがおすすめ 1-3の対象を少しずつ拡大していく。小さいサイクルを高速に回す

Slide 44

Slide 44 text

[ 整理された情報から正しい回答が得られる] 整理され、参照して良い情報を回答に利用する正しい回答整理されていない、参照不可の情報は回答に利用しない小さく始め、徐々に拡大し、回答の精度を上げていく

Slide 45

Slide 45 text

まとめ

Slide 46

Slide 46 text

[ まとめ ] AIエージェントの登場し、AIが自律的にタスクを行うようになった 01 MCPの登場により、外部システムとの連携が容易になった 02 Boxをはじめとした社内ナレッジと生成AIの活用は情報整理が成功の鍵を握っている 03 情報整理をAIエージェント+MCPに委任し効率化 04 整理された情報をもとにAIエージェントの導入を進めていく 05

Slide 47

Slide 47 text

[ おまけ: 過去2年間の業務で得た生成AI導入のポイント ] いきなり全社展開などはうまくいかない。小規模から展開し、徐々に広げて導入していく 1. 小さく導入する施策に数カ月かけていると、完了したときには別の良いものが登場し、周回遅れになっている可能性が高い。 2. 素早く導入する 1つのツール、サービスに全賭けしない。常に複数のツール、サービスを併用する 3. 複数の選択肢を持つ RAG構築は情報整理が必須。いきなりだと構築難易度も高め 4. RAGは情報整理と必須今回は割愛しましたが、AIエージェント、MCPはセキュリティリスクがあります。リスクを理解し、適切に対処する 5. セキュリティリスクセキュリティの話は別の機会があれば

Slide 48

Slide 48 text

社内ナレッジの活用のために AIエージェントを導入していきましょう

Slide 49

Slide 49 text

ご清聴ありがとうございました。