AI時代の業務革新

ChatGPTが登場してから3年半。AIはもはや「試してみる」ツールではなく、「共に働く」協働者になった。本章では、なぜ今AIを学ぶべきなのか、AIを活用する人々の三つのタイプ、そして複雑な業務をAIに任せる際になぜ体系的な設計(ハーネス)が必要なのかを見ていく。本章は、第2章で扱う技術的概念に先立ち、「なぜ」という動機を確立する導入部である。

参考: McKinsey Global Survey on AI (2024–2025)、Gartner Enterprise AI Predictions (2025–2026)、Anthropic「Building Effective Agents」(2024年12月)

今なぜAIなのか

2022年末にChatGPTが登場して以来3年間、AIは私たちの働き方を根本的に変えつつある。単なる検索ツールや自動補完アシスタントではなく、レポートを書き、コードを生成し、データを分析し、プレゼンテーションをデザインする協働者へと進化した。専門知識のない人でも、AIを通じてアプリ、文書、分析結果を直接作成することが現実になっている。

韓国も例外ではない。大企業のAI導入率は70%を超え、政府のAI基本法施行やK-デジタルプラットフォーム推進など政策的支援も加速している。AI導入企業の生産性向上率は平均15~30%程度と報告されている。しかし、中小企業の導入率はまだ30~40%程度にとどまっており、導入格差が主要な課題として浮上している。

重要なのは「AIを使っている」という事実ではなく、「どのように」使っているかである。ChatGPTに質問を投げかけるだけでは競争力にはならない。AIエージェントシステムを自ら設計し、組織の業務プロセスに統合し、結果の品質を検証できる能力が必要である。これが本ワークショップの核心テーマである。

AI活用の三段階

AIを扱う人々のレベルは三段階に分けられる。大部分は第1段階にとどまっており、本ワークショップの目標は、第2段階から第3段階へ飛躍する最初の経験を提供することである。

第1段階のユーザーは「これを翻訳して」「このコードのバグを見つけて」のような単一のリクエストを投げる。有用ではあるが、複雑な業務には限界がある。第2段階の活用者はAIを自分の業務の一部とし、「このレポートの草案はAIが書き、私は戦略的判断に集中する」というように業務を再設計する。第3段階の設計者はさらに進んで、「このレポートを作るにはリサーチ・分析・作成・レビューが必要だから、各段階を専門エージェントに分担させよう」というようにエージェントシステム自体を設計する。

ハーネスエンジニアリングの必要性

AIを業務に活用していると、自然と限界を感じるようになる。「修正を依頼するほどエラーが積み重なる」「結果の品質が毎回ばらつく」「複雑な作業は一度で作れない」。これが体系的な設計(ハーネス)なしにAIを扱う際の経験である。

ハーネスエンジニアリング(Harness Engineering)は、AIに役割・ルール・検証基準を与える設計技術である。単純な命令プロンプトを、構造化された作業指示システムへとアップグレードするものである。

例えるなら、ハーネスのないAIは「自由に働け!」とだけ指示された新入社員のようなものである。意欲はあふれているが、何から手をつければよいか分からず、ミスをしても自分では気づかず、責任範囲も不明確である。ハーネスのあるAIは、「この役割はデータ調査専任、この役割は文書作成専任、レビューは必ず別の役割が行う、修正はgitで元に戻せる範囲でのみ」というように、明確な役割分離・検証・安全装置が備わったチームのようなものである。

マルチエージェント: 専門家チームの原理

単一のAIにすべてを任せると、三つの構造的限界が生じる。コンテキスト過負荷(すべての情報を一箇所に詰め込むと前半が薄れる)、役割の衝突(自分が書いた文章を自分でレビューすると見落としが生じる)、並列性の欠如(同時にできることも順番に処理して時間を浪費)。この限界は人間の組織においても同様に現れる。

解決策は単純である。企業が企画・開発・QAを分けるのと同じ原理で、AIも役割別エージェントに分けて協働させることである。これがマルチエージェントシステムである。

この原理は特定のAIツールに依存しない。Claude Code、Claude Desktop App、Antigravity、GitHub Copilotなど、どのツールを使っても、「役割を分け、検証を分離する」という概念は同様に適用される。本ワークショップでは4つのツールをすべて使用し、同じマルチエージェントの概念がツールごとにどのように異なって実装されるかを直接体験する。

どこで活用できるか

マルチエージェントチームは業務ドメインによってさまざまな形で適用される。共通するパターンは「リサーチ → 分析 → 作成 → レビュー」というパイプライン構造であり、各段階を専門エージェントが担当する。実務で時間短縮効果が最も顕著な領域をいくつか例に挙げてみる。

注意すべき点がある。時間短縮は「AIが人を代替する」ことを意味しない。AIが草案を素早く作成すれば、人はその節約した時間を、AIにはできない戦略的判断、批判的レビュー、クライアントとのコミュニケーションといった高付加価値の活動に投資できる。20分で草案が出来上がれば、残りの2時間40分は内容の正確性の検証、戦略的インサイトの追加、読み手に合わせたメッセージの調整に使えるという意味である。

Klarna(スウェーデンのフィンテック企業)の事例が代表的である。AIアシスタント導入後の最初の1か月で、230万件の顧客対応をAIが処理した。これは約700人相当の担当者の業務量に相当する。しかし、担当者700人を解雇したのではなく、彼らを複雑な対応や顧客関係管理へと再配置した。AIが単純な反復業務を担い、人が複雑な判断を担当する構造である。

本日のワークショップで得られるもの

本ワークショップは理論ではなく、直接体験する実践的なワークショップである。2日間かけて、AIエージェントチームを自ら稼働させ、新しいエージェントチームを自ら設計してみる。

1日目 — 一般ユーザー: マルチエージェント実践活用

• 本章で学んだ「なぜAIなのか」を基に、実際にエージェントチームを稼働させてみる
• co-consultバリアント(variant)で「Physical AI市場調査」コンサルティングプロジェクトを実施 — 10人の専門エージェントが7段階のコンサルティングワークフローを自動で稼働
• co-deckバリアント(variant)で「韓食のグローバル化」発表資料を制作 — 11段階のパイプライン(研究→デザイン→PDF)が自動で実行
• 二つのバリアント(variant)の構造の違いを直接比較し、「マルチエージェントはドメインごとに異なって設計される」ことを体感

2日目 — ITプロフェッショナル: アーキテクチャ・新規作成・キャップストーン

• ai-workspace-standardsのアーキテクチャ深掘り — L0→L1→L2の階層構造、モデルティアリング
• ツール比較と企業運用戦略 — 4つのツールの技術的な違い、サービスチケットモデル vs バリアントモデル
• co-retailという新しいバリアント(variant)をPhase Aプロトタイプとして自ら設計
• キャップストーン: 自分自身の実際の反復業務を選び、マルチエージェントチームとして再設計