AI を前提とした会社運用 — ワークフローのゼロベース再設計（エージェント運用モデル）

概要
最近の動き
1. 2026-06-06 — GitLab、増収と人員削減を同時に／AI ネイティブ企業は「成果」を納品
1. エージェント前提運用の成否を分けるもの
1. 1.1 典型的な失敗（Deloitte 2026）
2. 1.2 成功パターン
2. Gartner が示すエージェント AI の5段階
3. ワークフローのゼロベース再設計 — 5ステップ
4. 業界別の実装事例
5. A2A プロトコル — エージェント連携の標準
6. ガバナンス
参考・出典
1. 関連する公式サイト

概要

AI エージェントを前提とした会社運用では、「既存プロセスに AI を追加する」のではなく、「ワークフローをゼロから設計し直す（ワークフローの再構想）」 ことが不可欠だ。Deloitte の2026年調査によれば、84% の企業が仕事そのものを再設計しないまま 高い自動化効果を期待しており、その状態は「自転車にジェットエンジンを取り付けるようなもの」と表現される。成功している企業は、複数のエージェントが連携し、人間は戦略的判断に集中し、ガバナンスを「拡大の機会」として捉える という「エージェント運用モデル」へ移行している。

1. エージェント前提運用の成否を分けるもの

1.1 典型的な失敗（Deloitte 2026）

失敗パターン	結果
既存プロセスに AI ツールをただ追加する	効率は多少上がるが根本的な変化はなし。現場は「また新しいツールか」と冷める
ガバナンスなしでエージェントが増殖する	80% の企業が「危険な不一致」の状態に。1社あたり平均1,600以上のエージェントを統制できない
ツールを導入するだけで仕事の流れを変えない	84% の企業が仕事の再設計をせず、投資効果（ROI）が出ない
すべてを人間がチェックする	管理職が燃え尽き、結果としてスピードで負ける

1.2 成功パターン

成功要素	内容
ゼロベース再設計	仕事の流れを、AI と人間の協働を前提にゼロから組み直す
DRO モデルの組織化	委任（Delegate）／レビュー（Review）／オーナーシップ（Own）を、すべての管理職の標準動作にする
人間の判断ポイントの明確化	リーダーが「どこで人間が検証すべきか」を明文化する
ガバナンス＝拡大の機会	コンプライアンス上の負担ではなく、可能性を広げる仕組みとして捉える
マルチエージェント前提のアーキテクチャ	単機能ツールの乱立を防ぐため、A2A プロトコルに準拠する

2. Gartner が示すエージェント AI の5段階

段階	時期	状態
第1段階	2025年	AI アシスタントがほぼ全ての企業向けアプリに組み込まれる（Copilot など）
第2段階	2026年	特定タスク向けの AI エージェントが企業向けアプリの40% に組み込まれる
第3段階	2027年	協働型 AI エージェント — 同一アプリ内で複数のエージェントが協働する
第4段階	2028年	AI エージェント・エコシステム — アプリ横断でエージェントが連携（A2A の全面標準化）
第5段階	2029年以降	自律的な企業ワークフロー（人間は方向性を指示するのみ）

エージェント AI 市場は、2035年に4,500億ドル超に達すると見込まれている。

3. ワークフローのゼロベース再設計 — 5ステップ

Deloitte と McKinsey の2026年調査を統合したフレームワーク。

ステップ1：既存プロセスをすべて分解する（Decompose）

すべての業務フローを 「誰が／何が／どんな順序で」行っているか を可視化する
トヨタの事例：「AI ツールを買う前に」まずこの分解を行った

ステップ2：A/B/C で分類する（Categorize）

カテゴリ	内容
A：AI に完全委任	データ集計／定型文書／スケジュール調整
B：AI が下書き＋人間が判断	提案書／レポート／顧客対応
C：人間が100%担う	戦略決定／信頼関係の構築／創造的な企画

ステップ3：人間の判断ポイントを明文化する（Human-in-the-Loop の定義）

McKinsey 2026の核心は、「どのタイミングで人間が検証すべきか、明確なプロセスを定義する」 ことだ。判断の軸は以下の3つ。

リスクの大きさ：不可逆か、可逆か
文脈依存度：文化や関係性への理解が必要か
創造性：前例があるか

ステップ4：マルチエージェント・アーキテクチャを採用する

単機能のエージェントを乱立させない
A2A プロトコルに準拠する（Google の A2A は、Linux Foundation が運営するオープン標準）
例：Genentech のエージェント・エコシステム（収集 → 分析 → 仮説 → 実験設計 → 報告）

ステップ5：ガバナンスの枠組みを整備する（推進力としてのガバナンス）

「禁止リスト」ではなく「活用ガイド」を整える
レビューの流れ：誰が・いつ・何をチェックするか
問題報告のルール
学びの共有（成功事例と失敗事例の双方）

成功している組織は、ガバナンスを「拡大の機会」として捉えている。

4. 業界別の実装事例

4.1 製造 — トヨタの供給チェーン（2025年秋〜）

AI エージェントが夜間に問題を検知 → 物流会社へ優先指示 → ディーラーに連絡 → 在庫管理・財務エージェントと連携
朝、人間の担当者は「なぜ起きたのか／次にどう防ぐか」だけを考える
教訓：「非常時の火消しは AI が圧倒的に速い。根本原因の究明と次の戦略は、人間にしか責任が取れない」

4.2 製薬・研究 — Genentech（AWS）

データ収集／分析／仮説生成／実験設計／報告を、それぞれの専門エージェントが自律的に連携して行う
科学者は ルーチンの分析から解放され、画期的な薬の発見 に集中できる
エンドツーエンドのワークフロー自動化 の典型例

4.3 IT 開発 — Amazon Q Developer

開発者は ほとんどコードを書かない
AI に書かせ、レビューが主業務 になる
複雑なバグだけ手動で介入する

4.4 コンサルティング — McKinsey（自社実装）

25,000体の AI エージェントと40,000人の人間 が協働
年間 150万時間を節約
構造変化：クライアント対面の業務 +25%／バックオフィス −25%（アウトプットは +10%）
課金モデルが 役務提供型（フィー課金）から成果報酬型へ 転換（業界全体への波及）

4.5 IT インフラ — IBM（大規模マルチエージェント）

1社あたり平均 1,600以上のエージェント を運用
フォーカスを「構築（Build）から運用（Run）へ」転換
重要な指標：(a) 判断境界の明確化率、(b) リアルタイム監視の設置率、(c) 監査ログの完備率

5. A2A プロトコル — エージェント連携の標準

5.1 何が標準化されたか

2025年4月に Google が発表 → 2025年6月に Linux Foundation へ移管（ベンダー中立）
2026年4月時点で 150以上の組織が採用（Microsoft、AWS、Salesforce、SAP、ServiceNow、Atlassian、Cohere、Intuit、LangChain、MongoDB、PayPal、UKG、Workday ほか）
主要3大クラウドが ネイティブ対応：
- Azure AI Foundry／Copilot Studio
- Amazon Bedrock AgentCore Runtime
- Google Vertex AI Agent Engine

5.2 v1.0 のエンタープライズ機能

署名付きエージェントカード（暗号技術による本人確認）
マルチプロトコル対応：HTTP／JSON-RPC 2.0／WebSockets／Server-Sent Events
マルチテナント対応
5言語の SDK：Python／JavaScript／Java／Go／.NET
Google I/O 2026 で v1.2 を発表：gRPC 対応とレイテンシのブロードキャスト

5.3 採用判断のポイント

観点	推奨される判断
新規エージェントの開発	デフォルトで A2A 準拠にする（将来の連携を前提に）
既存の単機能ツール	A2A のラッパー（変換層）を1つ挟む
社内 DB／Slack／Box／Confluence	A2A 経由で外部エージェントから利用可能にする
ベンダーロックイン	A2A を採用すれば移行コストが下がり、ベンダーとの交渉力が高まる

6. ガバナンス

6.1 Deloitte 2026 が指摘する「危険な不一致」

観点	成熟している企業の割合
成熟したガバナンスモデル	21%のみ
明確な判断境界	50%未満
リアルタイム監視	30%未満
監査ログ	40%未満

つまり、80% の企業が 「ガバナンスが未成熟なまま高速にスケールしている」 状態にある。

6.2 ガバナンス枠組みのチェックリスト

判断境界の定義書（どの判断を、誰が／何が下すか）
エージェントの一覧・カタログ（1社1,600体の時代には必須）
A2A 準拠のアイデンティティ層（署名付きエージェントカード）
リアルタイム監視とアラート（異常検知）
監査ログ（全エージェントの操作ログを保存 — 監査要件）
インシデント対応手順書（エージェント暴走時の対応）
定期的なレッドチーム演習（エージェントの脱獄やプロンプトインジェクションのテスト）
コスト管理（1,600体時代のトークンコスト膨張を防ぐ — トークンコスト経済との連動）

6.3 最高 AI 責任者（CAIO）の役割

IBM 2026：CAIO の設置率が 26% → 76%（1年で約3倍）
役割：ガバナンスの整備＋部門横断のオペレーション再設計＋投資配分
機能リーダーの85%（CFO／CMO／COO）にも AI の専門性が求められる

参考・出典

https://www.digit.fyi/agentic-ai-in-enterprise-gartner/
https://www.deloitte.com/us/en/insights/topics/emerging-technologies/ai-agents-scaling-faster.html
https://www.deloitte.com/us/en/insights/topics/talent/operating-models-for-humans-ai-agents.html
https://www.ibm.com/think/news/think-2026-ai-recap
https://newsroom.ibm.com/2026-05-04-ibm-study-ceos-are-reshaping-c-suite-roles-for-the-ai-era
https://agentmarketcap.ai/blog/2026/04/09/a2a-protocol-production-2026-multi-agent-interoperability
https://futurefactors.ai/mckinsey-25000-ai-agents-workforce-2026/

AI 前提の Company 運用 — ワークフローゼロベース再設計 / Agentic Operating Model