AIエージェントの種類とは？5つの分け方と、自社に合う型の選び方を解説

AIエージェントの種類を調べると、記事によって「5種類」「7種類」「3タイプ」と数も名前もばらばらで、結局どれを見ればよいのか分からなくなることがあります。

ばらばらに見える理由は、記事ごとに「何を基準に分けているか」が違うからです。手順を誰が決めるかで分ける説明もあれば、判断の仕組みで分ける説明、使う場面で分ける説明もあります。どれも間違いではなく、見ている軸が違うだけです。

この記事では、Anthropic・OpenAI・AWS・Microsoftなどの公式資料で実際に使われている分け方を、軸ごとに整理します。公式の分類ではなく、読者向けにまとめた部分は「この記事での整理」と書き分けました。最後に、自社の仕事に合う型を選ぶための質問表も載せています。内容は2026年10月時点の公式情報をもとにしています。AIエージェントそのものの説明は、AIエージェントとはの記事で解説しています。

AIエージェントの種類は分け方で変わる

先に結論を書くと、AIエージェントの種類に「決まった数」や「標準の分類」はありません。今回、公式資料を確かめた範囲でも、提供元ごとに分け方が違いました。

提供元ごとに分け方が違う

各社が説明に使っている分け方を並べると、次のようになります。

見ている切り口がそれぞれ違うので、「AIエージェントは○種類」という数え方は成り立ちません。ある記事が5種類、別の記事が7種類と書いていても、どちらかが誤りというわけではないのです。

この記事で使う5つの軸

この記事では、上の分け方に、使う場面からの見方を加えた5つの軸で整理します。軸の立て方はこの記事での整理です。

どこからが「エージェント」か

種類を分ける前に、そもそも何をエージェントと呼ぶのかも確認しておきます。OpenAIの実践ガイドでは、エージェントを「利用者に代わって、独立して仕事を進めるシステム」と定義し、次のような特徴を挙げています。

• LLMを使って、仕事の進行を管理し、判断を下す。仕事が終わったことを認識し、必要なら自分の行動を直す。失敗したときは、処理を止めて人に操作を戻す
• 外部のシステムとやりとりするための道具を持ち、状況に応じて適切なものを選ぶ。常に決められた安全の枠（ガードレール）の中で動く

反対に、LLMを使っていても、仕事の進行をLLMが制御していない単純なチャットボットや、1回で応答が終わるものはエージェントではない、とガイドは書いています。「AI搭載」と書かれたサービスのすべてが、エージェントというわけではありません。

どの軸から見ればよいか

目的によって、先に見る軸が変わります。

• 仕事を任せるサービスを選びたい：軸4（きっかけ）と軸5（使う場面）から見ます
• 自社の仕事に組み込みたい：軸1（手順の決め方）と軸3（体の数）から見ます
• 解説記事や製品資料の用語を読み解きたい：軸2（判断の仕組み）の分類を知っておくと読みやすくなります

ワークフロー型・エージェント型

実務で最も役に立つのは、この分け方です。AIに任せる仕事の手順を、人が先に決めておくか、AIに決めさせるかの違いです。

Anthropicによる2つの定義

Anthropicは、LLM（大規模言語モデル）とツールを組み合わせたシステムをまとめて「エージェンティックなシステム」と呼び、その中を2つに分けています。

• ワークフロー：LLMとツールを、あらかじめ決めた処理の流れに沿って動かすもの
• エージェント：LLM自身が、自分の進め方とツールの使い方を、その都度決めながら動くもの

料理にたとえると、ワークフローはレシピ通りに作ること、エージェントは冷蔵庫にあるものを見て、献立から考えることに近い関係です。

Anthropicの解説では、ワークフローは定義がはっきりした仕事に向いて、予測しやすさと安定感が得られると説明されています。一方でエージェントは、柔軟さとAI自身の判断が大規模に必要な場合の選択肢です。

ワークフローの5つの型

Anthropicは、ワークフローをさらに5つの型に分けて紹介しています。AIエージェントというほど複雑でなくても、これらの型だけで業務に組み込める仕事は多くあります。右端の業務例は、この記事での想定例です。

Anthropicは、これらの型を組み合わせて使うことを前提にしつつ、「できるだけシンプルな解決策を探し、必要なときだけ複雑にする」ことを勧めています。

エージェント型が向く場面

エージェント型を選ぶのは、必要な手順の数を事前に予測しにくく、固定の道筋を書けない仕事です。AIは目標を受け取り、計画を立て、ツールを使って結果を確かめながら、最後まで自分で進めます。

OpenAIの実践ガイドでは、エージェントが向く場面として次の3つを挙げています。

• 複雑な判断が要る：例外や文脈に応じた判断がある仕事（返金の承認など）
• 保守しにくいルールがある：ルールが増えすぎて、更新に手間と間違いが出ている仕事（取引先の審査など）
• 文書などの非定型データを扱う：自然な文章を読み取る必要がある仕事（保険の請求書類など）

これらに当てはまらない場合は、決まった手順で動く仕組みで足りることがある、とも書かれています。

仕事ごとの使い分け

手順の決まり具合から、向く型を整理しました。表の中身は、この記事での想定例です。

同じ仕事を3通りで作ってみる

型の違いは、同じ仕事を作り分けると分かりやすくなります。「取引先からの問い合わせメールに、返信の下書きを作る」仕事を例に、3つの作り方を比べます（この記事での想定例です）。

3つのうち、どれが正解ということはありません。問い合わせの種類と件数、間違えたときの影響を見て選びます。多くの会社では、最初の「ワークフロー型」か「組み合わせ」から始めるのが現実的です。

組み合わせて使う

2つの型は、どちらか一方を選ぶものではありません。MicrosoftのCopilot Studioの公式ドキュメントでは、「エージェント」「ワークフロー」「エージェントフロー」を別々の部品として用意しています。ワークフローの途中の手順で、エージェントに仕事を頼む組み合わせも例に挙がっています。

全体の流れは決めておき、判断が必要な1か所だけをエージェントに任せる、という作り方は、費用も間違いも抑えやすい方法です。

教科書的な7つの分類

解説記事で最もよく見かけるのが、「単純反射型」「目標ベース型」といった分類です。AWSの解説ページには、次の7つが紹介されています。

AWSが紹介する7つ

「身近な例」は、イメージしやすくするためのこの記事での例えで、AWSの記載ではありません。

この分類の読み方

7つを眺めると、上から5つは1体のAIが、どれだけ賢く判断するかの違いで、下の2つは複数体をどう組み合わせるかの違いになっています（この記事での見方です）。

この分類は、AIエージェントの考え方を整理するためのものです。現在の生成AIを使った製品を見て「これは目標ベース型」と1つに当てはめるものではありません。製品の説明に分類名が出てきたときは、次のように読むと役立ちます。

• 単純反射型・モデルベース型：ルールに近い仕組み。決まったルールで済む仕事は、通常の自動化でも足りる
• 目標ベース型・効用ベース型：目標や基準を受け取り、選択肢を比べて選ぶ仕組み。生成AIのエージェントが得意とする領域
• 学習型：経験から改善する仕組み。実際に利用者のデータで学習するかは、サービスごとの設定と規約で決まる
• 階層型・マルチエージェント：複数体で動く仕組み。次の章で詳しく扱う

仕事の判断の難しさで読み替える

7つの分類は、「その仕事にどの程度の判断が要るか」を考えるときの物差しにもなります。次の表は、この記事での読み替えです。

上の2行は、AIを使わなくても実現できる仕事です。AIエージェントを入れる前に、「ルールを書ければ済む仕事ではないか」を一度確かめると、無駄な費用を避けられます。

1体型・複数体型

AIエージェントは、1体ですべての作業を進める形と、複数の体で役割分担する形があります。「複数の方が高性能」と思われがちですが、公式資料ではむしろ慎重な書き方がされています。

まずは1体から

OpenAIの実践ガイドは、「まず1体のエージェントの能力を最大限に使うこと」を一般的な推奨としています。エージェントを増やすと、役割ごとに整理しやすくなる一方で、複雑さと処理の負担が増えるからです。

1体のエージェントでも、ツールを少しずつ増やせば、できることを広げられます。複数に分けるのは、次のような場合です。

• 条件分岐が複雑になった：指示文の中に「もし〜なら」が増えすぎて、管理しにくいとき
• ツールが多すぎて、選び間違える：同じ名前や似た役割のツールが多く、ツールの説明を直しても改善しないとき

ツールの数については、よく定義された15個以上のツールをうまく使えている例もあれば、似通った10個未満で苦戦している例もあります。数ではなく、ツールが互いに似ていないかが目安になります。

複数体の2つの組み方

OpenAIは、複数のエージェントを組み合わせる形を、大きく2つに分けています。

身近な例は、どちらもOpenAIのガイドで使われている例です。窓口が1つにまとまっているか、担当に交代するか、という違いと考えると分かりやすいでしょう。

Claude Codeにあるサブエージェントとエージェントチーム

プログラミング用のAI「Claude Code」には、複数で動く仕組みが2つあります。同じ「複数体」でも、動き方の違いがはっきりしているので、型の理解に役立つ例です。

サブエージェントは、それぞれ独立した文脈（記憶の範囲）、専用の指示、使えるツールの制限を持ちます。たとえば、ファイルの調査だけを担当し、書き込みはできない読み取り専用のものが標準で用意されています。

エージェントチームは、実験的な機能で、初期状態では無効と公式ドキュメントに書かれています。順番に進める仕事や、同じファイルの編集、依存関係の多い仕事には、1つのセッションかサブエージェントの方が向くとも説明されています。

複数体の流れの例

Anthropicの調査システムは、司令役のエージェントが、複数の作業役のエージェントに調べものを分けて頼む形です。作業役は、それぞれ独立した文脈とツールを持ち、調べた結果を要約して司令役に返します。この流れを、会社の仕事に置き換えた例が次のとおりです（この記事での想定例です）。

1. 依頼を受ける司令役が「競合5社の最近の動きを、一覧にまとめて」という依頼を受け取ります。
2. 仕事を分ける司令役が、5社を作業役に1社ずつ割り当てます。
3. それぞれが調べる作業役は、並行して公式サイトやニュースを調べ、要点だけを返します。
4. 結果をまとめる司令役が、返ってきた要点を1つの表に整理します。
5. 人が確認する出典と数字を、担当者が確かめてから使います。

社ごとに調べる内容が独立しているので、並行して進められる、複数体に向いた仕事です。反対に、1つの企画書を書き上げる仕事は、前の工程の結果に次の工程が左右されるため、1体で順に進めた方が合います。

複数体にすると、費用はどうなるか

Anthropicが自社の調査システムについて公表している数字では、エージェントは通常のチャットの約4倍、複数のエージェントを使う場合は約15倍のトークン（AIが処理する文字量の単位）を使っています。

同じ記事では、複数体が向くのは、並列に進められる調べもののように、価値が高く、1体の文脈に収まりきらない仕事だとされています。反対に、共有する文脈が多い仕事や、作業同士の依存関係が多い仕事（例としてプログラミングが挙げられています）は向きにくいと書かれています。

対話型・自律型

4つ目の軸は、AIが「何をきっかけに動き出すか」です。人が話しかけて動くか、何かが起きたら自分で動くかの違いです。

2つの動き出し方

MicrosoftのCopilot Studioは、利用者の入力で動くものと、イベントで自律的に動くものを区別しています。公式ドキュメントでは、イベントトリガーは、利用者の入力を必要とする従来のトリガーとは違い、定義した出来事が起きたときにエージェントが自律的に動くための仕組みと説明されています。

公式ドキュメントでは、イベントの例として「SharePointに項目が作られたとき」「OneDriveにファイルが作られたとき」「Plannerのタスクが完了したとき」、そして「一定時間が経ったとき」（定期実行）が挙げられています。

自律型で決めておくこと

人がいない場面で動くので、対話型より先に決めておくことが増えます。Copilot Studioのドキュメントで注意されている点を整理しました。

• 誰の権限で動くか：イベントで起動するエージェントは、作成者の資格情報で動きます。公開すると、利用者が作成者の権限でデータやシステムにアクセスできてしまう可能性が、公式に警告されています
• 公開後は自動で反応する：トリガーを設定して公開すると、イベントが起きるたびに自動で動きます。公開前に十分にテストする必要があります
• 起動の回数が費用に直結する：トリガーによる起動も、利用量として数えられます。10分ごとに起動する設定なら、10分ごとに1回分の利用量がかかります
• 情報が出ていく経路：イベントの内容に、機密の情報が含まれることがあります。何が起動の条件になり、どの情報がどこに出力されるかを事前に確かめます

対話型から自律型へ移す手順

対話型で使っている仕事を、自律型に切り替えるときの手順の例です（この記事での整理です）。

1. 対話型で3〜5回頼む毎回、同じ形式の結果が返るかを確かめます。形式がぶれるうちは自動化に向きません。
2. 確認する項目を書き出す「合計が元データと合っているか」「宛先に間違いがないか」など、人が見ていた点を一覧にします。
3. 権限を絞る読むだけでよいのか、書き込みや送信が要るのかを分け、必要な範囲に限ります。
4. 最初は下書きで止める自動で動かしても、最後の送信や確定は人が行う形にします。
5. 動きの記録を見直すしばらくは毎回の結果を確かめ、問題がなければ頻度や範囲を広げます。

定期実行も自律型の一種

「毎週月曜の朝に先週の売上を集計する」のような定期実行は、時間の経過をきっかけにして動くので、自律型の一種です（この記事での整理です）。チャット型のサービスでも、定期実行の機能を持つものがあります。Claudeでの例はClaude Coworkの解説記事で扱っています。

使う場面で分ける3つの型

最後の軸は、利用者から見た「どこで・誰が使うか」です。これは公式の分類ではなく、サービスを選ぶときに使いやすいこの記事での整理です。製品名の比較や料金はAIエージェントのおすすめの記事に任せ、ここでは型の違いだけを扱います。

チャット型・開発型・組み込み型

ここまでの軸との関係

使う場面の型は、これまでの軸と傾向として結びつきます。厳密な決まりではなく、見当をつけるための目安です（この記事での整理）。

たとえば開発型のサービスは「エージェント型で、1体を基本に、対話で動かす」使い方が中心です。組み込み型は、ワークフローの中でエージェントを使い、イベントで自動で動かす設計になることが多くなります。

この見方があると、新しいサービスの名前を見たときにも、「どの場面で、どの型の組み合わせか」から落ち着いて判断できます。

サービスの名前や提供範囲は短い期間で入れ替わることがあります。名前を覚えるよりも、軸を使って「何をどこまで任せるもの」かを読み取る習慣をつけておくと、情報が古くなっても判断を続けられます。

型を決める前に確認したいこと

使う場面を選ぶときは、サービスの機能より先に、次の点を社内で確かめておくと迷いません。

自社に合う種類の選び方

5つの軸を知っても、実際の判断に使えなければ意味がありません。ここでは、任せたい仕事から型を絞る手順を示します。表や判断基準は、公式資料の考え方をもとにした、この記事での整理です。

5つの質問で型を絞る

任せたい仕事を1つ決めて、次の順に答えてください。

1. 手順は決まっているか毎回ほぼ同じ手順なら、ワークフロー型で足ります。調べる内容や順番が状況で変わるなら、エージェント型を検討します。
2. 誰が、どこから頼むか全部門の担当者がふだんの画面から頼むならチャット型、プログラムを作る人が使うなら開発型、システムの中で自動で動かすなら組み込み型です。
3. 人が頼むのか、出来事で動かすのか相談しながら進めるなら対話型、定例や受付なら自律型です。最初は対話型で試す方が安全です。
4. 間違えたときの影響はどこまでか社外への送信、支払い、取り消せない操作が含まれるなら、必ず人の確認を挟む設計にします。
5. 費用の出方を把握できるか月額で収まるのか、使った分だけ増えるのかを確かめます。複数体や自律型は、使用量が増えやすい構成です。

質問の答えから見る、型の組み合わせ

3つの会社を想定して、型の組み合わせを整理しました。いずれもこの記事での想定例です。

道具の種類で、リスクを見分ける

OpenAIの実践ガイドでは、エージェントが使う道具（ツール）を3種類に分けています。この分け方は、任せる範囲を決めるときの手がかりになります。

最初は「データ」の道具だけを持たせ、調べて下書きを作る範囲で試します。「アクション」の道具は、結果に慣れてから、少しずつ加えます。

頭脳になるモデルの選び方

型を決めたら、エージェントの頭脳となるAIモデルも選びます。OpenAIの実践ガイドは、次の進め方を勧めています。

• まず、最も高性能なモデルで試す：どの程度の精度が出せるかの基準を作る
• 精度の目標を満たせるか確かめる：手元の仕事で、合格ラインを決めて評価する
• 小さなモデルに置き換えて確かめる：結果が足りるなら、費用と待ち時間を減らせる

ガイドでは、情報の検索や分類のような簡単な仕事なら小さく速いモデルで足りる場合もあり、返金の可否のような難しい判断には高性能なモデルが向く、と説明されています。すべての工程に最も高性能なモデルを使う必要はありません。

任せる範囲の段階

型を選んだら、「どこまで任せるか」も決めます。OpenAIの実践ガイドでは、人の介入が必要になる典型的な場面として、失敗が続いたとき（再試行の回数を超えたときなど）と、影響の大きい操作（注文の取り消し、高額の返金、支払いなど）を挙げています。そのうえで、信頼できると確かめられるまで、人の監督を残すことを勧めています。

最初は段階1か2から始めて、結果を見ながら広げます。社外への送信や支払いのような取り消せない操作は、どの型でも、人の確認を残すのが基本です。

よくある選び間違い

• 最初から複数体で組もうとする：1体で足りるのに、構成と費用が重くなります。まずは1体で始めます
• 手順が決まっている仕事にエージェントを使う：費用が高く、結果もぶれます。ワークフロー型や通常の自動化で足りないかを先に考えます
• 自律型を、広い権限のままで動かす：人がいない間に、意図しない操作が起きます。権限は仕事に必要な範囲に絞ります
• 名前の分類だけで選ぶ：提供元ごとに定義が違うので、実際に何を任せられるかを試して確かめます
• 確認の場面を設計しない：どこで人が見るかを決めずに運用すると、間違いに気づけません
• 効果を測る基準を決めない：「作業時間が何分減ったか」「やり直しが何回あったか」のように、試す前に見る数字を決めておかないと、続けるかどうかを判断できません

社内で説明するときの言い換え

社内に共有するときは、用語を言い換えると伝わりやすくなります。次の表は、そのまま使える言い換えの例です（この記事での整理です）。

この表を貼っておくと、「どの型を使うのか」という会話が、社内で同じ意味で進められます。

よくある質問

まとめ

種類の名前を覚えるより、「この仕事は手順が決まっているか」「間違えたとき誰が気づくか」を考えると、自社に合う型は絞れます。分け方の軸が分かれば、これから新しいサービスが出てきても、同じ見方で整理できます。

INTERCREATE JAPANでは、Claude CodeやCodexなどの導入から、業務に合わせたAIの活用方法の整理、社内で使い続けられる仕組みづくりまでをお手伝いしています。どの型から始めればよいか迷うときは、お気軽にご相談ください。