【2026年版】AIエージェントに業務を任せる実践ガイド｜タスク別の実現方法・ツール・プロンプト例

「AIエージェントで業務を効率化できる」——そう聞いて期待した人ほど、実際に使ってみて戸惑います。世の中の解説記事は「営業を自動化できます」「資料作成ができます」と"できること"を並べるばかりで、肝心の「では、どのツールで、どう指示すれば本当にできるのか」を教えてくれないからです。この記事は、その空白を埋めるために書きました。資料作成・データ分析・リサーチ・メール作成といった日常業務を、AIエージェントに実際に任せるための実現方法・ツール・プロンプト例・成果物イメージ・注意点を、タスクごとに具体的にまとめています。

AIエージェントとは — 「できること」の前に押さえる定義

AIエージェントとは、目標を与えられると自ら計画を立て、ツールを使い、判断しながらタスクを最後まで実行するAIシステムです。「聞かれたことに答える」だけの従来のチャットボットと違い、「やっておいて」と頼んだ仕事を一連の手順に分解して自走できる点が決定的に異なります。

たとえば「先月の売上データを分析してレポートにまとめて」と頼むと、AIエージェントは①データを読み込み、②集計・分析のコードを書いて実行し、③グラフを描き、④Excelやスライドのファイルとして出力する——という複数ステップを、ほぼ人間の介入なしに進めます。この「考える→ツールを使う→成果物を作る」というサイクルを回せることが、業務でAIエージェントを使う最大の意味です。

定義・チャットボットとの違い・自律性のレベル（タスク実行型／ワークフロー型／自律型）といった基礎概念を詳しく知りたい場合は、AIエージェントとは何か（仕組み・類型・活用事例）で体系的に整理しています。本記事はその先、つまり「実際に業務を任せるにはどうするか」に焦点を当てます。

ここで一つだけ強調しておきたいのは、AIエージェントは「魔法のボタン」ではないということです。同じツールでも、指示の質によって成果物のレベルは天と地ほど変わります。だからこの記事では、各タスクで「ただ動く指示」ではなく「精度の高い成果物が返ってくる指示」を一貫して示していきます。

なぜタスクを実行できるのか — AIエージェントの5つの能力

「AIエージェントができること」を理解する近道は、機能を1つずつ覚えることではなく、タスクを「能力」に分解して捉えることです。どんな業務タスクも、突き詰めれば次の5つの能力の組み合わせで実現されています。逆に言えば、この5つで説明できないタスクは、現状のAIエージェントには難しいタスクです。

能力1: ツール実行（外部システムを操作する）

AIエージェントは、あらかじめ接続された外部ツールを呼び出して操作できます。カレンダーに予定を登録する、CRMから顧客情報を取得する、チケット管理システムに起票する——といった操作です。チャットの中だけで完結せず、実際の業務システムに「手を伸ばす」のがこの能力です。タスク管理やスケジュール調整、データ転記の自動化はここに依存します。

能力2: コード実行（計算・集計・変換を正確にこなす）

AIエージェントは、Pythonなどのコードをその場で書いて実行する「サンドボックス（隔離された実行環境）」を持っています。これがデータ分析タスクの精度を支える核です。LLMは数字の暗算が苦手ですが、コードを書いて計算させれば結果は正確になります。ChatGPTの「Advanced Data Analysis（旧Code Interpreter）」や、Claudeのコード実行機能がこれにあたります。集計・統計処理・フォーマット変換は、この能力を使えるかどうかで成果物の信頼性が決まります。

能力3: ファイル操作（成果物を"使える形"で出力する）

近年で最も実用性を高めたのがこの能力です。Claudeは2026年時点で、Excel（.xlsx）・PowerPoint（.pptx）・Word（.docx）・PDFを直接生成でき、ダウンロードしてそのまま使える形で出力します（出典: Create and edit files with Claude｜Claude Help Center）。「分析しました」で終わらず「分析結果を入れたExcelファイルを作りました」まで到達できるのは、この能力があるからです。資料作成・スプレッドシート作成タスクの実現方法は、ここが中心になります。

能力4: Web検索（最新の一次情報を取りに行く）

学習時点の知識だけでなく、その場でWebを検索して最新情報を取得・要約できます。市場調査や競合リサーチ、最新仕様の確認といったタスクは、この能力に支えられています。ChatGPTやGeminiの「Deep Research」は、この能力を「数百の情報源を横断して調べ、レポートにまとめる」レベルまで高めたものです。

能力5: MCP連携（社内システムと安全につなぐ）

MCP（Model Context Protocol）は、AIエージェントを社内のデータベースやSaaSツールと標準的な方法で接続するための仕組みです。個別にAPI統合を作り込まなくても、データソースや業務システムをエージェントに「つなぐ」ことができます。自社業務に本格的にエージェントを組み込む段階では、このMCP連携が鍵になります。仕組みの詳細はMCPサーバーのビジネス活用ガイドで解説しています。

この5能力フレームの便利な点は、新しいタスクに出会ったときに「これはどの能力の組み合わせか？」と考えれば、実現可能性とツール選びの当たりが付くことです。たとえば「請求書PDFを読んで会計システムに入力する」なら、ファイル操作（PDF読込）＋コード実行（データ抽出・整形）＋ツール実行（会計システムへの登録）の組み合わせ、と分解できます。

もう少し踏み込んで、具体的なタスクを能力に分解してみましょう。「先週の問い合わせメールを集計して、傾向をスライドにまとめる」というタスクは、次のように分解できます。

1. メールデータを読み込む → ファイル操作
2. 問い合わせ内容を分類・集計する → コード実行（あるいは分類は言語理解）
3. 最新の製品仕様を確認して傾向の背景を補足する → Web検索
4. 集計結果をスライドにまとめる → ファイル操作（pptx生成）

こう分解すると、「どのツールならこの4つの能力をカバーできるか」「どこを人間が補うべきか」が見えてきます。逆に、もし「営業担当者の暗黙の判断基準で見込み客を評価する」というステップが含まれていたら、それはどの能力でも実現できない＝人間が担うべき部分だと分かります。タスクを能力に分解する習慣こそが、AIエージェント活用の地力になります。

AIエージェントから精度を引き出す8つの原則

タスク別の方法に入る前に、**すべてのタスクに共通して効く「指示の原則」**を先に押さえます。ここが本記事で最も重要なパートです。なぜなら、ツールを選んでも、指示が雑なら成果物は使い物にならないからです。逆に、この8原則を守るだけで、同じツール・同じタスクでも成果物の精度は大きく変わります。

原則1: コンテキストを先に全部渡す

最もありがちな失敗が「情報を小出しにする」ことです。目的・対象読者・前提・制約・トーン（トンマナ・文体）を、最初の指示にまとめて渡してください。

• ❌ 悪い指示: 「営業資料を作って」
• ⭕ 良い指示: 「中堅製造業の経営者向けに、当社のAI在庫管理SaaSの提案資料を作って。相手はITに詳しくないので専門用語は避け、ROI（投資対効果）を具体的に示す構成にして。トーンは堅実・誠実、派手な煽りは避けて。」

エージェントはあなたの頭の中を読めません。「何のために・誰に・どんな制約で」を先に渡すほど、手戻りが減ります。

原則2: 出力フォーマットを固定する

成果物の「型」を指定すると、品質が安定します。テンプレート・項目・章立て・文字数・表の列構成などをあらかじめ縛ってください。「箇条書きで5つ」「この見出し構成で」「各項目は2文以内」のように指定するだけで、出力のばらつきが激減します。

原則3: タスクを分解し、段階承認を挟む

長い仕事を一発で全部やらせないことが、精度の高い成果物への近道です。まず「アウトライン（骨子）だけ作って」と頼み、内容を確認・修正してから「ではこの構成で本文を書いて」と進めます。途中で方向性を直せるので、最後に全部やり直す事態を防げます。

• ❌ 悪い指示: 「20ページの事業計画書を作って」（一発で全部）
• ⭕ 良い指示: 「まず事業計画書の章立てと各章の要点だけ出して。承認したら次に各章を順に書いていこう。」

原則4: 良い例・悪い例を見せる（Few-shot）

「こういう感じで」と例を1〜2個見せると、エージェントは狙いを正確に掴みます。過去に作った良い資料、避けたい悪い文章の例を添えるだけで、再現性が上がります。

原則5: 検証を指示に組み込む

AIは「もっともらしいが間違った情報」を出すことがあります。だからこそ、指示の中に検証ステップを埋め込みます。「数値には必ず出典URLを付けて」「最後に自分の出力を、事実誤認がないか自己レビューして」「不明な項目は推測で埋めず空欄にして」——こうした一文が、成果物の信頼性を大きく引き上げます。

原則6: 正しいデータとツールを与える

エージェントの出力品質は、与えるインプットの質に比例します。最新の一次情報、対象ファイルの添付、計算が必要ならコード実行の許可——これらを渡すかどうかで結果は変わります。「あなたの記憶で書いて」ではなく「この添付ファイルとこのURLを根拠に書いて」と指示しましょう。

原則7: 役割と評価基準を与える

「〜の専門家として」「〜の観点でレビューして」と役割や評価軸を与えると、出力の視点が定まります。たとえば「経験豊富な経理担当者として、この経費精算のチェックをして。特に二重計上と勘定科目の誤りに注目して」のように、視点と着眼点をセットで渡します。

原則8: 一発完璧を狙わず、反復前提で詰める

最初の出力を「叩き台」と割り切り、差分で指示して仕上げるのが効率的です。「3つ目の段落をもっと具体的に」「この表に前年比の列を追加して」のように部分修正を重ねます。完璧な一発指示を考え込むより、80点を出させて20点を対話で詰めるほうが速い、というのがエージェント活用のコツです。

8原則を1つの指示にまとめると

これら8つは別々に使うものではなく、1つの指示の中で重ね合わせて効かせます。たとえば原則1〜7を盛り込んだ「資料作成」の指示は、次のような骨格になります。

「【役割】経験豊富なBtoBマーケターとして。【目的】中堅製造業の経営者向けに当社AI在庫管理SaaSの提案資料を作る。【前提】相手はITに詳しくない／予算は限られている。【出力フォーマット】10枚、各スライドは見出し＋箇条書き3つ、PowerPoint形式。【根拠】添付の製品仕様書とこの料金表だけを使い、数値には出典を付ける。【検証】不明な点は推測で埋めず[要確認]と記載。【進め方】まず構成案だけ出して、承認後に本文へ。」

この一文に、コンテキスト先渡し・フォーマット固定・段階承認・検証・正しいデータ付与・役割付与がすべて入っています。最初は長く感じますが、テンプレート化してしまえば毎回使い回せます。「良い指示テンプレートを1つ持つこと」が、AIエージェント活用の最初の資産になります。

これら8原則を、各タスクでより具体的に展開していきます。なお、原則ごとの深掘りやさらに踏み込んだプロンプト設計のテクニックは、今後の個別記事でも掘り下げていく予定です。

タスク別・実行カタログ — 「どうやらせるか」を具体化する

ここからが本記事の本体です。代表的な8つの業務タスクについて、**「実現方法（仕組み）→ 使うツール・機能 → 指示（プロンプト）例 → 成果物イメージ → 注意点」**という統一フォーマットで、実際に任せる方法を具体化します。自社の業務に近いタスクから読んでください。

①資料・スライド作成

実現方法（仕組み）: ファイル操作の能力（能力3）が中心です。エージェントが内容を構成し、PowerPointやPDFのファイルとして直接書き出します。元になる資料（議事録・企画メモ・既存PDF）を渡せば、それを構造化してスライドに変換することもできます。

使うツール・機能:

• Claude: PowerPoint（.pptx）を直接生成。Word文書やPDFからスライドへの変換も可能で、編集可能な形式で出力されます（出典: Use Claude for PowerPoint｜Claude Help Center）。
• ChatGPT: Agent modeが、調査結果をまとめた編集可能なスライドショーやスプレッドシートを成果物として出力します（出典: Introducing ChatGPT agent｜OpenAI）。
• Gemini: Google Slidesと連携し、Workspace内で資料の下書きを生成します。

指示（プロンプト）例:

• ❌ 悪い指示: 「新サービスの紹介スライドを作って」
• ⭕ 良い指示:

  「添付の企画メモをもとに、新サービス紹介の営業スライドを10枚で作って。対象は中小企業の総務担当者。構成は『課題→解決策→導入効果→料金→導入の流れ→事例→FAQ→お問い合わせ』の順。1枚あたりの文字は最小限にして、見出しと3つの箇条書きを基本フォーマットに。トーンは信頼感重視で、PowerPoint形式で出力して。」

ポイントは、原則1（コンテキスト）・原則2（フォーマット固定＝構成と枚数指定）・原則6（添付）をすべて使っていることです。

成果物イメージ: そのまま社内レビューに回せる、構成の整ったPowerPointファイル。各スライドに見出しと要点が配置され、デザインの微調整だけで使える状態。ゼロから白紙のスライドと格闘する時間が、「叩き台を直す」時間に置き換わるイメージです。構成検討という最も時間のかかる工程をエージェントに任せられるのが、資料作成タスクの一番の価値です。

注意点: 図表やブランドデザインの作り込みは、まだ人間の仕上げが必要です。また、スライドに載せる数値・事実は原則5に従い「出典を付けて」と指示し、必ず人間が検証してください。デスクトップ環境でファイルを扱いながら作業させたい場合はClaude Coworkの活用ガイドも参考になります。

②スプレッドシート・データ分析

実現方法（仕組み）: コード実行（能力2）とファイル操作（能力3）の組み合わせです。エージェントがCSVやExcelを読み込み、その場でPythonコードを書いて集計・分析・可視化し、結果をグラフ付きのファイルとして返します。計算をLLMの暗算ではなくコードにやらせるため、数値の正確性が担保されるのがこのアプローチの強みです。

使うツール・機能:

• ChatGPT（Advanced Data Analysis）: 旧Code Interpreter。Pythonサンドボックスで、CSV・Excel・JSON・PDFを受け取り、集計・統計処理・グラフ生成・ファイル変換を実行します（出典: ChatGPT's Code Interpreter is now Advanced Data Analysis｜Pluralsight）。
• Claude: アップロードしたデータに対して分析を実行し、計算式が動くExcelファイルや、グラフ入りのレポートを生成します。
• Gemini in Sheets: スプレッドシート内で使える=AI()関数により、セル単位でのテキスト生成・分類・感情分析・データ抽出が可能。さらに2026年4月の更新で、自然言語の指示から複雑な表やダッシュボードを構築・編集できるようになりました（出典: Build and edit complex spreadsheets with Gemini in Google Sheets｜Google Workspace Updates）。なお、Geminiのスプレッドシート操作能力は、実在のスプレッドシート課題で評価するSpreadsheetBenchで70.48%の成功率を記録したと2026年3月に報告されています（出典: Gemini in Google Sheets is now state-of-the-art｜Google）。

指示（プロンプト）例:

• ❌ 悪い指示: 「この売上データを分析して」
• ⭕ 良い指示:

  「添付のCSV（月別・商品別の売上）を分析して。①月次の売上推移を折れ線グラフに、②商品カテゴリ別の構成比を円グラフに、③前年同月比を計算して伸び率トップ5とワースト5を表に。計算はコードを実行して正確に行い、最後にグラフ入りのExcelファイルとして出力して。気づいた異常値があれば箇条書きでコメントして。」

原則2（出力の型を細かく指定）・原則5（計算をコードで正確に）・原則6（ファイル添付）を効かせています。

成果物イメージ: グラフ付きの分析サマリーと、集計表が入ったExcelファイル。「伸び率トップ5」など、そのまま会議資料に使える形の出力。

注意点: 数値は必ず元データと照合してください。エージェントが列の意味を取り違える（例: 「売上」と「粗利」の混同）ことがあるため、列の定義を先に説明しておくと精度が上がります。機密性の高いデータを扱う場合は、データの取り扱い範囲とアクセス制御を事前に確認しましょう。

なお、データ分析タスクで成果物の質を一段引き上げたいときは、「分析して」で終わらせず**「分析した結果から、次に取るべきアクションを3つ提案して」**まで指示するのがおすすめです。エージェントは集計だけでなく解釈・示唆出しも得意なため、「グラフを作る作業」から「示唆を出す思考」までを任せられます。ただし提案の根拠は必ず確認し、最終的な打ち手の判断は人間が行ってください。

③リサーチ・情報収集

実現方法（仕組み）: Web検索（能力4）が中心です。最新の「Deep Research」系機能は、単発の検索にとどまらず、数百の情報源を横断して調べ、出典付きのレポートにまとめる「リサーチアナリスト」のような働きをします。

使うツール・機能:

• ChatGPT Deep Research: 数百のオンライン情報源を発見・分析・統合し、包括的なレポートを生成します。2026年2月以降はMCPやアプリと接続でき、検索対象を信頼できるサイトに限定することも可能になりました（出典: Introducing deep research｜OpenAI、ChatGPT agent｜OpenAI Help Center）。
• Gemini Deep Research for Workspace: Gmail・Drive・Docsを横断して、社内情報と外部情報を組み合わせた「ワークスペース全体の理解」に基づくリサーチを行います（Google公式のGemini for Workspace機能）。
• Claude: Web検索を使った調査と、結果のレポート化・ファイル出力。

指示（プロンプト）例:

• ❌ 悪い指示: 「競合を調べて」
• ⭕ 良い指示:

  「国内のAI議事録ツール市場について競合調査をして。対象は主要3〜5社。各社について『料金体系・主要機能・対応言語・セキュリティ認証・想定ユーザー規模』を比較表にまとめて。情報は各社公式サイトや公式発表を一次ソースとし、必ず出典URLを併記して。最後に当社（中小企業向け・日本語特化）が差別化できるポイントを3つ考察して。」

役割と評価基準（原則7）、検証＝出典明記（原則5）、フォーマット固定（原則2）が揃っています。

成果物イメージ: 出典URL付きの競合比較表と、差別化観点の考察。引用元が明示されているため、ファクトチェックがしやすい。

注意点: Deep Research系でも、出典の取り違えや古い情報の混入は起こります。重要な意思決定に使う数値は、必ず併記された出典URLを人間が直接確認してください。会議の議事録作成のような定例リサーチ的タスクは、AIによる会議効率化・議事録自動化も実例として参考になります。

通常のWeb検索とDeep Researchの使い分けも覚えておくと便利です。「1つの事実を素早く確認したい」だけなら通常の検索で十分ですが、「市場全体を俯瞰した調査レポートが欲しい」「複数の論点を比較検討したい」といった深い調査では、Deep Researchが数十分かけて数百ソースを読み込み、構造化されたレポートを返してくれます。時間はかかるぶん、人間が半日かけるリサーチを代替できる場面があります。急ぎか網羅性か、目的に応じて選びましょう。

④メール・文書ドラフト

実現方法（仕組み）: 文章生成が中心で、コンテキストの渡し方（原則1）が成果物の質をほぼ決めます。返信メール、提案書、社内向け通知、議事録の清書などが対象です。

使うツール・機能: Claude・ChatGPT・Geminiいずれも対応可能です。メールクライアントと統合された環境の中で直接下書きできると実務では便利で、Claudeは2026年5月にExcel・Word・PowerPoint向けアドインがGAしたClaude for Microsoft 365（Outlookは同月時点でベータ）、GeminiはGmailと統合されたWorkspace環境で、それぞれメール作成を支援します（出典: Claude for Microsoft 365｜Anthropic）。

指示（プロンプト）例:

• ❌ 悪い指示: 「お礼のメールを書いて」
• ⭕ 良い指示:

  「昨日商談した相手へのお礼メールを書いて。相手は製造業の部長クラス。商談では『在庫管理の属人化』が一番の課題だと聞いた。次回は無料デモを提案したい。トーンは丁寧だが堅すぎず、本文は250字程度。件名も3案出して。」

成果物イメージ: 件名の選択肢付きで、相手・文脈・次アクションを織り込んだ返信文案。微修正で送れる完成度。

提案書や報告書のような長めの文書も、同じ要領で任せられます。コツは、いきなり全文を書かせず「まず見出し構成と各セクションの要点だけ出して」と段階承認（原則3）を挟むことです。骨子を固めてから肉付けすれば、方向性のズレを早期に正せて、結果的に速く仕上がります。

注意点: 固有名詞・金額・日程などの事実は、AIが"それっぽく"でっち上げることがあります。原則5に従い「不明な項目は[空欄]にして」と指示し、送信前に必ず人間が確認してください。社外に出る文書ほど、人間レビューを必須にします。トーン（文体）も、自社の過去メールを1〜2通見せる（原則4のFew-shot）と一気に「自社らしい」文章に近づきます。

⑤タスク管理・スケジュール調整

実現方法（仕組み）: ツール実行（能力1）が中心です。カレンダー・タスク管理ツール・チャットツールに接続し、予定の登録や調整、リマインドの設定を代行させます。MCP連携（能力5）を使えば、社内の業務ツールとつなげます。単純な「受信トリガー→処理→通知」のような定型フローであれば、エージェントを使わずノーコードの自動化ツールで組むほうが安定する場合もあります。判断を伴うか・定型かで使い分けるのがコツです。

使うツール・機能: MCP対応のエージェント（Claude等）＋カレンダー/タスク管理ツールの連携。あるいはn8nなどのワークフロー自動化ツールと組み合わせると、ノーコードで「受信→分類→タスク化→通知」のフローを構築できます。

指示（プロンプト）例:

• ❌ 悪い指示: 「来週、A社とB社との打ち合わせを入れておいて」
• ⭕ 良い指示:

  「来週の私の空き時間を確認して、A社・B社との打ち合わせを各60分で設定して。A社は午前希望、B社は指定なし。両方とも前後に15分の移動バッファを入れて。確定前に候補日時の一覧を出して、私の承認を取ってから登録して。」

ここで効いているのが原則3（段階承認）です。実際にカレンダーへ書き込む前に承認を挟むことで、誤登録を防げます。

成果物イメージ: 候補日時の提示→承認→カレンダー登録までの一連の処理。会議前日のリマインド設定や、関係者への招待メール送付まで一気通貫で自動化できます。日程調整の往復メールに費やしていた時間が、ほぼゼロになるイメージです。

注意点: 外部システムへの書き込みを伴うタスクは、必ず「実行前に承認を取る」設計にしてください。承認なしで自動実行させると、誤登録や二重予約のリスクがあります。

⑥データ入力・転記・名寄せ

実現方法（仕組み）: ファイル操作（能力3／PDFや画像の読み取り）＋コード実行（能力2／データ整形）＋ツール実行（能力1／登録）の組み合わせです。請求書や名刺、申込書などからの情報抽出と、システムへの転記が代表例です。

使うツール・機能: 文書からの読み取りはAI-OCRと組み合わせると精度が上がります。実装パターンはAI-OCRによる文書処理の自動化で詳しく解説しています。抽出後の名寄せ（表記ゆれの統一）やフォーマット変換は、コード実行で正確に処理させます。

指示（プロンプト）例:

• ❌ 悪い指示: 「この請求書PDFの内容を入力して」
• ⭕ 良い指示:

  「添付の請求書PDF5枚から『請求元会社名・請求日・金額（税抜/税込）・支払期限』を抽出して表にして。会社名は『株式会社/(株)』の表記を『株式会社』に統一して名寄せして。読み取れない項目は[要確認]と記載し、推測で埋めないで。最後にCSVで出力して。」

原則5（推測で埋めない＝ハルシネーション防止）が、転記タスクでは特に重要です。

成果物イメージ: 表記が統一され、不明箇所が明示されたCSV。人間は[要確認]の箇所だけ見ればよい状態。

注意点: 金額や日付の読み取りミスは実害に直結します。「推測で埋めない」を徹底し、抽出結果は元の文書とのダブルチェックを前提に運用してください。全件を目視するのではなく、[要確認]フラグの付いた行と、金額の合計値だけを人間がチェックする——というように、検証の負荷を絞り込む運用にすると、効率と正確性を両立できます。

⑦コーディング・開発

実現方法（仕組み）: コード実行（能力2）＋ファイル操作（能力3）に加え、開発特化のエージェントではリポジトリ全体を読んで複数ファイルを横断的に編集する能力が加わります。コード生成、バグ修正、テスト作成、リファクタリングなどが対象です。

使うツール・機能: Claude Code、ChatGPTのコード支援、各種AIコーディングエージェント。本格的に自社プロダクトへ組み込む場合はClaude Agent SDKによる実装、長時間の自律タスクにはClaudeのマネージドエージェントが選択肢になります。主要なコーディングエージェントの比較はAIコーディングエージェント比較2026にまとめています。

指示（プロンプト）例:

• ❌ 悪い指示: 「重複チェック機能を追加して」
• ⭕ 良い指示:

  「このリポジトリのユーザー登録APIに、メールアドレスの重複チェックを追加して。まず実装方針を箇条書きで提案して、承認後に実装とテストを書いて。既存のテストが全て通ることを確認して。エラー時は適切なHTTPステータスを返すこと。」

段階承認（原則3）と検証（原則5＝テストを通す）が、コーディングタスクの品質を支えます。

成果物イメージ: 方針提示→承認→実装＋テストまで。レビュー可能な単位での差分。

注意点: 生成されたコードは必ずレビューし、テストで検証してから本番反映してください。AIは"動くが非効率"なコードや、セキュリティ上の見落としを生むことがあります。エンジニアがいない組織でも、定型的なスクリプトやデータ変換の自動化なら恩恵を受けられますが、本番サービスに組み込むコードは技術レビューができる人の関与が前提になります。コーディングは「人間のエンジニアを代替する」より「エンジニアの生産性を底上げする」使い方から始めるのが現実的です。

⑧カスタマーサポート対応

実現方法（仕組み）: ツール実行（能力1／チケットシステムやFAQ DBへの接続）＋文章生成の組み合わせです。問い合わせの一次対応、回答案の作成、適切な担当への振り分けを担います。

使うツール・機能: Salesforce Agentforceは、ローコード/プロコードを切り替えられる新しいAgentforce Builderで、業務エージェントを構築できます。Agent Scriptという人間が読める記述言語で、条件分岐や正確なツール利用、決定論的な制御を定義できるのが特徴です（出典: Build With Confidence: Inside the New Agentforce Builder｜Salesforce Admins）。CRMと深く連携するサポート業務では有力な選択肢です。

指示（プロンプト）例:

• ❌ 悪い指示: 「この問い合わせに返信して」
• ⭕ 良い指示:

  「以下の問い合わせメールに対する一次回答案を作成して。回答は添付のFAQと利用規約だけを根拠にし、そこに書かれていない内容は断定せず『担当者から折り返します』と案内して。トーンは丁寧で簡潔に。返金や解約に関する内容が含まれる場合は、自動回答せず人間にエスカレーションするフラグを付けて。」

成果物イメージ: FAQに基づいた回答案と、エスカレーション要否の判定。

注意点: 顧客対応は企業の信用に直結します。返金・解約・クレームなど機微な案件は必ず人間に引き継ぐルールを設計し、AIに最終判断をさせないことが鉄則です。また、回答の根拠を「FAQと利用規約だけ」のように明示的に縛らないと、エージェントが規約にない条件を"それらしく"案内してしまう恐れがあります。回答可能な範囲を明確に定義することが、サポート自動化の安全弁になります。

タスクカタログの使い方

ここまで8つのタスクを見てきましたが、自社の業務がこの8つにぴったり当てはまるとは限りません。そんなときは、前章の「5つの能力」に立ち返ってください。あなたの業務タスクを能力に分解し、最も近いカタログ項目の「実現方法・プロンプト例・注意点」を応用すれば、たいていのタスクは設計できます。たとえば「採用候補者の経歴書を要約して比較表にする」は、②データ分析と④文書ドラフトの組み合わせとして設計できます。カタログは「正解集」ではなく「考え方の型」として使うのが、応用の効くやり方です。

タスク×ツール対応マトリクス

「結局、自分のタスクにはどれを使えばいいのか」——その問いに答えるのが、このマトリクスです。代表的な4つのプラットフォームについて、タスクごとの相性を整理しました（◎: 特に得意 / ○: 対応可能 / △: 工夫・連携が必要）。

※相性は2026年6月時点の各社公開情報に基づく筆者整理であり、各社の機能更新により変動します。

このマトリクスの読み方を補足します。ドキュメント・スプレッドシートの「成果物ファイル」を作らせるならClaude、Pythonでの本格的なデータ分析や深掘りリサーチはChatGPT、Google Workspaceで業務が完結している組織はGemini、CRMと連携した顧客対応の自動化はAgentforce、というのが大まかな指針になります。実際には複数を併用し、タスクごとに最適なものを使い分ける企業が増えています。

ツール選定で迷ったときは、「すでに自社が使っている基盤に寄せる」のが失敗しにくい判断です。Microsoft 365中心ならClaude for Microsoft 365やChatGPT、Google Workspace中心ならGemini、Salesforceで顧客管理しているならAgentforce、というように、既存の業務環境との親和性を優先すると、導入・定着のハードルが下がります。最初から全部を比較検討するより、手元の環境で動かせるものから試すのが現実的です。各種生成AIツールの全体像はChatGPT・Claude・Gemini・Genspark比較も参考にしてください。

AIエージェントが苦手なこと・任せるべきでないタスク

「できること」と同じくらい大切なのが、「任せるべきでないこと」を見極めることです。ここを誤ると、効率化どころか手戻りやトラブルを招きます。競合記事が薄いこの領域こそ、正直に書く価値があります。技術は日々進歩しており、ここで挙げる「苦手」も将来は変わり得ますが、2026年時点では次の5つを"任せる前に立ち止まるべき領域"として認識しておくべきです。

1. 100%の正確性が絶対条件のタスク

AIエージェントは確率的に出力を生成するため、ごく低い確率でも誤りが混入します。法的効力のある契約書の最終版、確定申告の数値、医療・安全に関わる判断など、1件の誤りも許されない領域では、AIを「下書き・補助」に留め、最終確認と責任は人間が持つべきです。

2. 法的・倫理的な最終責任を伴う判断

採用の合否、与信の最終決定、懲戒や解雇の判断など、人の権利や人生に関わる意思決定をAIに丸投げするのは避けるべきです。AIは判断材料の整理までを担い、決定は人間が行う設計にします。

3. 暗黙知・社内文脈に強く依存するタスク

「あの案件はこういう経緯があるから、この書き方は避ける」といった、文書化されていない組織の文脈や政治的配慮が必要なタスクは苦手です。背景情報を明示的に渡せば一部は補えますが、限界があります。

4. 最新の生データに依存し、検証が困難なタスク

リアルタイムで変動する相場、まだ世に出ていない社内の最新数値など、エージェントが正しく取得・検証できない情報に依存するタスクは、誤りに気づきにくく危険です。

5. 創造性の核心や、ブランドの根幹に関わる表現

たたき台づくりは得意ですが、企業の世界観を決めるコピーやビジョンの最終表現など、人間の感性が問われる核心部分は、AIの出力をそのまま採用するのは避けたほうがよいでしょう。

「任せてよい」かを判断するチェックリスト

任せる前に、次の問いに答えてみてください。一つでも当てはまるなら、人間のレビューを必ず挟む設計にします。

• そのタスクは、誤りが出たとき取り返しがつくか？（不可逆なら要注意）
• 成果物の正しさを、人間が現実的なコストで検証できるか？
• 必要な情報を、すべてエージェントに渡せるか？（暗黙知に依存しないか）
• 法的・倫理的な最終責任を、人間が負う設計になっているか？
• 外部（顧客・取引先）に直接出る成果物ではないか？

この見極めができると、「効率化できるタスク」と「効率化してはいけないタスク」の線引きが明確になり、安全に活用範囲を広げられます。

始め方 — スモールスタート4ステップ

いきなり全社展開や複雑な自律エージェントを狙うと、ほぼ失敗します。成功している組織に共通するのは、「小さく始めて検証し、段階的に広げる」という進め方です。具体的な4ステップを示します。

ステップ1: 1タスクに絞って選ぶ

最初は「頻度が高く・手順が定型的で・誤っても取り返しがつく」タスクを1つだけ選びます。議事録の清書、定例レポートの集計、問い合わせの一次分類などが好適です。前述のチェックリストで「任せてよい」と判断できるものから始めてください。

ステップ2: 指示テンプレートを作り、精度を検証する

選んだタスクについて、8原則を反映した指示テンプレートを1つ作ります。そして同じタスクを5〜10件、実際に流してみて、成果物の精度を確認します。ここで「どんな指示だと失敗するか」を掴むことが、後の展開の土台になります。失敗パターンが見えたら、テンプレートに「不明な項目は空欄に」「この観点で自己レビュー」といった一文を足して改善します。

ステップ3: 人間のレビュー工程を組み込む

精度が安定してきても、いきなり全自動にはしません。「AIが下書き→人間が確認→確定」というフローを必ず挟みます。レビューで頻出する修正は、指示テンプレートに反映してさらに精度を上げます。この反復（原則8）が、実用レベルへの最短ルートです。

ステップ4: 効果を測り、次のタスクへ広げる

1タスクで「どれくらい時間が短縮されたか」「品質は許容範囲か」を確認できたら、隣接するタスクへ横展開します。ここで初めて、MCP連携による社内システムとの接続や、ワークフロー自動化ツールとの組み合わせといった、本格的な仕組み化を検討します。

よくある失敗と回避策

スモールスタートでつまずく典型パターンを3つ挙げておきます。第一は「いきなり難しいタスクを選ぶ」こと。判断が複雑で誤りの検証も難しいタスクから始めると、精度が安定せず「使えない」という印象だけが残ります。第二は「指示を毎回ゼロから書く」こと。テンプレート化しないと品質がばらつき、ノウハウも溜まりません。第三は「効果を測らずに次へ進む」こと。時間短縮や品質を数値で把握しないと、社内に展開する根拠が示せず、投資判断につながりません。これらは、本記事の4ステップを順番に踏めば自然と回避できます。

このスモールスタートの考え方は、AI導入全般に共通します。組織としての進め方はAI導入のステップbyステップガイド、業務効率化の事例全体像は生成AIによる業務効率化事例も合わせてご覧ください。

課題とガードレール — 安全に任せるための設計

AIエージェントに業務を任せる範囲が広がるほど、ガードレール（安全装置）の設計が重要になります。最低限、次の3領域は押さえておきましょう。

セキュリティとデータ管理: エージェントが社内システムや外部APIと連携する過程で、機密情報が意図せず外部に送信されるリスクがあります。扱ってよいデータの分類、アクセス権限の最小化、通信の暗号化、操作ログの記録が基本です。特にMCPで社内システムに接続する場合は、エージェントがアクセスできる範囲を必要最小限に絞ります。

精度とハルシネーション対策: もっともらしい誤りを完全には防げない前提で運用します。重要な出力には出典明記を義務付け、外部に出る成果物は人間レビューを必須にします。原則5（検証の組み込み）を、テンプレートレベルで標準化しておくのが効果的です。

人間の確認と承認フロー（Human-in-the-Loop）: 外部システムへの書き込みや、顧客への送信、不可逆なアクションの前には、人間の承認を挟む設計にします。「何をさせるか」より「何をさせないか・どこで止めるか」を決めることが、安全な自動化の本質です。具体的には、①エージェントが実行できるアクションの範囲をあらかじめ列挙する、②金額や送信先など一定の閾値を超える操作は必ず人間承認を必須にする、③すべての操作を後から追跡できるようログを残す——という3点を最低ラインとして設計します。

権限設計の考え方として覚えておきたいのが「最小権限の原則」です。エージェントには、そのタスクに必要な最小限のデータとツールだけを与えます。「便利だから」と広い権限を与えると、想定外のアクションや情報漏洩のリスクが上がります。タスクが増えるたびに権限を足していく、という引き算ではなく足し算の発想が安全です。

これらのガードレール設計を含め、組織としてAI活用を統制する枠組みについてはAIガバナンスのフレームワークで体系的に解説しています。長時間にわたって自律的にタスクを実行させる場合の運用設計は、Claudeのマネージドエージェントも参考になります。

koromoの実践から — タスクを任せる現場で見えたこと

koromoでは、クライアントの業務効率化プロジェクトでAIエージェントの活用を支援しています。その現場で繰り返し実感するのは、成果を分けるのはツールの選定そのものより、「タスクの切り出し方」と「指示の設計」だということです。

たとえば、ある企業で定例レポート作成の自動化を進めた際、最初の壁になったのは「レポートに載せる数値をエージェントが取り違える」ことでした。原因は、元データの列の意味（売上か粗利か、税抜か税込か）を渡していなかったことにあります。指示テンプレートに列定義の説明と「計算はコードで実行」「不明値は空欄」を加えたところ、出力の信頼性が大きく改善しました。

この経験が示すのは、本記事で繰り返してきた原則の重要性そのものです。エージェントは優秀な実行者ですが、前提と評価基準を渡されなければ的を外します。逆に、コンテキストを先渡しし、フォーマットを固定し、検証を指示に組み込むだけで、同じツールから引き出せる成果物の質は段違いになります。

もう一つの学びは、「最初から完璧な自動化を狙わない」ことの大切さです。1タスクで型を作り、人間のレビューで磨き、効果を確認してから広げる——この地道な反復こそが、結果的に最も速く実用レベルに到達する道でした。「AIエージェントを導入する」と身構えるより、「いつもの業務を、いつもの指示の代わりにエージェントに頼んでみる」くらいの軽さで始めるほうが、現場に定着しやすいというのが率直な実感です。

まとめ — 「できる」の先の「どうやらせるか」へ

AIエージェントの価値は、「何ができるか」を知ることではなく、「自社の業務を実際にどう任せるか」を実装できるかどうかで決まります。本記事のポイントを振り返ります。

• タスクは5つの能力（ツール実行・コード実行・ファイル操作・Web検索・MCP連携）に分解すると、実現可能性とツール選びの当たりが付く
• 成果物の精度は8つの指示の原則で大きく変わる。特にコンテキスト先渡し・フォーマット固定・検証の組み込みが効く
• タスク別に「実現方法・ツール・プロンプト例」を押さえれば、資料作成からデータ分析まで実際に任せられる
• 「任せるべきでないタスク」を見極め、スモールスタートとガードレールで安全に広げる

「できます」で止まる情報は世の中に溢れています。大切なのは、その先の「こうやればできる」を、自社の業務で再現することです。

koromoでは、どの業務をAIエージェントに任せられるかの整理から、ツール選定・指示設計・ガードレール構築・本番化までを、生成AI業務効率化（automation）とAI戦略・CAIO代行（ai）の両面から支援しています。「自社のこの業務、任せられる？」という段階からでも、お気軽にご相談ください。

よくある質問（FAQ）