AIエージェントが「経験から学ぶ」時代になってきた
ChatGPTやClaude、Geminiといったチャット型AIに慣れてきた頃、次の波が来ています。それが「AIエージェント」という存在です。エージェントとは、指示を一回与えるだけでなく、複数のステップを自律的にこなしてくれるAIのことです。ウェブを調べ、メールを書き、スプレッドシートを更新する、といった一連の作業を自分で判断しながら進める性質を持っています。
このエージェントを使い込んでいる開発者やAI研究者の間で、最近一つの課題が浮かんでいます。「エージェントが蓄積してきた経験を、どうやって次のタスクに活かすか」という問題です。人間であれば「先週の提案書づくりで学んだコツを、今週の企画書でも使おう」と自然にできますが、多くのAIエージェントはタスクが終わるとその経験を上手く引き継げません。Googleの研究チームがこの問題に真正面から取り組んだ論文を公開しており、その設計思想が興味深いので整理します。
なぜ「経験の蓄積」がエージェントに難しいのか
AIエージェントにタスクをこなさせると、その作業ログ（実行履歴）が残ります。何をどの順番でやったか、どこでエラーが出たか、といった生のデータです。従来の多くのシステムでは、この生ログをそのままスキルの更新に使っていました。つまり、経験・知識・スキルの三つがひとまとめになっていたわけです。
問題はここにあります。生ログは量が多いわりに情報の質がばらばらで、重要な気づきと不要なノイズが混在しています。スキルを更新するたびに過去の散らばった履歴全体を参照していては、更新のたびに処理コストが上がり、重要な学びも埋もれてしまいます。人間でいえば、仕事のメモをどこのノートに書いたか分からないまま、全部のノートをひっくり返して次の資料を作るようなものです。
Googleが提案した「3層分離」の構造
Googleの研究が面白いのは、これまで一つに混ぜていたものを三つの層に分けた点です。以下の表で整理します。
| 層 | 役割 | 人間に例えると |
|---|---|---|
| 実行トレース（Execution Traces） | 生の作業ログ。何をしたかの記録 | 仕事中のメモ書き |
| 知識ウィキ（Knowledge Wiki） | トレースを整理した永続的な知識ベース | 整理されたマニュアル・議事録 |
| スキル（Executable Skills） | 実際に動くコード・手順 | 完成した業務フロー |
三つのうち最も重要なのが真ん中の「知識ウィキ」です。生ログは都度ウィキに整理・蓄積され、スキルの更新はウィキを参照して行われます。生ログを直接スキルに結びつけるのではなく、必ず一度ウィキという「中間ステーション」を経由させる設計です。
この研究の論文では、ウィキを取り除いた場合と比較する実験（アブレーション実験）も行われており、ウィキがあることでスキルの質が大きく向上することが確認されています。つまり「整理された知識の蓄積」こそが、エージェントの成長を支えているということです。
30代の業務担当者が「自分ごと」として考えるなら
たとえば、営業チームのマネージャーが社内のAIエージェントに週次レポートの作成を任せているとします。最初の数週間は手探りで、フォーマットのずれや数字の拾い間違いが出ます。従来のエージェントであれば、その失敗ログはどこかに残っているものの、次のレポート作成時に体系的に活かす仕組みがありませんでした。
Googleが提案した3層設計であれば、「先週のレポートで売上列の並び順を間違えた」という経験がウィキに整理され、「今後はこの列を優先して確認する」というルールがスキルに反映されます。担当者が毎回同じ指摘をしなくても、エージェントが徐々に精度を上げていくイメージです。今はまだ研究段階ですが、この考え方が実装されたツールが出てきたとき、「AIに任せっきりでも品質が落ちない」状況に近づく可能性があります。
もう一つ具体的なケースを挙げると、経理部門での話です。毎月末の勘定科目の仕分けをエージェントに補助させているとき、特定の取引パターンで判断が揺れることがあります。3層分離の設計を持つエージェントであれば、その揺れのパターンが知識ウィキに記録され、次月以降は同じ場面で一貫した判断ができるようになります。担当者の負担は「最初に丁寧にチェックする期間」に集中し、軌道に乗ったら確認コストを減らしていける見通しが立ちます。
この研究が示す「AIエージェント設計」の方向性
現在、AIエージェントの仕組みはさまざまなチームが独自に設計しています。プロンプトの書き方を工夫することでエージェントの振る舞いをある程度コントロールできますが、それはあくまでその場その場の対処です。Googleが研究した3層設計は、「プロンプトで都度調整する」段階から「エージェント自身が経験を蓄積して成長する」段階への転換を想定しています。
この転換が進むと、エージェントの使い方そのものが変わります。今は「良いプロンプトを書けるか」が一つのスキルとして注目されており、実際にChatGPTの使い方ガイドでも紹介しているような工夫が有効です。一方で中長期的には、「エージェントに何を経験させ、どう整理させるか」という設計力がより重要になってくる可能性があります。プロンプトは「今のAIへの指示」ですが、スキルライブラリの設計は「未来のAIの振る舞い」に関わるからです。
実用化はどのくらい先か、今できる準備
正直なところ、Googleのこの研究がすぐに一般向けツールに組み込まれるわけではありません。ただ、Google DeepMindやAnthropicを含む主要な研究機関がエージェントの「自己進化」系の研究に力を入れているのは事実で、実装が近いテーマの一つです。
今すぐできる準備として考えられるのは、「エージェントに任せた作業の結果を自分で記録しておく」習慣を持つことです。現状のツールは知識ウィキを自動で作ってはくれませんが、人間側が「このタスクでどんな修正が必要だったか」をメモしておくことで、プロンプトのブラッシュアップや次回指示の改善に使えます。3層設計でいえば、ウィキの役割を自分が担うイメージです。また、AIを使った副業や業務効率化を考えている場合、エージェント型のツールに早めに慣れておくことは無駄になりません。スキルライブラリの管理が自動化されていく流れに乗るには、そもそもエージェントを使う経験値が必要だからです。
まとめ
Googleの研究が整理した「実行トレース・知識ウィキ・スキル」の3層分離は、AIエージェントが場当たり的な作業マシンから、経験を積み重ねる存在に変わるための基盤設計です。今すぐ業務に適用できる話ではないものの、エージェント型AIを使い込んでいる人ほど「なぜ同じ失敗を繰り返すのか」というフラストレーションを感じているはずで、その答えがこの研究の中にあります。あなたが今使っているエージェントやAIツールの「失敗パターン」はどこに蓄積されているでしょうか。そこを意識するだけで、ツールとの向き合い方が少し変わるかもしれません。
