十数個のAIエージェントを同時に走らせると、生産性が飛躍したように見えますが、実際には誰も読まないスライドやレポートを量産しているだけ、ということが少なくありません。解決策はエージェントを減らすことではなく、管理を引き締めることです。エージェントが生み出す人間の作業量を数える、確約するより多くの実験を回す、タスクが定例化する前に終了時期を決める、そして自分の注意力を予算として扱い、専任の「チーフ・オブ・スタッフ」エージェントに守らせる。この4つの原則は、ClaudeやOpenAI Codexの中でエージェントを実際に運用した経験から得られたもので、共通する前提は一つ、出力量は完成した仕事と同じではない、という点です。
エージェントの「忙しいふり」が見抜きにくい理由
「AIファクトリー」「エージェントスウォーム」「並列エージェント」といった言葉は、いずれも同じ行動を促します。できるだけ多くのエージェントを同時に立ち上げることです。その結果の多くは、生産性の演出にすぎません。仕事のように見え、仕事のようにトークンを消費し、誰も気に留めない取締役会向けスライドで終わります。厄介なのは、生成物の量と仕上がりの良さが立派に見えるため、AIによる空回りは通常のオフィスの雑務より見抜きにくいことです。新しいアプリや計画、常時稼働のエージェントをいくつも抱えながら、その土台となる事業はまだ立ち上がっていない、という人が珍しくなくなっています。
したがって、自律エージェントの管理には、知識労働者がこれまで使ってきたどのツールよりも強い意図性が求められるように見えます。以下の4つの原則は、それを補うための方法です。
原則1:エージェントの完了後に残る人間の作業を数える
エージェントの本当のコストは生成時間ではありません。生成物を読み、理解し、検証し、行動に移すために必要な人間の注意力です。出力の速さが目を奪うため、利用者はこの計算を飛ばしがちです。
良い例を挙げましょう。サウスジャージーで料理ビジネスを営むあるシェフは、Claudeを使って顧客ごとにカスタマイズした提案書の下書きを作り、2026年9月15日に公開されたClaudeの事例紹介によれば、約6週間で$20,000を稼ぎました。このワークフローがうまくいくのは、提案が通れば、本人が本当にやりたい高単価の料理の仕事に直結するからです。下流に生じる人間の作業こそが目的であり、負担ではありません。
エージェントを立ち上げる前に、次の3つの選別質問が役立ちます。
- この出力を誰が使うのか
- 出力ができた後に何が起きるのか
- その後に続く作業に、本当に時間を使いたいのか
よくある落とし穴は、AIの成果物を「以前なら1週間かかった」「開発者1人分」「チーム丸ごと分」といった所要時間で評価することです。この比較は、そのタスクがそもそも自分の時間に値するかどうかについて何も語りません。下書きの1週間を節約してくれるレポートでも、根底にある意思決定が無関係だったり他の人の担当だったりすれば、読むための10分が無駄になります。同じ論理は規模が大きくなっても当てはまります。組織全体に自動送信される週次レポートは、受け取るすべてのチームに、正当性の検証もないまま定期的な注意力の税金を静かに課すことになります。
計算過程を示させ、チェック用エージェントを使う
1984年から会社を経営するシカゴ近郊の塗装業者は、2026年9月10日に公開された中小企業経営者1,000人を取り上げたClaudeのプロフィール記事にあるとおり、入札のために複数階にわたる建築図面のPDFをClaudeで解析しています。彼は、Claudeが実際の壁の寸法を測る代わりに床面積の乗数を当てはめていたことに気づきました。大幅な安値入札につながりかねない誤りです。これに対する彼の対応は、プロンプトに恒常的なルールを設けることでした。すべての計算と各測定ステップを示す、というものです。

▲ 床面積の近道と実際の壁の寸法測定
ここから2つの教訓が得られます。第一に、どの計算を精査すべきかは専門知識が教えてくれるので、それに応じて割り当てを調整すること。第二に、欠陥のある中核数値の上に築かれた体裁の良い提案書は、見当違いの自信を招くため、役に立たないどころか害になることです。検証の負荷を減らすには、狭い任務を与えた二次的なチェック用エージェントを配置します。
- 主張の裏付けとなる根拠を確認する
- 答えを変えてしまう前提を見つける
- 本来なら自分で調べなければならない疑問を解消する
これにより調査の手順を肩代わりさせ、人間の注意力は判断と職人技のために温存できます。ただし、難しい概念について深く考えることは、品質を落とさずに外注することはいまだにできません。
原則2:確約するより多くの実験を回す
方向性が不確かなとき、エージェントは大胆な仮説を試し、失敗したものを捨てるための安価なサンドボックスになります。現実に触れて生き残れなかった実験を捨てることは価値ある仕事です。後になって高くつく悪循環を防いでくれます。
誤りは、安価な実験をすべて義務的なプロジェクトとして扱うことです。実験がプロジェクトになった瞬間、意思決定、技術スタック、フィードバックループ、保守が付いてきます。物事を始める活性化エネルギーが下がったということは、1か月のうちに抱えきれないほどの継続的な義務を積み上げられるということでもあります。
並列エージェントを別々の仮説に向ける
解約率が上昇しているサブスクリプション事業を考えてみましょう。並列エージェントの良い使い方は、それぞれを別の枝に進ませることです。解約理由、ユーザーがどこで助けを求めているか、そしてサポートチケット、解約時のメモ、購入ログを横断して再加入者と離脱者はどう違うか、という具合です。目的は、何かを作る前に、解約が不満から来ているのか一時的な利用パターンから来ているのかを知ることです。
多くのチームはこの調査を飛ばし、すぐにロイヤルティプログラム、料金ページ、復帰促進フローの設計をエージェントに任せます。いったんそのコードが存在すると、サンクコストの錯誤によって、たとえ顧客がそもそも製品を嫌っていなかったとしても、捨てるのが難しくなります。
並列エージェントが最も力を発揮するのは、中心となる問題を軸に組織し、それを理解・探索・解決という異なる次元に分割するときです。最も弱いのは、同じ答えの文体違いを5つ生み出すときで、人間には重い比較作業が残り、新しい洞察はほとんど得られません。
最後に、決定的なデータがどのデジタルシステムにも存在しない場合を見極めることです。不確実なのが支払い意欲であれば、エージェントによる模擬調査や合成ペルソナは人を欺きます。誰かが実際の顧客にお金を払ってくれるか尋ねなければなりません。解約したユーザーへの直接の電話は、生成されたペルソナに勝ります。難しい会話を避けられる安全で体裁の良い下書きを差し出すからといって、エージェントの提案を受け入れてはいけません。
実験を並列で回すことには、はっきりした利点が1つあります。本命の道筋が失敗しても、代替案について十分な文脈がすでにあるので、すぐにプランBに切り替えられることです。ただし、集中と決定権限は依然として人間の責任です。
原則3:定例化する前に終わりを決める
どんなタスクも定例の仕事になる前に、いつ止めるかを決めておきます。終了基準がなければ、定例エージェントは存在理由を失った後も生き続け、気づかれないままバックグラウンドでトークンを消費し続けます。
一例を挙げます。進出候補の市場について週次アップデートを送るよう設定されたエージェントが、2か月前に別の市場が選ばれていたにもかかわらず、誰にも読まれないまま送信を続けていました。このパターンはどこでも繰り返されます。一瞬の好奇心が定例の仕事になり、一時的な懸念が毎日の監視パイプラインになります。
エージェントは指示を無期限に実行し続けるので、未読の自動レポートの山はワークフロー規律の失敗であって、AIのバグではありません。対策は、タスクに明示的な停止条件を書き込むことです。たとえば「このメールに3日以内に返信がなければ、送信を止める」といった具合です。
関連する規律として、意図を絞り込み、狭く、強く保つことがあります。エージェントの発見に、次に何へ興味を向けるかを決めさせてしまうのは魅力的です。そうではなく、その発見がさらなる探索に値するかどうかは人間が判断します。
原則4:注意力に予算を設ける
4つ目の原則は、最も議論を呼びやすく、実装も最も難しいものですが、他の原則を結びつける要となります。エージェントの注意力は事実上無限です。常に起きていて、常に働き、際限なく生産できます。人間には休息、バランス、限られた集中が必要です。両者のやり取りは、機械の能力ではなく人間の限界を軸に設計しなければなりません。

▲ アラートを選別するチーフ・オブ・スタッフ型エージェント
注意力の予算とは、分単位の厳格な計数ではありません。入ってくる情報を、戦略目標にとって本当に重要かどうかで整理するフィルターです。実践的な実装は、専門のサブエージェントと自分の間に置くチーフ・オブ・スタッフエージェントです。このエージェントは既存のコミットメントと、新しい任務がそれに何を加えるかを把握し、他のエージェントから上がってくるアラートを選別します。大半はそこで止まります。チーフ・オブ・スタッフが割り込むのは、次の2種類の項目だけです。
| 割り込みの条件 | 例 |
|---|---|
| 期限に縛られたコミットメント | 対応が必要な優先度の高い義務 |
| 判断を変える証拠 | 進行中の優先事項に関わる、めったにない顧客の自発的なエピソード |
定型的なステータス通知は留め置かれ、経営上の優先事項に合致する顧客の話は1件でも通されます。できあがるモデルは単純です。自分がエージェントを管理し、チーフ・オブ・スタッフが構造化された選択肢と運用上の要件を用意して、レビューに回します。この働き方は、より多くを生み出しながら、忙しさの感覚ははるかに少ないように見えます。
複数の稼働中エージェントに圧倒されそうになったら、その感覚を具体的な摩擦点や失敗モードまでたどり、原因となったエージェントの背後にある意図を明確にします。アーキテクチャがソフトウェアファクトリーであれ、並列エージェントの集合であれ、強力なモデル1つが多数の安価なワーカーを指揮するスウォームであれ、成功は同じところに帰着します。何が重要かを選び、それを明確に伝え、重要でないものを止めることです。
3つの質問と「真実を語る」プロンプト
すでに稼働しているものを監査するには、稼働中の各エージェントに3つの質問を投げかけます。
- 本当に自分が気にかけていることか
- まだ学びを得ている最中の実験か
- 止め忘れただけで動いているのではないか
3つすべてに当てはまらないものは演出です。厄介なのは、エージェントがあらゆる出力を重大かつ緊急なものとして自然に提示し、優先順位を歪めることです。「真実を語る(Truth Teller)」プロンプトはこれに対抗し、どの通知が単なる実験や無視できるノイズなのかを率直に言わせます。「これは重要だ、これは大事だ」を「これは実際には重要ではない、これは単なる実験だ」に変換するのです。
次にすべきこと
4つの原則を貫くのは、エージェントが増え、トークンが増えても、生産性が増えるわけではないという点です。生産性を増やすのは、完成した価値ある仕事です。実践では次のとおりです。
- プロンプトを打つ前に、結果を読み、検証し、行動に移すのに必要な人間の時間を見積もり、その作業を引き受けたいかどうかを決める
- 数値を伴う入札や見積もりには、段階的な計算を必須とし、答えを変える前提を探すチェック用エージェントを追加する
- 実験は自由に行うが、実験とプロジェクトの間に厳格な関門を設け、並列エージェントには1つの答えのバリエーションではなく別々の問いを与える
- 需要、価格、満足度が未解決の問題であれば、エージェントのエコシステムを離れて顧客との会話に向かう
- 定例タスクには、開始前に必ず停止条件を書き込む
- 割り込み条件を2つだけ持つチーフ・オブ・スタッフエージェントを設置し、現在稼働中のすべてに3つの診断質問を適用する
このアプローチに基づけば、得られる見返りは稼働中エージェントの最大数ではなく、意図を人間がしっかり握ったままの、レバレッジの高い成果の短いリストです。


