AIに「聞く」から、仕事の完了を「任せる」へ――組織に必要な設計と検証

AIが返信文を書いた。けれど、問い合わせへの対応は、まだ終わっていない。

宛先を確かめ、送信し、顧客管理システムに記録する。別の担当者に引き継ぎ、必要なら対応状況を追う。文章ができた後にも、仕事は残ります。

AI活用を考えるとき、私はこの「作業が終わること」と「仕事が終わること」の差に注目しています。AIに質問する。成果物を作らせる。いくつかの工程を任せる。その先で、組織の仕事をどこまで担ってもらうのか。

掲載した「AI業務委任とツール利用マップ」は、その違いを一枚に整理したものです。ここでは図を手がかりに、AIへ仕事を任せる可能性と、そのために決め、確かめておきたいことを考えます。

1．AIの使い方は、製品名だけでは分からない

「どのAIを使っていますか」という質問だけでは、実際の使い方までは見えてきません。そこで、この図では四つの利用形態に分けました。

① AIに聞く。質問・検索・相談を通じて、判断材料を得る。

② AIを使う。文書・資料・コードなどを作らせ、人が確認して活用する。

③ AIに任せる。一つの作業や複数工程を渡し、まとまった成果を受け取る。

④ 組織としてAIに任せる。業務の目的と範囲を定め、既存システムを使いながら、合意した完了条件に向けて進めてもらう。

これは標準規格や製品の優劣を表す分類ではありません。すべての仕事を④へ進めることが目的でもなく、同じ組織の中に四つの使い方があってよいと考えています。

技術的にも、決められた経路を進むワークフローと、AIが状況に応じて工程やツールを選ぶエージェントは区別されます。Anthropicも、この違いを示したうえで、必要以上に複雑にせず、まず単純な構成を選ぶよう勧めています。［1］

見るべきなのは製品名ではなく、何を任せ、どの判断と操作を人に残しているかです。

2．送信を代行することと、案件を終えること

例えば「この文面を、この宛先へ送って」とAIに頼む場合。人が送信の可否、相手、内容を決め、AIは操作を代行しています。

一方、「この問い合わせを、必要な確認も含めて解決まで進めて」と頼む場合はどうでしょう。顧客情報や契約を調べ、不足情報を確認し、回答し、対応記録を残す。決められた範囲で次の行動を選ぶところまで、AIへ委ねることになります。

両者の差は、メールを送れるかどうかではありません。次に何をするかを誰が決め、どこまでを一つの仕事として任せるかにあります。

開発でも同じです。GitHub Copilotのクラウドエージェントは、コードの調査、修正、テスト、変更提案であるプルリクエスト（PR）の作成などを担えます。そこから人が変更を確認する、という使い方ができます。［2］

ただし、仕事の完了を任せることは、最終決裁までAIへ渡すことではありません。「本番反映の準備まで進め、最後は人が承認する」も、組織としての委任です。図の③と④は、その違いを考える目安であって、操作一つで機械的に線引きするものではありません。

3．次の可能性は、既存システムの「間」にある

顧客情報はCRM、契約は文書管理、連絡はメール、請求は別のシステム。そんな企業を考えてみます。

「受注済みなのに請求が進んでいない」という案件があれば、誰かが各システムを調べます。契約が未締結なのか。請求先の情報が足りないのか。営業担当者のメールにだけ事情が書かれているのか。

ここでAIへ期待したいのは、単なる転記ではありません。情報を突き合わせ、何が不足しているかを整理し、許された範囲で確認や更新を進めることです。既存システムを丸ごと置き換えず、その間に残っていた仕事をつなぐ可能性があります。

そのための開発手段もあります。例えばOpenAI Agents SDKでは、ツールの呼び出し、別エージェントへの引き継ぎ、処理履歴の記録などを組み合わせ、自社向けのアプリケーションを構築できます。［3］

もちろん、部品がそろうことと、本番業務を任せられることは別です。データの不整合、例外時の対応、保守の負担まで消えるわけではありません。ここで挙げた業務は、利用構成を考えるための例であり、導入効果を保証するものではありません。

それでも、目指す価値を「何人減らせるか」だけに絞る必要はないはずです。滞留していた案件を進める。対応できなかった時間帯を支える。現場の人が、確認や転記ではなく、判断が必要な仕事に力を使えるようにする。

人を減らすためではなく、今の組織でできることを増やす。私は、そうした使い方にAIへ仕事を任せる意義を感じます。

4．任せる前に、任せないことを決める

仕事を前へ進めるAIにとって、「完了」は重要な目標です。しかし、早く終わらせるためなら何をしてもよい、というわけにはいきません。

顧客へ確認の連絡はしてよいが、契約条件は変えない。データの更新はしてよいが、指定された項目に限る。承認が必要な処理は、回答が遅くても勝手に先へ進めない。

このように「どの業務を、どの条件・権限まで任せ、人をどこに残すか」を定めることを、ここでは「AI委任設計」と呼びます。既存の業務設計や権限管理にまたがる論点を、説明のために束ねた言葉です。

さらに、その取り決めを実際の仕組みに落とすのが制御設計です。アクセス権、承認手順、停止・保留、例外時の戻し先、記録方法などで、決めた範囲を守れるようにします。

既存の開発基盤にも、こうした仕組みはあります。OpenAI Agents SDKには、対象のツール呼び出しを保留し、人の承認・却下を受けて処理を進める機能が用意されています。［4］

ただ、「承認機能がある」だけでは、自社の条件まで決まったことにはなりません。何を承認し、その後どの変更があれば承認を取り直すのか。別のツールや別の担当AIへ処理が渡っても、同じ条件を求めるのか。そこは利用する側が定める必要があります。

AIの自律性を高めることと、AIに与える権限を広げることは、別の判断です。

5．「制御がある」と「制御が効いた」の間を確かめる

ここで、設計とは別に確認したい問いが生まれます。

決めた条件は、実装された経路でも守られているか。

例えば「顧客への送信には承認が必要」と決めたシステムを考えます。通常の手順で承認後に送信できた。それは大切な確認です。ただ、その一度の成功だけでは答えられないこともあります。

承認後に宛先や本文が変わったとき。送信が失敗したように見え、再試行するとき。別のツールや別のエージェントへ処理を引き継ぐとき。どの状態でも、同じ承認条件が必要なのでしょうか。必要だと決めたなら、実装でも維持されているでしょうか。

一般社団法人C³社会デザインセンターでは、この問いを二つの仕事に分けています。

制御設計レビューは、提示された資料から、制御上の論点、必要条件、改善候補、実装後の確認事項を整理するものです。資料から分かることと、実際に動かさなければ分からないことを分けます。実行検査は含みません。

制御条件ギャップチェックは、対象版と制御条件を固定し、合意した範囲で条件を変えて挙動を確かめる検査です。宣言と食い違う反例を探し、結果・証拠・未観測の範囲を制御検証記録として残します。［5］

この二つは、既存の設計・実装・テストを置き換えるものではありません。設計と運用の決定はお客様や実装会社に残し、弊会は確認する側を担います。同じ対象の設計に助言した場合は、後の検査でもその関与を明示します。

反例が見つからなかったことを、あらゆる状況での安全保証にはしません。確認範囲では反例を観測しなかったのか、証拠不足で判定できないのか、そもそも試していないのか。そこを分けることが、次の判断に使える記録になります。第三者認証や、本番投入の許可を出すものでもありません。［5］

AIへ仕事を任せるときに必要なのは、すべてを人が見続けることでも、すべてをAIへ明け渡すことでもないと思います。

任せる範囲を決める。その範囲を守る仕組みを作る。そして、どこまで確かめたかを残す。

AIに「何ができるか」を知る。その次に、「自分たちは何を、どこまで任せるか」を考える。この順番を大切にしたいと思います。

自社AIエージェントの本番投入や顧客納品を前に、承認・権限・再試行などで気になる点がある方へ。まずは機密を含まない概要と、一つの処理について、資料からのレビューと実装後の検査のどちらが合うかをご相談いただけます。

制御設計レビュー・制御条件ギャップチェック／無料事前スクリーニング

参考資料

［1］Anthropic｜Building effective agents（2024年12月）

［2］GitHub｜About GitHub Copilot cloud agent

［3］OpenAI｜Agents SDK

［4］OpenAI｜Agents SDK：Human-in-the-loop

［5］弊会｜AI Agentの制御設計レビュー・制御条件ギャップチェック

参照日：2026年9月30日。製品機能の説明は参照した公式資料の範囲に限ります。本文の四分類と業務例は、弊会による説明上の整理です。

出典URL

［1］https://www.anthropic.com/engineering/building-effective-agents ［2］https://docs.github.com/en/copilot/concepts/agents/cloud-agent/about-cloud-agent ［3］https://openai.github.io/openai-agents-python/ ［4］https://openai.github.io/openai-agents-python/human_in_the_loop/ ［5］https://www.c3-anchor.jp/control-assurance

---

doc_id: C3-WEB-BLOG-AI-DELEGATION-0.1
version: 0.1.0
status: active
last_updated: 2026-10-06