Agentic AIの本格到来：Claude Fable 5/Mythos 5とGrok 4.5で業務を変える

この記事のまとめ

Agentic AIは、目標を受け取り、計画を立て、道具を使い、結果を見て判断を直す仕組みです。Claude Fable 5とMythos 5、そしてGrokのマルチエージェント機能の登場で、長時間の作業や複数エージェントの協働が現実になりました。要点は次のとおりです。

数日にわたる複雑な作業をAIに任せて、人は成果物のレビューに集中できます
デスクトップ操作API（Computer Use API）とマネージド実行基盤（Managed Agents）が、画面操作と長時間実行の土台になります
統制を組み込んだ組織は、AIエージェントの導入数が16倍で営業利益率が18%高いという結果があります
機能単位で適用領域を選び、スキーマ検証と段階展開で失敗を減らせます

Agentic AIの基礎と業務変革のインパクト

Agentic AIの定義と3つの中核特性

Agentic AIの定義は、感知し、判断し、行動する能力を備えたソフトウェアです。

ある活動の実行が自律的にできるものを指します（参照*1）。次のAIの波は反応型ではなく、能動的で持続的、目標志向のエージェントであり、その特性は自律性、長期的な目標志向、文脈適応性の3つに整理されます（参照*2）。

つまり、指示を都度もらって動く道具ではなく、目的を渡すと自分で段取りを組んで進める仕組みです。私がこれまでChatGPTやClaudeを業務で使ってきた経験から言うと、従来の生成AIは「問いに答える道具」でした。Agentic AIはそこから一歩踏み込んで、「何を問うべきかを自分で考えて動く仕組み」に変わります。業務のどこに「判断」と「行動」を委ねられるかを見定めることが、次の検討ポイントになります。

RPA・生成AIとの決定的な違い

Agentic AIは、従来の自動化ツールやチャット型の生成AIとは役割が根本的に異なります。

エージェントは、目標を受け取り、計画を作り、道具やAPIを呼び出し、結果を確認して動きを直す判断層です。これは、テキストを返すだけの基本的なチャットボットとは異なります（参照*3）。決められたスクリプトに従うだけのRPAと違い、AIエージェントは非構造の環境で動き、状況に合わせた判断をリアルタイムで下し、結果から学び、能動的に動きます（参照*4）。

私はコンサルティングの現場で、RPAが「決まった作業を速くこなす」道具として使われ、その限界も見てきました。Agentic AIはそこから一段上がって、「作業の中身を状況に応じて選び直す」ところまで踏み込みます。この違いは、業務変革の設計に直結します。

タスク自動化から成果オーケストレーションへ

Agentic AIは、単発タスクではなくワークフロー全体を動かす使い方に向いています。

限定的な人の介入と制約された自律性のもとで、1つ以上のAIエージェントが協調してワークフロー全体を動かす使い方を指します（参照*4）。エージェントは計画を立ててツールを呼び、途中の結果を点検しながら動きを修正します（参照*3）。

生成AIを使い込んできた実感として、単発タスクへの指示出しはすでに多くの人が慣れてきました。Agentic AIが変えるのはその先で、成果に向けた一連の段取りをまとめて任せる発想への転換です。人の仕事は、指示出しから、途中の目標設定と最終成果のレビューへと重心が移っていきます。ここは、AIに何をさせるかを言語化できる人ほど有利になる領域だと見ています。

本格到来を告げる次世代モデルの進化

Claude Fable 5の長期タスク対応力

Claude Fable 5は、長時間かつ複雑な作業に耐えるモデルです。

5世代目のモデルで、これまでのモデルでは維持できなかった数日規模の複雑で非同期のタスクに取り組めます。Claude CodeやClaude Managed Agentsのようなエージェントの器の中で動かすと、段階をまたいだ計画立案、サブエージェントへの委任、自分の作業の点検を行いながら、数日にわたって動き続けます（参照*5）。Claude Fable 5は、最も要求の厳しい推論と長期のエージェント作業向けに作られた、広く提供される中で最も高性能なモデルとされます（参照*6）。

私はこれまで、調査や文章作成でClaude、ChatGPT、Geminiなどに同じ課題を与えて比較してきました。その経験から言うと、長文の一貫性と推論の深さはClaudeが強い場面が多い印象です。Fable 5が数日規模の作業を持続できるとすれば、これまで細切れに指示を出していた調査や開発の段取りを、目的単位でまとめて任せる選択肢が実務に入ってきます。長い作業を1本のエージェントに預けられるかどうかは、業務変革の設計を大きく左右します。

Mythos 5と安全版Fableの使い分け

Claude Fable 5とClaude Mythos 5は、同じ基盤能力を持ちながら提供条件と安全分類器の有無が異なります。

Claude Mythos 5はFable 5と同じ能力を備え、Project Glasswingを通じた限定提供となっています。統合での大きな違いは、Claude Fable 5にはリクエストを拒否できる安全分類器が含まれ、Claude Mythos 5にはこの分類器が含まれない点です（参照*6）。Mythos 5はサイバーセキュリティや生物学の研究に対して非常に高性能なため、善用と悪用の両面がありえます。現時点では、信頼できるアクセスプログラムを通じて、少数ながら拡大する顧客だけに提供されます。Claude Fable 5はMythos 5と同じ基盤モデルに、サイバーセキュリティと生物学向けの堅牢な安全策を組み込んだものです（参照*7）。

生成AI導入支援をしてきた経験から言うと、安全分類器の有無は技術的な細部ではなく、導入可否を分ける経営判断に直結します。一般的な業務ではFable 5、限られた研究用途で深く踏み込む場合はMythos 5、という整理になりますが、扱う情報の性質と法務・コンプライアンスの確認を先に済ませることが、現実的な順序です。

Grok 4.5の並列マルチエージェント

Grokのマルチエージェント機能は、並列で深いリサーチを進める用途に向いています。

Realtime Multi-agent Researchは、Grokが複数のAIエージェントをリアルタイムで連携させ、深く多段のリサーチ作業を行えるようにする機能です。1つのリクエストに何体のエージェントを協働させるかを設定でき、4エージェント構成と16エージェント構成の2種類が用意されています。エージェント数を増やすほど、より深く網羅的なリサーチができる一方で、トークン消費と待ち時間は増えます（参照*8）。

私はDeep Research系の機能をいくつか検証してきましたが、長文の調査レポートが出力されても、誤情報や根拠の弱い記述が混ざることは実際に確認しています。Grokの並列構成も同じ注意が必要です。期限に余裕のあるリサーチや、複数の観点で情報を突き合わせたい場面に向きますが、出力を最終成果物としてそのまま使うのではなく、調査時間を縮める道具として位置づける発想が重要です。

業務変革を支える3つの中核テクノロジー

Computer Use APIによるデスクトップ操作

デスクトップ操作API（Computer Use API）は、エージェントがパソコンを直接触るための土台です。

Claudeはcomputer useツールを通じてコンピューター環境とやり取りできます。画面のスクリーンショット取得、マウスのクリック・ドラッグ・カーソル移動、キーボード入力やショートカット操作といった能力を備え、デスクトップの自律的な操作を実現します（参照*9）。同種の仕組みは他社にもあり、コンピューター操作エージェント（Computer-Using Agent）は視覚能力と高度な推論を組み合わせてGUIを操作し、自動データ入力、請求書処理、データ抽出などに使えます。AIで動くため、画面の変更にも適応します（参照*10）。

APIのない古い業務システムをどう自動化するかは、企業のAI導入相談でよく出てくる問いです。Computer Use APIは、そこへの現実的な答えになりえます。人が画面を見て操作していた仕事を、そのままエージェントに委ねられる領域が広がる一方で、画面構成が変わったときの誤作動リスクは事前に設計しておく必要があります。

Managed Agentsによる長時間実行基盤

マネージド実行基盤（Managed Agents）は、長時間動き続けるエージェントを支えます。

Claude Managed Agentsは、Claudeを自律エージェントとして動かすための器と実行基盤を提供します。エージェントループやツール実行、実行環境を自作せずとも、ファイルの読み書き、コマンドの実行、Webの閲覧、コードの実行を安全に行えるフルマネージド環境が用意されます。数分から数時間にわたり複数のツール呼び出しを繰り返す長時間実行のワークロードに向いています（参照*11）。判断側とコンテナ側を分離し、必要になった時だけツール呼び出しでコンテナを確保する構成により、最初のトークンまでの時間はp50でおよそ60%、p95で90%以上短縮されています（参照*12）。

私が生成AI導入支援を続けてきた実感として、「自前でエージェント基盤を組む」という選択肢は、多くの組織にとって現実的ではありません。Managed Agentsのような仕組みが整備されることで、業務側は目的と入出力の設計に集中できるようになります。ここが整うかどうかが、PoCで止まるか業務に定着するかの分岐点になることが多いです。

並列エージェントによる深層リサーチ

並列エージェントは、深いリサーチを速く進めるのに役立ちます。

多段のWebリサーチと複雑な情報検索を評価するBrowseCompやDeepSearchQAといったエージェント検索のベンチマークでは、基本的な検索ツールにプログラマティックなツール呼び出しを加えることで、平均11%の性能向上と、入力トークンの24%削減が確認されています（参照*13）。Grok側では、4体または16体のエージェントを並行して走らせる構成が用意されています（参照*8）。

情報を集めて突き合わせる作業は、これまで人が数日かけていた領域です。並列で回すことで時間を大幅に縮めつつ、コストも制御しやすくなります。ただし、見た目が調査レポートらしいほど、読者はかえって内容も正しいと錯覚しやすいという問題があります。速さと引き換えに検証の手を抜かないことが、実務での使いどころを決める判断軸になります。

業務適用ユースケースと具体的成果

ドキュメント作成とレポーティング自動化

Claude Fable 5は、資料作成や分析レポートの複数段階の知的作業を最小限の監督で扱えます。

深いリサーチと分析から、レビュー可能な成果物までを扱えます。チームは大きなプロジェクトを引き渡し、逐一の監督ではなく完成品のレビューに回れます。エンジニアリング用途では、数か月分の作業を数日に圧縮できるとされ、5,000万行のRubyコードベースにおいて、手作業なら2か月以上かかる内容が1日で完了した事例があります（参照*5）。

私自身、文章執筆ではAIに下書きを作らせたあと、論点、事実、表現を人間が確認して直す協働スタイルを取っています。Fable 5のような長期タスク対応が実用になれば、下調べと草案までを丸ごと任せ、人は方向性の判断と最終確認に集中する働き方が現実的になります。ただし、この「最終確認」を軽視すると、AI生成の誤情報や根拠の弱い記述がそのまま通ってしまうリスクがあります。時間の使い方が変わる分、確認の質を上げる設計も同時に必要です。

クライアント修正とワークフロー統合

Managed Agentsは、既存のクラウド環境に組み込む形で導入されています。

Amplitudeは、ブランドに沿った本番UIとマーケティング用のデザインを扱う社内ツールDesign Agentを、Managed AgentsとCloudflare上に構築し、より緊密な観測性と統制を確保しています。ClayのGTMエンジニアリング用エージェントSculptorは、Managed AgentsとDaytonaの上で、ワークフローを自律的に構築、テスト、監視します。機関投資家向け金融のAIプラットフォームであるRogoは、Managed AgentsとVercel Sandboxの上で、専有データを安全に扱うアナリストエージェントを構築しています（参照*14）。

どの事例も、既存のクラウド環境の上にエージェントを載せている点が共通します。「全社導入」から始めるのではなく、既存のワークフローの一部に差し込む形で始め、ノウハウを貯めながら広げていく現実的なアプローチです。生成AI導入で成果を出す組織は、いずれもこの順序を守っています。

公共サービスと業界別導入事例

公共部門では、問い合わせ対応の一次解決にAgentic AIが使われています。

アラブ首長国連邦の連邦人材庁が導入したHR AI Agentは、人事関連の法令や政策に関する問い合わせの80%超を自律的に解決し、5万人を超える連邦職員に対して、応答速度、一貫性、アクセスのしやすさを大きく改善しました（参照*4）。企業向けにも、自動データ入力、請求書処理、データ抽出といったGUI操作の自動化がComputer-Using Agentで示されています（参照*10）。

問い合わせ対応や事務処理は、多くの組織で件数が多く負担も重い領域です。ここに一次対応を任せる設計は、業種を問わず参考にしやすい入り口になります。私がAI活用プロジェクトで観察してきた範囲でも、「件数が多い、判断の型が決まっている、ミスが起きても人が修正できる」という条件が揃った業務は、エージェント導入の成功率が高い傾向があります。

導入拡大に伴うガバナンスと課題

AIコントロールギャップの実態

AI導入の拡大に対して、統制と可視性が追いついていない実態があります。

IBM Institute for Business Valueの調査では、AIが実験段階から全社導入へ進む中、調査対象のCIOとCTOの3分の2が、自分では完全に統制できていないAIシステムについて説明責任を負っていると報告した一方で、ガバナンスが規模に追いつけていないと示しました。2,000名のC-levelの技術幹部を対象にしたこの世界調査では、可視性の不足が広範に見られ、2027年までに導入されるAIエージェントの数が38%増加すると予測されています（参照*15）。30体のエージェントのうち25体は内部の安全性評価結果を開示しておらず、23体は第三者テストの情報がありません。第三者テストが文書化されているのは、Anthropic Claude、OpenAI ChatGPT、OpenAI Codexの3体だけです（参照*16）。

私が企業への導入支援を続けてきた中で感じるのも、まさにこの点です。生成AI導入の難しさは、モデル選定よりも、組織の意思決定とルール整備、出力品質の検証にあります。導入数の増加と可視性の不足が同時に進んでいる状況で、まず自組織で稼働するエージェントの一覧と評価状況を棚卸しすることが、現実的な出発点になります。

インシデント削減と統制設計の効果

統制を組み込んだ組織は、導入規模と収益性で明確な差が出ています。

分析によれば、統制をAIシステムに組み込んだ組織は、手作業のガバナンスに頼る組織と比べ、AIエージェントの導入数が16倍、営業利益率が18%高く、AI予算の支出は4分の1に抑えられます。回答した組織は昨年、意図しないもしくは有害な事象で人による是正が必要になったAIエージェントのインシデントを、平均54件経験しました（参照*15）。

この数字が示すのは、統制が導入のブレーキではなく、拡大の土台になるという事実です。AIの出力をそのまま社外に出すことがリスク管理の問題であるのと同様に、エージェントの動作を誰が確認し、間違いがあったときの責任はどこにあるかを最初から決めておくことが、安定した導入の条件になります。監査ログや権限設計を最初から仕込む設計は、事故を抑えつつ導入速度を上げる、現実的な打ち手です。

業務変革を成功させる導入戦略

機能単位で捉える適用領域の選定

適用領域は、部署ではなく機能単位で捉えるのが有効です。

70の政府中核機能を対象にしたレビューでは、その50%がAgentic AIの大きな可能性と、管理可能な実装複雑性の両方を備えており、制度的な能力と安全策が整っている場所では、規模を伴う導入の大きな機会があるとされました。あわせて、部門ではなく機能で考えるべきであり、Agentic AIは組織の境界を越えるワークフローで動くと整理されています（参照*4）。加えて、Triage Patternは、案件や活動を人、ルールベース、エージェントベースといった最も適した実行者へ動的に振り分ける知的な意思決定を含み、資源配分を最適化します（参照*1）。

実務では、部署の役割一覧ではなく、業務の流れを機能で並べ直す作業から始めるのが有効です。そこに、人、ルール、エージェントの担当を割り振っていく。私がコンサルティングで見てきた限り、「AIに何をさせるか」を決めるところで詰まる組織がほとんどです。成果物の形が自由すぎるため、目的・品質基準・入出力・検証方法を業務側が定義できないと、便利な実験で終わります。

検証・スキーマ準拠・段階展開

スキーマ検証は、自動化の破綻を防ぐ重要な要素です。

スキーマドリフトは、自動化が壊れる主要な原因です。OpenAIとAnthropicは、Structured OutputsおよびClaude Structured Outputsという形で、スキーマ強制の仕組みを標準で提供しており、各ステップの出力を機械的に解釈可能な状態に保ち、データが次の工程に流れる前にバリデーションを差し込めます（参照*3）。

この仕組みは地味ですが、導入の成否を分けます。生成AIの業務利用では、入力データ、出力形式、禁止事項、確認者、修正基準を決めなければプロンプトを配っても定着しない、というのが私の実感です。スキーマ検証と段階的な適用範囲の拡大を組み合わせることで、想定外の入出力に振り回されず、業務変革を着実に進められます。

おわりに

Agentic AIは、指示を待つ道具から、目的を任せられる仕組みへと立ち位置を変えました。Claude Fable 5とMythos 5、Grokのマルチエージェント機能、そしてComputer Use APIやManaged Agentsといった土台がそろい、長時間の作業や並列のリサーチが実務に載せられる段階に入っています。

一方で、統制の遅れや評価情報の不足という課題も同時に見えています。私が導入支援の現場で繰り返し感じるのは、AIの能力よりも「組織がそれを使える状態にあるか」が先に問われるという点です。機能単位で適用領域を選び、スキーマ検証と段階展開で足元を固めながら、統制を最初から組み込む設計を進めていくことが、業務変革を安定して進める道筋になります。

監修者

安達裕哉（あだちゆうや）

デロイトトーマツコンサルティングにて品質マネジメント、人事などの分野でコンサルティングに従事しその後、監査法人トーマツの中小企業向けコンサルティング部門の立ち上げに参画。大阪支社長、東京支社長を歴任したのち2013年5月にwebマーケティング、コンテンツ制作を行う「ティネクト株式会社」を設立。ビジネスメディア「Books&Apps」を運営。
2023年7月に生成AIコンサルティング、およびAIメディア運営を行う「ワークワンダース株式会社」を設立。ICJ2号ファンドによる調達を実施(1.3億円)。
著書「頭のいい人が話す前に考えていること」が、82万部（2025年3月時点）を売り上げる。
（”2023年・2024年上半期に日本で一番売れたビジネス書”（トーハン調べ／日販調べ））