プロンプトからループへ —— AIエージェント時代のワークフォース設計
生成AIの活用は、わずか数年で「どう指示を書くか」という技術論から、「業務そのものをどう設計し直すか」という経営論へと、急速に重心を移している。
プロンプト、コンテキスト、エージェント、そしてループ。進化の各段階で問われてきたものを辿ると、これからの競争力が「どのモデルを使うか」ではなく、「どの業務ループに、人とAIをどう配置するか」で決まることが見えてくる。
本稿では、AIエージェント時代に企業が設計すべき対象を「ループ」として捉え直し、人材配置とAI配置が不可分になる新しいワークフォース設計の方向性を論じる。
プロンプトを磨くだけ競争は、なぜ早晩終わるのか
ChatGPTのリリース(2022年11月)の登場以降の初期の生成AIブームにおいて、ユーザの関心は「どう問いかければ、望ましい答えが返ってくるか」に集中していた。例示(few-shot)を与える、役割を与える、手順を明示する、Chain of Thought を誘導する。いわゆるプロンプトエンジニアリングは、生成AIという新しい知的インターフェースを使いこなすための、最初の作法であった。
しかし、企業における業務は一問一答では終わらない。現実の仕事には、社内文書、顧客情報、過去の意思決定、業務ルール、権限、承認、例外処理が絡み合う。単一のプロンプトをいくら磨いても、動的に変化する業務環境には追いつけない。そこで業務における生成AI活用の重心は、RAG、MCP、Skills に代表されるコンテキストエンジニアリングへと移った。モデルに「何を聞くか」ではなく、モデルが判断するために「何を接続し、何を参照させ、どの手順を持たせるか」が問われるようになったのである。
教える対象は、考え方から、材料と道具へと変わった。そして現在、焦点はさらにその先——エージェントへと移っている。
エージェントに必要なのは、能力ではなく「ハーネス」である
エージェントと単なるプロンプト実行の違いは、目的に対して自律的に遂行できる点にある。情報を集め、状況を判断し、次の行動を決め、ツールを使い、結果を検証し、必要であれば再実行する。一回の入出力ではなく、目的という上位概念から逆算して、自ら手数を選ぶのである。
ここで必要になるのが、生成AIという強力だが御しがたい知性を業務に組み込むための「ハーネス（馬具）」である。能力の高い馬ほど、手綱を失えば大きく暴れる。ハーネスとは、その力を封じ込めるための安全装置ではない。強い力を、安全に、成果へと向けて解き放つための装具である。
実行環境、権限、ツール、メモリ、評価、監査、承認、停止条件。マルチエージェントによる計画・実行・自己フィードバック、ルールベースの品質チェック、権限境界、ログ、レビュー導線。これらはすべて、モデルの能力を業務成果へと変換するための制御構造にほかならない。
ここに至って、企業が設計すべきものは、プロンプトでも、コンテキストでも、個別のAIツールでもなくなる。設計対象は、ループである。
設計対象は、プロンプトではなくループになる
業務とは、本来ループである。観察し、状況を判断し、意思決定し、実行し、その結果をまた観察する。OODAループ——Observe、Orient、Decide、Act——として知られるこの構造は、人間の意思決定だけでなく、AIエージェントの業務遂行にもそのまま当てはまる。この循環をどこまでAIに委ね、どこで人間が介入し、どの条件で止めるか。それが、AIエージェント時代の設計論となる。
ここで、一つの逆転が起きる。プロンプトは、もはや常に人間が書くものではない。エージェントは状況を観察し、目的と制約を踏まえて、次に必要な問いや指示を自ら動的に生成する。人間が毎回指示を出すのではなく、エージェントが業務ループの中で、自分自身へのプロンプトを生み出していくのである。
その結果、人間の役割は、逐次の作業指示から、目的・評価基準・介入点・終了条件の設計へと移る。これは仕事の降格ではない。実行そのものから、実行の枠組みを定義する側へという、上流への移動である。
これは効率化ではなく、業務の再設計である
この変化を「業務の一部をAIで置き換える」と捉えるなら、本質を見誤る。問うべきは「この業務をAIで何％効率化できるか」ではない。「この業務の目的を達成するために、どのようなループを設計すべきか」である。
そのループの中で、設計すべき論点は明確だ。
AIが観察すべき情報は何か
判断に使う文脈（コンテキスト）は何か
実行してよい操作は、どこまでか
品質を、何によって測るか
どこで人間が承認し、どこで介入し、どこから先はAIに委ねるか
出発点を、既存の作業手順ではなく業務の目的そのものに置き直す。これは効率化ではなく、抜本的な業務プロセスの再設計（BPR）である。
この発想は、「AIネイティブ」という言葉で語られている。既存の製品や業務にAI機能を後付けすること（retrofit）ではない。AIの能力を前提として、業務のアーキテクチャそのものをゼロから組み直すことである。人間向けに設計された手順にAIを継ぎ足しても、最初からAIを前提に設計された仕組みとの性能差は、機能の追加では決して埋まらない。中をいじるのではなく、新しいモデルで業務を作り直す——勘所はそこにある。
ソフトウェアの外へ——多くのホワイトカラー業務に広がる
現在、この考え方はシステム設計、ソフトウェア開発、調査、分析といった、比較的構造化しやすく、成果の検証が容易な領域で先行している。しかし本質的には、多くのホワイトカラー業務に適用できる。営業、採用、経理、法務、カスタマーサクセス、事業企画、管理部門——これらの仕事もまた、情報収集・判断・実行・確認のループで成り立っているからである。
そして、見落としてはならない事実がある。最先端モデルの知識量や論理性は、多くの知的業務において、もはや十分どころか過剰ですらある。ボトルネックは、モデルの賢さではない。その賢さを、どの業務文脈に接続し、どの制約の中で走らせ、どの品質基準で止めるか——コンテキスト、ハーネス、ループの設計の不在こそが、成否を分けるのである。
加えて、モデルの長時間タスク遂行能力が向上し、かつては短い往復しか回せなかった制約も急速に消えつつある。長いループが、現実的な選択肢になりはじめている。
破壊される前に、自ら作り直す
この事実は、既存企業に重い問いを突きつける。AIネイティブに作り直された挑戦者は、すでに税務、監査、法務、コンサルティングといった、これまで人の専門性に守られてきた知的サービス産業にまで現れはじめている。エージェントが大半の作業を担い、人間は最終的な判断と品質保証に回る——そうした新しいモデルは、既存プレイヤーが業務の「中」を少しずつ改善している間に、構造ごと追い抜いていく。
かつて日本の電機産業が、ガラケーからスマートフォンへの転換点で主役の座を明け渡したように、技術の地殻変動は、産業の中心そのものを入れ替える力を持つ。AIネイティブな再設計は、既存の延長線上での改善とは、はじめから戦う土俵が違う。
ここでの教訓は明確である。ループの再設計は、破壊者が外から仕掛けてくるのを待つべきものではない。自社の業務を、誰よりもよく知る自社が、AIを前提とした新しいモデルで描き直す。ディスラプションは、先に自らへ仕掛けた者が制するのである。
人材配置とAI配置は、不可分になる
この変化は、組織設計の前提そのものを書き換える。かつて管理職一人が見られる範囲は、人間の認知の限界から五人から十人程度に縛られていた。だがAIは、無数のプロセスを同時に監視し、調整できる。ボトルネックはもはや人間の注意力ではなく、組織——すなわちループ——をどう設計するか、そのものに移った。これからは、人間の役割とAIの役割を、別々に考えることはできない。誰が判断し、誰が実行し、誰が監督し、どのエージェントがどの業務ループを担うのか。人材配置とAI配置は、不可分になる。
AIエージェント時代のワークフォース設計とは、人間の仕事をAIに奪わせることではない。目的達成のためのループを再設計し、その中に人間とAIを最適に配置することである。
プロンプトを書く時代から、ループを設計する時代へ。企業の競争力は、もはやどのモデルを使うかだけでは決まらない。どの業務ループを、人とAIのどの組み合わせで、どれだけ速く、どれだけ安全に、どれだけ継続的に改善できるか——そこで決まる。 一部の企業で始まっているCHRO (Chief Human Resources Officer) とCTO/CAIO (Chief AI Officer) の連携/一体化は、まさにこの課題に応えるための組織設計の先行事例である。組織構造と人材配置の最適化はAIエージェントの配置と不可分であり、経営の意思決定に直結する。また、Claude Fable5のような高機能・高価格のモデルが登場する中でROT(Returns on Tokens; LLMが利用するトークンあたりの業務価値)の最大化も新たな経営課題となる。
労働人口の制約という構造的課題を抱える日本企業にとって、これは単なる技術導入の話ではなく、競争力を取り戻すための経営の選択である。
▼執筆者プロフィール
上田 慶祐（うえだ けいすけ）
グロービング株式会社 上級執行役員/CTO
大阪大学大学院人間研究科を修了後、PwCコンサルティングを経て、現在に至る。
前職では、PMI・新規事業開発・DX戦略等のコンサルティングを経験したのち、AIによる予測モデルの開発と業務適用や自然言語処理を活用したソフトウェア開発及び事業開発などに従事し、コンサルティングとテクノロジーを掛け合わせ、実装まで踏み込んだサービスを提供した。
また、10年以上の個人開発や競技プログラミングの経験を持ち、ReactによるWebフロントエンド、PythonやRubyによるWebバックエンド、CDKやTerraformによる自動化も含めたAWSによるインフラ構築、PythonやRによるデータ分析・機械学習などフルスタックでの経験を持つ。
▼グロービング株式会社について
▼グロービングのLinkedInアカウント
▼執筆者の所属チームで募集しているポジション
▼グロービングへのお問い合わせ （note記事についてもこちらから）
お問い合わせ CONTACT | グロービング株式会社 Globe-ing Inc.
