- エージェント型AIは、静的な役割のみに基づくアクセスという従来のアプローチを超え、完全なプロセスを実行する自律型エージェントを導入します。
- リスクを管理するためには、組織はゼロアクセスモデルと、リスクや属性に基づいた動的でジャストインタイムなアクセス許可へと進化していく必要がある。
- ITSM（ITサービスマネジメント）およびIT運用においては、クリーンなデータと成熟したプロセスが存在する限り、エージェント型AIは既に生産性の大幅な向上とコスト削減を実現している。
- 重要なのは、PoLP（プライバシー保護原則）、強固なガバナンス、人的監視を、マルチエージェントによるオーケストレーションと継続的に評価されるアクセス決定と組み合わせることである。
ビジネスにおけるエージェント型AIの台頭は、サイバーセキュリティやアクセス管理においてこれまで当然のこととされてきた多くの前提を覆しつつあります。これまで、ほとんどすべてが組織図に基づいて構成されていました。役割、多かれ少なかれ安定した権限設定、それだけです。しかし、ユーザーがもはや単なる人間ではなく、自律的に行動するAIエージェントでもある世界では、このモデルは崩壊し始めています。
一方、従来の役割ベースアクセス制御（RBAC）は、機密データの保護と最小権限の原則の徹底に不可欠ですが、タスク、システム、コンテキストを数秒で切り替える自律型エージェントが登場すると、その有効性は薄れてしまいます。課題は、組織図上の自分の位置づけだけではなく、今、何を、どれくらいの時間、どのようなリスク条件下で行う必要があるのか、という点にまで及ぶのです。
エージェント型AIとは何か？そして、なぜそれがゲームのルールを変えつつあるのか？
エージェント型AIとは、目標を解釈し、計画を立案し、人、アプリケーション、またはプロセスに代わって現実世界のタスクを実行する自律的なエージェントとして機能する人工知能システムのことです。単に会話をするだけでなく、意思決定を行い、APIを呼び出し、データを変更し、情報を統合し、エンドツーエンドのワークフローを完了します。
従来型のAIシステムは非常に特定のタスクに焦点を当てているのに対し、エージェント型AIは目標指向的に動作します。ユーザーは達成したいこと（例えば、キャンペーンの開始、ウェブサイトの更新、問題の解決など）を示し、エージェントは問題をサブタスクに分解し、互いに連携を取りながら、最小限の人的介入でそれを実行します。
このアプローチは、高度な言語モデル（LLM）、スケジューリングメカニズム、コンテキストを保持するためのメモリ、そして企業ツールやデータとの連携に依存しています。その結果、非常に強力なシステムが実現します。それは、単に応答するだけでなく、ビジネスプロセスや基幹システム内で動作するシステムです。
その直接的な結果として、「ユーザー」という概念が拡大する。もはや従業員やサプライヤーだけではなく、独自のIDを持つ数十、数百ものAIエージェントについても言及することになる。これらのAIエージェントは、生産システム、コードリポジトリ、ERP、CRM、分析プラットフォーム、あるいはハイブリッドクラウド環境にアクセスするための許可を必要とする。
生成型AIからエージェント型AIへ：応答から実行へ
多くの人は、指示に応じてテキスト、画像、コード、音声などを生成する生成ツールを通してAIに親しんできました。これらのツールは、メールの作成、文書の要約、アイデアの創出などに非常に役立ちますが、それぞれのタスクを実行するには、人が明示的に指示する必要があります。
エージェントAIはさらに一歩進んで、インタラクションモデルを変革します。常に「指示を待つ」のではなく、目標とワークフローに基づいて動作します。タスクをステップに分解し、各段階で使用するツールを選択し、アクションを実行し、結果が期待を満たしているかどうかを評価できます。その違いは、しばしば「生成型AIは応答するが、エージェント型AIは行動する」という一文で要約されます。
実際には、これはエージェントがコンテンツを生成するだけでなく、プロセス全体を統括することを意味します。つまり、エージェントはさまざまな情報源から情報を収集し、分析し、条件付きで意思決定を行い、企業システムに書き込みます。さらに、各エージェントが専門的な役割を担うマルチエージェントアーキテクチャでは、エージェント同士が連携することも可能です。
この飛躍的な進歩は、3つの重要な進歩によって可能になった。すなわち、推論機能を備えたLLMの成熟、 LangChain、CrewAI、Semantic Kernel、OpenAI Agentsといったエージェントフレームワークの台頭、そしてエンタープライズAPI、社内データ、SaaSツールとの緊密な統合である。これらすべてが、エージェントを同社の新しい「オペレーティングシステム」の中核コンポーネントへと押し上げた。
AIエージェントの仕組み：運用サイクルと連携
あらゆるエージェントの背後には、漠然とした目標から完了したタスクに至るまでの過程を説明する、比較的安定した運用サイクルが存在する。このサイクルは通常、推論と行動の組み合わせが鍵となる5つの段階に要約できる。
まず、目的が解釈されます。エージェントは、レポートの作成、インシデントの解決、競合他社の分析、ソフトウェアアップデートの調整など、自然言語または別のシステムを介して要求を受け取ります。この入力に基づいて、エージェントは達成すべき事項の構造化された表現を生成します。
次に計画段階に入ります。エージェントは目標をサブタスクに分解し、実行順序を確立し、各ステップで必要なツール、データ、システムを決定します。ここで、純粋な生成モデルとの違いが明確になります。生成モデルは出力を生成することに限定されますが、エージェントはワークフローのシーケンスを構築します。
第3フェーズでは、エージェントは外部ツールとAPIを使用します。データベースへのクエリ、内部サービスの呼び出し、リポジトリ内のドキュメントの検索、コラボレーションプラットフォームとの連携、ITインフラストラクチャ上でのスクリプト実行などが可能です。この部分は、エージェントが実際にアクセス権限を行使する箇所であるため、セキュリティ上の観点から特に注意が必要です。
第4段階はアクションの実行です。エージェントはクエリを実行するだけでなく、情報の作成や変更、システムの更新、運用プロセスの起動、チケットの発行やクローズ、変更の展開、自動化ワークフローの起動なども行います。ここでAIは受動的な副操縦士から、企業環境における実行者へと変貌を遂げます。
最後に、結果が評価されます。エージェントは、実行した内容をレビューし、元の目標と比較し、エラーや矛盾を検出し、手順を繰り返す必要があるか、人間の検証を要求する必要があるか、またはタスクを終了する必要があるかを判断します。このサイクルは、エージェントが期待される品質レベルに達したと判断するまで継続的に繰り返されます。
マルチエージェントアーキテクチャでは、このサイクルは互いに連携する複数の専門エージェント間で複製されます。例えば、あるエージェントは情報調査を担当し、別のエージェントはデータ分析を担当し、さらに別のエージェントはドキュメント作成を担当し、また別のエージェントは変更の展開調整を担当するといった具合です。オーケストレーションシステムは、タスクを分散し、依存関係を管理し、フロー全体がビジネス的に理にかなっていることを保証します。
自律性、エージェントの種類、およびマルチエージェントシステム
すべてのエージェントが同じというわけではなく、必要な自律性のレベルも異なります。大まかに言えば、人工知能エージェントは、その動作や複雑さに基づいて異なる種類に分類でき、これはエージェントの権限や制御の設計方法に直接影響を与えます。
最も単純な例としては、事前の綿密な計画なしに特定の環境刺激に反応するリアクティブエージェントが挙げられます。これらは、例えば明確に定義された技術的事象への対応を自動化したり、アラートが発動した際に単純なアクションを実行したりするなど、非常に限られた状況下では高速かつ信頼性が高いです。
これらより上位に位置するのが、推論と計画を組み込んだ熟慮型エージェントです。熟慮型エージェントは、さまざまな選択肢を分析し、代替案を評価し、目標達成に最適な戦略を選択します。このタイプのエージェントは、ビジネス環境に典型的な、不確実性が高く複雑なプロセスを伴うシナリオに適しています。
また、複数の専門エージェントが同じワークフローで連携するマルチエージェントシステムも存在する。各エージェントは、調査、分析、結果生成、検証、展開など、それぞれの役割を担い、互いに通信することで、単独では複雑すぎたり時間がかかりすぎたりするタスクを解決する。
最後に、言語モデルの進歩により、 LLMに基づいた自律型エージェントの開発が可能になり、推論、計画、および行動を非常に柔軟に行えるようになりました。LangChain、CrewAI、Semantic Kernel、OpenAI Agentsなどのフレームワークは、これらのシステムの構築を容易にしますが、実際のビジネスにおいては、明確なルール、可観測性、および人間の監視を伴う限定的な自律性が一般的に好まれます。
エージェントAIとRBAC：ロールベースアクセスがもはや十分ではない理由
従来の役割ベースアクセス制御（RBAC）モデルは、比較的静的な組織、つまり安定したチーム、明確に定義された役職、予測可能なアクセスニーズを想定して設計されていました。各役割には、組織図におけるその役割の典型的な責任に対応する一連の権限が付与されていました。
このアプローチは、IDと人物が1対1の関係にある場合にはうまく機能しますが、エージェント型AI環境ではそのバランスが崩れます。現在では、変化するタスクを引き受け、ワークフロー間を移動し、単一の従来型の職務に当てはまらないデータやシステムとやり取りする必要のある、複数の技術エージェントIDが存在します。
さらに、システムへの攻撃方法も変化しています。AI時代においては、正規アカウントの悪用やパスワードの問題が最も頻繁に発生する攻撃手法の一つです。サイバー犯罪者は、過剰な権限を持つ正規アカウントを悪用し、ネットワーク全体に横方向に攻撃範囲を拡大します。このような状況下では、エージェントに広範かつ固定的な役割を割り当てることは、侵害が発生した場合に甚大な被害を招くことになりかねません。
RBACは、各IDがその職務を遂行するために必要な権限のみを持つべきであるという最小権限の原則（PoLP）を強制する上で依然として有用です。しかし、数秒ごとにコンテキストが変化するエージェントについて考える場合、「職務」はもはや安定した状態ではなく、機密性やリスクのレベルが異なる動的なタスクの連続となります。
企業にとって、これはアクセス権限をより詳細かつ動的な視点から再考することを余儀なくさせる。役割は意思決定における一つの要素に過ぎない。もはや「このエージェントはどのような役割を担っているのか」という単純な問いではなく、「彼らは今、どのようなデータを用いて、どのような環境から、どのようなリスク条件下で、何を行おうとしているのか」という問いが重要になる。
静的ロールからゼロ、そして動的アクセスへ
こうした新たな状況に直面し、根本的に異なるモデルが注目を集めている。それは、各セッションをアクセス権限ゼロから開始し、リスクに応じてリアルタイムで、その都度アクセス権限を付与するというものだ。「いつか役に立つかもしれない」という理由で何年も維持されるような「デフォルト」の権限やアクセス権限はもはや存在しない。
この方式では、個人もエージェントも永続的な権限を持ちません。一日の開始時には、すべてのIDは有効な権限を一切持っていません。各アクセスは、特定のタスクを実行するために必要な場合にのみ要求され、許可されます。そして、不要になった時点で自動的に取り消されます。
このモデルが機能するためには、アクセスはジャストインタイム（JIT）方式でなければなりません。つまり、タスクが進行中の場合にのみアクセスが有効になり、タスクが完了するとアクセスが停止されるため、潜在的な攻撃の機会が減少するのです。通常、これには、未解決のチケットの存在や、機密性の高い操作に対する管理者の明示的な承認といった追加条件が組み合わされます。
アクセス権限の決定は、リスクに基づいて継続的に行われ、ID、デバイスの状態、最近の行動、位置情報、エージェントの活動状況、現在のポリシー、およびセキュリティ指標が評価されます。これは、一度付与されたらその後は忘れられるような静的な認証ではなく、リスクレベルの変化に応じて瞬時に変更される動的なプロセスです。
その結果、設定ミスのあるエージェント、暴走したワークフロー、侵害された認証情報など、何らかの問題が発生した場合でも、潜在的な被害は大幅に軽減されます。悪用される可能性のある潜在的な権限が減り、横方向への侵入の可能性も少なくなり、何よりも、特定の時点でどのような条件で何が許可されていたのかをより明確に追跡できるようになります。
動的で安全なアクセスモデルを実現する方法
この種のアプローチを実装するのは、スイッチを切り替えるほど単純なことではありません。エンジニアリング、自動化、そしてセキュリティ、製品、開発間の連携への投資が必要です。しかし、エージェント型AIに対応したアクセスエンジンを構築する際に役立つ重要な要素がいくつかあります。
第一の柱は、エージェントと権限の継続的な可視化です。多くの組織は、チームが作成したエージェントの数、エージェントが具体的に何をしているのか、どのシステムにアクセスできるのかさえ把握していません。ID、アクセス権限、ワークフローの明確なインベントリがなければ、リスクを効果的に管理することは不可能です。
第二の柱は、リアルタイムの意思決定です。アクセス要件が日々変化し、エージェントが数秒でタスクをエスカレーションできる状況では、四半期ごとの権限レビューではもはや不十分です。アクセスエンジンは、権限が要求されるたびに、ID、行動、およびコンテキストシグナルをリアルタイムで処理する必要があります。
第三に、役割ベースの制御だけでなく、動的なポリシーと属性ベースの制御（ABAC）が必要です。これにより、同じエージェントでも、タスクの種類、データの種類、環境（本番環境、プレプロダクション環境、テスト環境）、システムの重要度、または現在のセキュリティ状況に応じて、異なるレベルのアクセス権限を取得できます。
最後に、機械速度での自動化が不可欠です。自動化されたエコシステムにおいて、毎分数千件ものトランザクションが発生する状況で、人間のガバナンス委員会がすべてのアクセス要求を手動で承認するのは非効率的です。承認ワークフローはコード化され、監査され、必要に応じて、影響力の大きい意思決定においては人間のチェックポイントを組み込む必要があります。
エージェントAI時代のセキュリティ、ポリシー、そして脅威
最小権限の原則（PoLP）はサイバーセキュリティの根幹であり、RBACはこれまでその原則を実装する優れた方法でした。各役割に必要最小限の権限セットを割り当てることで、偶発的なデータ漏洩のリスクと、内部または外部からの悪意のある攻撃のリスクの両方を軽減できます。
しかし、生成型AIやエージェント型AIの普及に伴い、新たなリスクが出現している。ユーザーは適切な制御なしにAIツールに機密情報を入力でき、エージェントは必要以上のデータにアクセスできる可能性があり、攻撃者はすでにエージェントを乗っ取って一連の攻撃を実行する方法を研究している。
近年の研究によると、有効なアカウントの悪用は最も一般的な攻撃手法の一つであることが示されています。攻撃者がユーザーまたは高度な権限を持つエージェントの認証情報を入手した場合、ネットワーク内での横方向の移動はほぼ避けられません。各IDの権限を慎重に制限し、その権限の有効期間を最小限に抑えることで、攻撃対象領域を大幅に縮小できます。
内部脅威も無視できません。従業員の過失や悪意によって引き起こされるインシデントは、他の多くの侵害よりも平均コストがはるかに高くなります。アクセス管理が過度に緩いと、ちょっとした見落とし、不正行為、あるいは意図的な行為が組織に壊滅的な影響を与える可能性が高くなります。
したがって、エージェント型AIと動的なアクセスモデル、適切に適用されたPoLP（PoL）と堅牢なID、デバイス、および行動制御を組み合わせることが、イノベーションを阻害することなくセキュリティを維持するための新たなベンチマークとなる。
エージェント型AIのビジネスにおける活用事例
理論にとどまらず、エージェント型AIは既に企業内の非常に具体的なプロセスを変革し始めている。最も注目すべき事例としては、複雑なタスクの自動化、データ分析、ソフトウェア開発、研究などが挙げられる。
プロセス自動化では、エージェントが複数のステップからなる社内ワークフローを管理できます。具体的には、リクエストの受信、情報の収集、ルールの検証、企業システムでのアクションの実行、そして完了のためのレポート生成などです。これにより、運用コストが削減され、応答時間が短縮され、人間チームは定型業務から解放されます。
データ分析の分野では、エージェントは仮想アナリストとして機能し、複数の情報源から情報を収集し、探索的分析や統計分析を実行し、推奨事項を生成します。これにより、組織内におけるデータ主導型の意思決定が加速され、民主化されます。
ソフトウェア開発においては、AIエージェントは既にコード生成、リポジトリチェック、自動テストスイートの実行、ドキュメントのほぼ継続的な更新などに活用されている。これらのエージェントは人間の開発者と作業負荷を分担し、これまで開発者の時間の大部分を占めていたタスクの一部を引き継いでいる。
最後に、調査・戦略の分野では、エージェントは競合情報の収集、市場動向の分析、経営幹部向け報告書の作成などを担当します。ここでは、エージェントは経営陣の判断に取って代わるものではなく、環境分析能力や機会・リスク特定能力を大幅に向上させるものです。
ITSMにおけるエージェントAI：リアクティブサービスデスクから自律運用へ
エージェント型AIが最も顕著な効果を発揮している分野の一つが、ITサービスマネジメント（ITSM）です。この分野では、エージェントによって、チケットやキューに基づく受動的なサポートモデルから、より積極的で自律的なシステムへの移行が可能になります。これにより、日常業務の大部分が人間の介入なしに解決されるようになります。
ITSMにエージェントを導入した組織は、生産性が40～60%向上、解決時間が50～70%短縮、チケットあたりのコストが25～40%削減、セルフサービス率が60～80%を超えるといった成果を報告しています。これらは理論上の数値ではなく、実際のプロジェクトから得られた実証結果です。
ユースケースは主に5つの分野に分類されます。従業員セルフサービス、アシスト型サービスデスク、分析とインサイト、自律型インフラストラクチャと運用、そして資産管理です。これらの各分野において、エージェントは簡単な質問への回答から、重要なシステムに対する複雑な修復作業まで、業務の一部を担当します。
しかし、成功は容易に得られるものではありません。質の高いデータ、明確に定義されたプロセス、統合機能、そして働き方を変える意欲のある組織が必要です。多くの企業はまだ初期段階（基本的な自動化、コパイロットなど）にあり、大規模なエージェント導入に着手する前に、これらの基盤を強化する必要があります。
ITサービスにおけるエージェント型AIに向けた成熟度モデル
野心に圧倒されないようにするためには、エージェント型AIの導入を、いきなり未知の領域へ飛び込むのではなく、段階的なプロセスとして捉えるのが最善です。一般的な成熟度モデルは、基盤、インテリジェントな支援、選択的な自律性、そして真のエージェント運用という4つのレベルで構成されています。
最初の段階では、データのクリーンアップとプロセスの標準化を目指します。具体的には、CMDBの統合、サービスデスクのワークフローの文書化、ナレッジベースの改善、そして基本的なガバナンスの確立を行います。この段階では、自律型エージェントよりも従来型の自動化について議論することが多いですが、基礎は着々と築かれています。
第2段階では、 AIコパイロットとアシスタントが導入され、人間の作業を強化します。具体的には、インテリジェントなチケット分類、解決策の提案、人間が確認するためのAI生成応答、高度な知識ベース検索などです。高い自律性を損なうことなく生産性が向上します。
第3段階では、パスワードのリセット、標準的なアクセス要求、既知のインシデントの修復、制御された自動アクションによるプロアクティブな監視など、非常に特定のユースケースに対して選択的な自律性が有効になります。AIは、明確に定義されたシナリオにおいて、チケットを自律的にクローズし始めます。
最後に、第4段階では、マルチエージェントによるオーケストレーション、自律的なエンドツーエンドのワークフロー、そしてほぼ自己修復機能を備えたインフラストラクチャを特徴とする、エンタープライズ向けエージェント型AIが登場します。ここでは、エージェントは明確に定義された役割（サービスデスクエージェント、オペレーションエンジニア、セルフサービスマネージャーなど）を持つ「デジタル従業員」として機能し、連携してサービスを最適なパフォーマンスで維持します。
ガバナンス、安全対策、および人的監視
AIの自律性が高まるほど、ガバナンスの重要性も増す。エージェント型AIを本格的に導入するには、リスクを抑制し、トレーサビリティを確保し、常に人間の介入経路を明確に維持するための技術的および組織的な安全対策が不可欠である。
これらの安全対策には、異常な動作やポリシー違反が検出された場合にシステムを安全な状態に戻すことができる自動反転メカニズム、危険な動作を即座に停止させる集中型キルスイッチ、そして重大な決定を人間が審査・承認しなければならないチェックポイントなどが含まれる。
監査可能性も重要な柱の一つです。エージェントのすべての行動、アクセス決定、ツールの使用、データフローは記録され、追跡可能でなければなりません。これにより、インシデント調査、規制遵守の証明、および実体験に基づいたモデルの改善が可能になります。
金融、医療、行政といった規制分野では、これらの要件はさらに厳しくなります。これらの分野の多くの組織は、AIがプロセスの一部を支援・自動化するものの、最終的な決定（特に人に影響を与える場合）は専門家が行うという、ヒューマン・イン・ザ・ループ・モデルをより長く採用することを選択しています。
総じて言えば、エージェント型AIは、自律性、セキュリティ、そして制御という3つの要素の間で新たなバランスを生み出す。このバランスを適切に設計すること、そして動的でリスク重視かつポリシーに準拠したアクセスモデルを構築することが、AIを単なる生産性向上ツールとして利用する企業と、システムやデータの制御を失うことなくAIを真の運用エンジンへと変革できる企業を分ける決定的な要素となるだろう。
