イノベラボでは、AIを前提とする業務のアップデートとして、既存業務をベースにAIエージェント化に取り組んでいます。目指すのは、単なるチャットボットとしてAIを活用するのではなく、これまで人間が行っていたタスクの洗い出しや進捗管理といった業務までAI自身が考え、判断できるシステムです。実際に技術戦略チームにおいても、生成AIを実務に深く組み込んでいます。

例えばリサーチ業務においては、人間が指示するのは具体的な作業手順ではなく、あくまで「目的や最終的なゴール」のみです。それを受けると、AI自らがゴールに至るまでのシナリオを構造化し、実行プランを即座に策定してくれます。数百件におよぶ技術トレンドの調査から詳細なシナリオ作成までを、短期間で完遂できるのが内部検証において確認されています。

従来、手作業で数ヵ月を要していた業務が、数日あるいは数時間で完了する可能性も現実味を帯びてきました。この大幅なスピードアップにより、試行回数とアウトプットの量を増やすことが可能になっています。

日々アップデートを重ねている生成AIは、具体的に指示すれば指示通りの結果に留まりますが、「目的を達成するための最適解は何か？」という観点で考えさせる設計にすると、基盤となるLLMの性能向上や参照させる形式知（データ）の整備に伴ってアウトプット精度が段階的に高まり、成果の幅が広がる可能性があります。

そのため検証プロセスでとりわけ重視しているのは、AIにインプットするデータの質です。AIは構造化や大量処理に長けている反面、ゼロから問いを立てることや論理で説明しきれない熱量やこだわりは持ち合わせていません。この部分の具現化こそが人間に求められる役割となります。

重要なのは、単なる実行指示ではなく、「どのような課題を解決したいのか？」「この業務は何のためにやっているのか？」という本質的な目的を人間が言語化することです。明確な目的設定さえできれば、後はAI自身がゴールに至るシナリオを考えます。

さらにその先には、ソフトウェア開発でいえば要件定義や設計、コーディングといった各工程を担うAIエージェントを構築し、複数のAIエージェントが連携して業務を進めることを想定しています。加えて、PM（プロジェクトマネージャー）に相当するAIエージェントが全体の進行管理をするかたちも視野に入れています。

その域まで達成すれば、人間は要件の精緻化や事業課題の成功条件、システムの課題整理など、よりクリエイティブな領域に集中の余地が広がる可能性が示されています。

社内に点在する市場価値の高い暗黙知については、データ化して集約し、形式知として誰もが利用可能な状態を目指しています。このシステムの独自性は、日々の業務を通じて自動的に組織の知見が集約され、AI自体が進化し続ける「ループ構造」にあります。

会議の音声データやチャットの履歴、作成資料などのさまざまなデータから、AIが背景にある目的や文脈を推論・抽出し、利用可能な形式知としてデータベースに蓄積します。通常、個人の経験や勘といった暗黙知を形式化するには膨大な人的コストが必要となりますが、AIが変換プロセス自体を担うのです。

蓄積されたデータはAIが参照する「知識」となり、業務を繰り返すたびに回答精度や文脈理解が向上します。業務を重ねるごとにAI自体も学習し、組織固有の知見やノウハウを獲得していくエコシステムが形成される仕組みです。

AIエージェントを実務レベルで機能させるためには、企業独自のカルチャーや品質基準までインプットする必要があります。例えばNECグループなら、社会インフラを担う企業としての倫理観と厳格な品質基準です。こうした企業文化や価値観は、一般的なLLM（大規模言語モデル）には備わっておらず、基本的に取り込まれた知見は平均化されてしまうため、企業固有の独自性については意図的にインプットする必要があります。

そこで、組織としての独自性や競争力の源泉となり得る、組織固有の文化や判断基準をコンテキストとして言語化・データ化し、AIエージェントの人格や判断ロジックの一部として組み込む独自の設計を採用しています。

運用過程における最大の課題は、データの質です。例えば、会議中の発言は種々雑多で、思いつきのアイデアと重要な意見が混在しています。しかしAIは発言の重要度を判断しません。すべての発言を同等の重要度で読み込んでしまうため、AIの回答精度は低下し、平均的で役に立たない回答をするようになってしまいます。

「何が重要で、何がノイズか？」の判断には高度な文脈理解が求められるため、現段階では選別に人間の介入が必要ですが、将来的には選別プロセス自体もAI化する構想があります。