AI駆動のマルチエージェントによる 業務フロー自動化の設計と実践 2025年7月4日 Algion株式会社 代表取締役CEO 岡本秀明 

Algorithm + Vision = Algion 🧭 Vision（目的・Why） 人々の可能性を最大限に引き出す 🚀 Mission（手段・How） テクノロジーを価値に変え、人々の創造と成長を加速させる 会社名 Algion株式会社 代表者 代表取締役CEO　岡本 秀明 設立日 2025年6月10日 所在地 〒107-0062 東京都港区南青山3-1-36 青山丸竹ビル6F 事業内容 法人向けAIソリューション、AIコンサルティング、SaaSプロダクト 会社概要 2 データとアルゴリズムで人々のビジョンを実現する 

● 法政大学大学院で機械学習 /画像認識を研究、修士号を取得 ○ 在学中にIEEE BigDataに論文を発表 ● 2021年4月〜2023年10月 ソフトバンク株式会社 機械学習エンジニア ○ 高市場価値AI人材に認定されリーダー /係長級に飛び級昇進 ● 2023年11月〜 PayPay株式会社 Senior Software Engineer ○ AIプロダクト、ローカル LLM/RAG、AIエージェントを開発 ● 並行してAlmondoを含む複数のAIスタートアップで 機械学習エンジニア、ソフトウェアエンジニア、 PMとして活動 ● 2025年6月〜 Algion株式会社 代表取締役CEO 自己紹介 3 岡本秀明 Hideaki Okamoto 

1. AI活用の現在地と課題 ○ なぜ今、AIエージェントに投資すべきなのか？ ○ AI活用の最新ラインナップ（モデル・ツール・開発） ○ 段階的なAI活用と各フェーズに潜む課題 2. AIエージェントのデザインパターン ○ 成果を最大化する5つの設計理論 3. Live Demo: LangGraphを活用したSWE-Agentの実装 ○ 簡易ナレッジ検索AIの構築を通じて学ぶAIエージェント開発の基本 4. Algionが提供するAIエージェント導入ロードマップ ○ ビジネス実装への具体的なステップと成功のポイント アジェンダ 4 

エージェントAが計画、 Bが調査、Cがコード。 完璧だ！ えっ... なんで こんなことに？ それ「放し飼い」 マルチエージェントだよ AIツールは「組み合わせ」の時代へ ① ② ③ ④ 5 

1. 市場の常識へ：多くの企業が「導入前提」フェーズに突入 ○ もはや導入検討ではなく、「いかに早く、効果的に導入するか」が焦点 ○ PwCの調査によると、経営層の70%以上がAIエージェントを「ビジネスに不可欠な もの」と認識（PwC’s AI Agent Survey） 2. ROIの証明：実験から「利益創出」のフェーズへ ○ IBMの最新の調査では、導入企業は平均して15%のコスト削減 と12%の収益向 上を実現したと報告（IBM Study: Businesses View AI Agents） ○ AIエージェントは、確実に利益を生み出すための戦略的投資である 3. 技術と市場の成熟：最大の成長カーブを描く絶好の機会 ○ LangChain / AutoGen / CrewAI など多彩なフレームワークが実運用レベルに ○ AIエージェントの市場規模は2032年に1000億ドルを超え、年平均45%で成長する と予測されている（AI Agent Statistics for 2025: Adoption） なぜ今、AIエージェントに投資すべきなのか？ 6 

● OpenAI GPT-o3 「高速・低コストな推論 + 検索の標準機」 ● OpenAI GPT-o3 Pro 「精度優先、待ち時間と引き換えに信頼性を極める」 ● OpenAI GPT-4.5 「表現力と創造性を備えた大型ジェネラティブ」 ● Anthropic Claude 4 Opus 「コードと解析を請け負う職人肌エンジニア」 ● Google Gemini 2.5 Pro 「マルチモーダル × Workspace の万能秘書」 万能モデルなし → 適材適所 × 設計力が勝負 AIモデルの進化と最新ラインナップ（ 2025年7月時点） 7 時期 キーワード 例 2012 - 2017 ディープラーニング CNN / RNN, AlexNet, ResNet 2017 - 2020 Transformer Self-Attention, GPT, BERT 2020 - 2023 生成AI / 基盤モデル LLM, ChatGPT, Stable Diffusion 2023 - 現在 AIエージェント / 推論モデル ReAct, Tool Use, Multi-Agent 

AIツールタイプ別活用法 8 ノーコード拡張型 自律リサーチ型 ワークスペース統合型 外部情報や社内ストレージを 自律クロール → 要約／洞察 市場調査・最新トレンド分析 Drive / GitHub など横断検索 特定業務や部門に合わせて コード不要でカスタマイズ 経費レポート自動集計 カスタマーサポート用 FAQ Mail / Docs / Sheets など 業務アプリケーション連携 メール対応・シート分析 会議要約 → ドキュメント作成 

IDE・CI・CLIまで、開発フロー全体が AI化する時代へ ● 「書く」を効率化 コード補完、関数提案、リファクタリングのAI支援 ● 「直す」を自動化 単体テスト生成、静的解析、PRレビューの自動化 ● 「実行」を迅速化 ビルド、デプロイ、運用スクリプト生成やタスク実行 AI駆動開発の台頭 9 

AI活用を段階的に進化させ、生産性を飛躍的に向上 あなたはどのレベル？段階的な AI活用 AIツール利用 既存のAIツール（ChatGPT、Copilotなど）を そのまま使っている 10 AIエージェント開発 AI同士の組み合わせを定義・設計して 自律的なエージェントとして業務を任せている ④ LLMアプリ開発 APIやモデルを利用して 自社用のLLM搭載アプリを開発 ③ ノーコード拡張 GPTsやGemini Gemsなどを使って プログラムを書かずに業務を自動化 ② ① 

AIツール利用 既存のAIツール（ChatGPT、Copilotなど）を そのまま使っている AIエージェント開発 AI同士の組み合わせを定義・設計して 自律的なエージェントとして業務を任せている ④ LLMアプリ開発 APIやモデルを利用して 自社用のLLM搭載アプリを開発 ③ ノーコード拡張 GPTsやGemini Gemsなどを使って プログラムを書かずに業務を自動化 ② ① あなたはどのレベル？段階的な AI活用 11 いずれも特有の技術的ハードル、アンチパターンが存在 出力が安定せず 再現性を担保できない プラットフォームの制約で 独自のロジックや API連携ができない PoC後に直面する 幻覚・遅延・コストの壁 エージェントの連携不備 無限ループや 意図しない APIコールを誘発 

それ「放し飼い」 マルチエージェントだよ 

AIエージェントのデザインパターン（参考 : Cheat Sheets - by Avi Chawla） 13 パターン ポイント 例 Reflection エージェント自身が回答を自己レビュー →改善を繰り返し精度を上げる エッセイ、コー ドレビュー Tool Use 外部API / DB / Pythonなどのツール呼 び出しで知識・行動範囲を拡張 ナレッジ検索、 計算、DB照会 ReAct Reason + Actを組み合わせ、自己反省 + ツール実行でタスクを前進 Web操作、 データ収集、 ゲーム攻略 Planning 目標達成までのサブタスクを洗い出し、 ロードマップを立案して順序実行 コード生成パ イプライン、長 期タスク Multi-agent 複数エージェントが役割分担し、相互に タスクを委任しながらゴールへ到達 複雑プロジェ クト管理、社 内Q&A 

python run.py "社内文書のFAQチャットボットを構築して" Live Demo: LangGraphを活用した SWE-Agentの実装 14 ログ（node） 何をしているか？ planner 計画: ユーザーの要求を具体的な開発タスクに分解 retriever 情報収集: タスクに必要な情報を検索 developer コード生成 : LLMがコードを生成 reviewer_self 自己レビュー : 書いたコードを自ら改善 reviewer タスクレビュー : 今回はデモ用に自動承認 system タスク管理: 次のタスクに進むか、完了したか判断 

エージェントの役割分担 : ● Planner: ユーザー要求をタスクに分解 ● Retriever: 開発に必要な情報を自律的に検索 ● Developer: 計画と情報に基づきコード生成 ● Reviewer Self: コードの品質をレビュー ● Reviewer: タスクが完了しているかレビュー ポイント: ● LangGraphを用いてエージェント間の連携（ループ や条件分岐）を状態グラフとして定義 ● 安定性を高める多層的アプローチ（ ReAct, Reflection, Fallback） ● run.pyを実行するだけで、計画からコード生成、レ ビューまでが一気通貫で実行 Live Demo: SWE-Agentの設計 15 Planner (Planning) START Retriever (Tool Use + ReAct) Developer Reviewer Self (Reflection) Reviewer Task Manager END [All tasks complete] [More tasks] Multi-agent Reflection Loop ReAct Loop 

Live Demo: 適材適所のモデル選択 16 今回のデモ：速度 +コスト重視・現実解版 最も重要な開発工程にのみ専門家を配置 し、残りは高速・低コストモデルが担当。レ ビューは自動承認で、速度を優先 models: planner: o3-mini retriever: o3-mini developer: claude-3-5-sonnet-20241022 reviewer_self: o3-mini reviewer: （自動承認） 理想パターン：品質最優先・高コスト版 すべての工程に、その分野で最も優秀な専 門家（高価だが最高性能なLLM）を配置 models: planner: o3 retriever: o3 / gpt-4o developer: claude-opus-4-20250514 reviewer_self: gpt-4o reviewer: o3 / gpt-4o 

swe-agent/ ├── 📄 run.py ├── 📄 graph.py ├── 📄 config.yml ├── 📂 agents/ │ ├── planner.py │ └── ... ├── 📂 tools/ │ ├── ingest.py │ └── chroma_client.py ├── 📂 data/docs/ │ ├── company_policies.txt │ ├── it_guidelines.md │ └── benefits.json └── 📂 dist/faq_bot/ Live Demo: ファイル構成の概要 17 run: メインの実行スクリプト。ここから全てが始まる graph: LangGraphを使い、エージェント達の連携フローを定義 config: 使用するモデルやコスト上限などを設定する設定ファイル agents/: 5体のエージェントの具体的な処理を実装 tools/: 文書を取り込み、ベクトル化するなどの補助ツール群 data/docs/: AIに学習させる元のドキュメント置き場 dist/faq_bot/: AIが最終的に生成したアプリケーションを格納 

Live Demo: SWE-Agentが生成したコードの例 18 質問応答用スクリプト (query.py) # ChromaDBに接続する def setup_vector_store(store_path: str) -> PersistentClient: # ... # 入力された質問でベクトル検索を実行し、関連情報を取得す る def search_documents(...) -> List[dict]: # ... results = collection.query(...) return documents # 検索結果を整形して、ターミナルに表示する @app.command() def query(...) -> None: # ... print("\n関連する情報:") ドキュメント取り込み用スクリプト (ingest.py) # 指定されたディレクトリからドキュメントを読み込む def get_document_files(source_dir: Path) -> List[Path]: # ... # ドキュメントを意味のある塊（チャンク）に分割する def process_documents( files: List[Path], chunk_size: int = 1000, chunk_overlap: int = 200 ) -> List[tuple[str, str]]: # ... # ChromaDBに接続し、ベクトルストアを作成・保存する def main(...) -> None: # ... collection.add(...) 

1. ドキュメントの取り込み（ベクトル化と登録） python dist/faq_bot/tools/ingest.py --src data/docs --persist vector_store 2. 質問応答 python dist/faq_bot/tools/query.py "リモートワークは可能ですか？" Live Demo: 生成されたアプリの使い方と実行結果の例 19 

How から Why への橋渡し 20 なぜ作るか (ビジネス的な価値 ) どう作るか (技術的な可能性 ) AI活用の本質は「何が作れるか」ではなく「何を解決すべきか」を定義すること 1. 各種データを横断的に分析 2. 課題解決の計画を立案 3. 人間が計画をレビューし、承認 4. 承認に基づき、PoCコードを自動生成 「KPIレポート自動化ツール」 「顧客別・提案内容の最適化スクリプト」 Live Demo: SWE-Agent 

データ 前処理 生成AI・AIエージェント時代といっても、大切なことはあまり変わらない いかにビジネス課題を適切に技術タスクに落とし込み いかに実験的で反復的なプロセスを効率良く全て回すか AI/ML基盤に求められること 21 データ 可視化 ・分析 ビジネス ゴールの 評価 MLの問題に 落とし込む データ収集 ・取込 特徴量 エンジニア リング モデル学習 モデル評価 ビジネス 課題 本番環境 デプロイ Yes No 

AIエージェントを構想するための 5つの視点 22 視点 問うべき問い 勝ち筋の具体例 目的 Why 業務のどの価値を「いつまで に・何％」改善するか？ 問い合わせ初回解決率： 90日以内に65％→80％ 営業担当1人あたりの月間商談数：半年以内に 10件→15件 ユースケースと 展開戦略 What / Where どこから始め、どう横展開す るか？ CS部門でFAQ自動化→全チャネル24時間対応へ 営業でリード評価自動化→他拠点へ展開 方法論 How どのタスクをどのAIエージェ ントに任せるか？ 営業Copilot：商談メモ→次アクション提案→CRM更新 ナレッジナビゲーター：契約書横断検索 →要点抽出 サプライチェーンエージェント：需要予測 →自動発注 ROIと ガバナンス Value / Risk ROIをどう定量化し、リスク管 理を行うか？ ROI試算＝(削減工数×人件費)−運用コスト ログによる監査証跡、PII・著作権管理を自動化 組織と運用 People / Ops 誰が責任を持ち、どう運用・ 改善を続けるか？ 専任Agent Opsチームがメトリクス管理と改善を実施 社員向けリスキリング講座と評価制度の見直し 

Algionが提供する AIエージェント導入ロードマップ 23 導入フェーズ Algionが支援する内容 具体的なサービス（抜粋） 戦略策定（導入前） 課題設定/KPI設計 ROI評価とユースケース特定 AI戦略コンサルティング データ戦略コンサルティング 検証・PoC（初期導入） 最速で成功パターンの検証 PoC実施と評価 業務自動化AIエージェント AIナレッジ検索ソリューション 本番導入 / 全社展開 （拡張導入・サービス統合） 業務やプロダクトへの統合 運用体制構築 成功パターンの横展開 生成AI導入基盤 生成AIマネージドプラットフォーム （β準備中） 継続運用と定着化 継続的な改善サイクル 内製化と人材育成 運用・MLOpsサポート 教育支援・AI人材育成 

No content