AIエージェントを「全社で使われる状態」にするには――Agentic AI Summit '26 Fall Day1 Track 1・2レポート

Day1基調講演の会場。Geminiを企業の仕事へ組み込むための基盤と、全社で活用する条件が紹介された。
現地撮影／Day1

AIエージェントを作れることと、企業の中で実際に使われることは別の問題だ。

2026年10月29日に開催された「Agentic AI Summit '26 Fall」Day1では、Gemini Enterpriseを中心に、AIエージェントを企業や組織へどう定着させるかが議論された。公式にもDay1はビジネスユーザー向けの日として位置付けられている。

Track 1・2を横断すると、共通していたのは、AI導入だけでは変革にならないという点だった。AIのコストを企業資産へ変えること、現場社員が作り手になること、ベテランの判断を残すこと、人間の責任範囲を決めること、開発のボトルネックを解くこと。技術とともに、仕事の仕組みが問われていた。

Day1 Track 1・2では、技術そのものよりも、AIを企業の仕事へどう埋め込むかという問いが前面に出ていた。

AIを使い捨てず、企業の中に「複利」で蓄積する

Day1基調講演で示されたのは、AIエージェントを取り巻く3つの前提変化だった。

1. コストとトークン量の変化。

2. 一度使って終わるAIから、スキルや業務知識を蓄積して再利用する「複利」のAIへの変化。

3. 最適なモデルが短期間で入れ替わることを前提とした、複数モデルの使い分け。

講演終盤でも、ルーティングによるコスト最適化、スキルを育てて企業資産へ変えること、特定モデルへ固定しないプラットフォームという3点に整理された。

この「複利のAI」については、別記事で詳しく扱う。

詳しく読む：AIのコストを「使い捨て」から「資産」へ、Google Cloudが説く「複利のAI」

基調講演では「複利のAI」という考え方だけでなく、三菱UFJ銀行、アフラック生命保険、ファナックとの取り組みも紹介された。共通していたのは、AIエージェントを単体ツールとして配るのではなく、企業固有のデータ、業務手順、人の判断、既存システムと結び付ける必要があるという点だ。

特にファナックとのFDE（Forward Deployed Engineer）の取り組みは、「完成した製品を導入する」だけでは解けない業務課題へ、利用企業と技術者が同じ現場で入り込む姿勢を象徴していた。Day2のAsk the SpeakerでKaz Sato氏が語った「現場の仕事を知る」「泥臭いコミットメント」という話ともつながる。

第6回 AIエージェント事例アワード――評価対象は「AIの新しさ」から「仕事の変化」へ

Track 1では、第6回 AIエージェント事例アワードのピッチコンテストも行われた。

ファイナリストには、Contrea、テレビ朝日など、異なる業務領域でAIエージェントを実装する企業が並んだ。

動画制作、人事評価、記帳、営業管理、オフィス提案、データ分析、商品企画など対象業務は幅広い。

一方で共通していたのは、AIだけで仕事を完結させようとしていないことだ。

・人間の専門性をAIへ渡す。

・確定的な処理はシステムへ分ける。

・必要な判断は人間へ戻す。

・人の修正を次の処理へ反映する。

AIエージェントを「万能な自動化装置」ではなく、実際の業務プロセスの一部として設計する事例が増えていた。

第6回AIエージェント事例アワードで優秀賞となったテレビ朝日。番組ごとの編集ノウハウを残し、改善する取り組みを紹介した。
現地撮影／Day1

アワードでは8チームのファイナリストが、オフィス提案、医療、税務、営業、ヘルスケア、動画制作、流通、商品企画など異なる業務を題材にした。対象業務は違っても、評価の焦点は「AIを使っているか」ではなく、「どこまで業務プロセスを変えたか」へ移っていた。

テレビ朝日のショート動画制作のように、人の編集結果を次回へ反映する事例もあれば、確定的な処理をシステムへ残し、曖昧な判断だけをAIへ任せる設計もあった。AIエージェントの成熟度を測るとき、モデルの新しさよりも、責任境界と改善ループを見るべきだと分かる。

足立区――AIが答弁を決めるのではなく、人間が責任を持てる形で使う

足立区のセッションでは、議会答弁の準備をAIエージェントで支援する取り組みが紹介された。

行政の仕事では、AIの出力が便利かどうかだけでは不十分だ。

誰が最終確認をするのか、どこまでAIへ任せるのか、対外的な責任を誰が持つのか。行政で使うには、こうした境界を明確にする必要がある。

詳しく読む：足立区の議会答弁AIは、出力を叩き台にとどめ、最後は職員が確かめる

足立区の議会答弁AIでは、過去の答弁およそ7万件を行政ナレッジとして扱い、職員が必要な情報を探し、答弁作成の叩き台を得る流れが示された。ただし、AIがそのまま対外的な回答者になるわけではない。現状は職員が確認し、責任を持つことが前提だ。

自治体DXで重要なのは「人を消す」ことではなく、検索や下書きなど大量の情報処理をAIへ寄せ、人間が判断・確認・住民対応へ時間を戻せるかである。セッション後半では、区民の声、防災などフロント業務への展望にも触れられたが、現在のPoCと将来構想を分けて読む必要がある。

MIXI――ベテランの「答え」ではなく「判断の型」を残す

MIXIの「トマト部長モデル」は、ベテラン社員が持つ暗黙知をAIで組織資産へ変える取り組みだ。セッションタイトル自体も「ベテランの暗黙知を生成AIで『判断の型』へ」とされている。

過去の事例やFAQを保存するだけでは、新しい問題へ対応できない。

そこで「なぜその判断をするのか」という思考プロセスをAIとの対話から言語化する。

さらに、本人がいなくなった後も後輩が更新できる状態を目指していた。

「トマト部長モデル」で特徴的だったのは、ベテランの文章や過去回答をRAGへ入れるだけでは終わらない点だ。本人との対話から、判断時に何を見るか、何を優先するかを複数の軸へ整理し、「答え」ではなく「考え方」を取り出そうとした。

日常の相談相手として24時間使えることに加え、本人が退職・異動した後も後輩が更新できる状態を目指している。暗黙知のAI化は、ベテランをコピーすることではない。判断の構造を言語化し、組織が保守できる状態へ変えることだ。

資生堂――美容部員とAIを競わせるのではなく、「強化と拡張」を考える

資生堂のテーマは「美容部員 × AI Agent：資生堂が挑む美容応対の『強化と拡張』」だった。

接客領域では、人間の仕事をAIへ置き換えるだけでは価値を捉えきれない。

顧客との対話、美容に関する専門知識、一人ひとりに合わせた提案。

こうした人間の接客価値を残したまま、AIによって扱える情報や支援範囲を拡張する。

AIと専門職を対立させず、人の能力をどう強くするかという方向性は、今回のサミット全体でも繰り返し見られた。

資生堂の議論では、美容部員とAIを競わせるのではなく、接客の「強化」と「拡張」という言葉が使われた。美容応対には商品知識だけでなく、相手の悩みを聞き取り、状況に合わせて提案する専門性がある。AIだけに置き換えれば、この対人価値を失いかねない。

一方で、時間や場所の制約を越えて情報提供を広げたり、接客前後の情報整理を支援したりする領域ではAIが効く。人が得意な共感・判断と、AIが得意な情報処理・常時対応を混ぜる設計が重要になる。

大阪ガス――コーディングが速くなった後に、組織が止まった

大阪ガスの「AIと創る『止まらない』開発組織」では、AIによって個人のコーディング速度が上がった後に、別の問題が生まれた。

個人のコーディングだけが速くなれば、レビュー、要件整理、品質管理、テスト、CI/CDが次のボトルネックになる。AI駆動開発を成功させるには、開発ライフサイクル全体をAI前提へ組み直す必要がある。

大阪ガスの事例は、AIコーディング導入後に起きる「次のボトルネック」を具体的に示した。コード生成だけが速くなれば、レビュー、テスト、CI/CD、要件確認が詰まる。さらに生成AIは非決定的なので、同じ入力でも毎回同じ出力になるとは限らない。

そこで、要件整理、設計、実装、テストなど各工程にAIを置きつつ、ガードレールと人間の確認点を明示した。CI/CDもAI前提へ組み直し、UXやバックエンドの重要な確認は人が担う。AIを「超優秀な新人」に例え、利用者自身がAIの上司として仕事を切り出し、成果物を評価するという考え方も示された。

Hajimari――AIを「情報を返す存在」から「行動を促す存在」へ

Hajimariのテーマは「行動を促すAIエージェントが変える、HRビジネスの営業生産性」だった。

企業AIでは、質問に答えるだけでは業務成果につながらないケースがある。

営業や人材ビジネスでは、誰へ連絡するのか、次に何をするのか、どの候補者を確認するのかといった行動につながって初めて価値が出る。

「検索・回答」から「次の仕事を進める」方向へAIエージェントが移っていることを示す事例の一つだった。

Hajimariのセッションでは、AIエージェントの価値を「答えを返すこと」ではなく「次の行動へつなげること」で測っていた。営業・人材ビジネスでは、候補者や企業情報を検索できても、それだけでは成果にならない。誰に何を届け、次に何をするかまで業務へ接続する必要がある。

そのため、AIが使いやすいようデータを再設計し、ベテランの判断を言語化して、必要な人へエージェントが情報を届ける。セッション終盤では「作ったかではなく、使われているか」を成果指標にすべきだと整理された。業務を知る側が「何をデータとして残すか」を決め、ベテランの時間を確保して判断を言葉にすることも求められる。

No Fun, No Gain――「知識より意識」を、参加型の場そのもので体験させる

Track 1最後の特別講演「No Fun, No Gain！『知識より意識』で磨く Gemini 共創力」は、他のセッションとは明らかに雰囲気が違った。

Googleの水谷嘉仁氏（MIZU氏）は、一方向にスライドを説明するのではなく、冒頭からQRコードを示し、スマートフォンやPCから参加できるWebアプリへ来場者を誘導した。途中にはライブアンケートを挟み、参加者自身が考え、答え、その結果を会場で共有しながら進んでいく。

ここでのテーマは、AIの新機能をどれだけ知っているかではない。水谷氏が繰り返したのは「知識より意識」だった。AIの進化が速いからこそ、機能を追うだけではなく、何のために使うのか、出力を鵜呑みにしていないか、問いの立て方は適切かを考える姿勢が重要になる。

講演では、AIは便利でも万能ではなく、最終的な責任は人間側に残ることも強調された。AIへ仕事を丸投げするのではなく、人間が「主」、AIが「従」という関係を維持し、生産性向上で生まれた余力を新しい価値づくりへ使う。単に「楽をする」のではなく、AIと共創して仕事の質を上げるという考え方だ。

「No Fun, No Gain！」を掲げた水谷嘉仁氏。QRコードから参加できるWebアプリやライブアンケートを交え、参加者自身が考え、答え、振り返るセッションとして進められた。
現地撮影／Day1

このセッションを特徴づけていたのは、そのメッセージを講義内容だけでなく、体験設計そのものでも示していたことだ。参加者はWebアプリで回答し、自分の言葉で振り返り、最後には「明日から何を試すか」まで考える。講演中にも「体験して、考えて、例えて、試す」という学びの流れが説明された。

水谷氏が講演後に公開したnoteによれば、当日は182人が同時参加し、ライブアンケートには156人、86％が回答したという。事後アンケートも156人が回答し、平均満足度は4.37／5.00だった。これは登壇者本人による集計だが、会場が受け身の聴講だけではなく、高い参加密度を持つ場として設計されていたことは現地でも明確だった。

さらに、講演そのものの制作にも生成AIが使われていた。水谷氏のnoteでは、全47枚のスライド、参加型Webアプリ、オープニング曲、終了後の3分間の復習映像まで、Geminiや生成AI、Vibe Codingを組み合わせて制作した過程が公開されている。

つまり「No Fun, No Gain」は、AI活用の方法を説明するだけのセッションではない。AIを使って場を作り、その場に参加者を巻き込み、「知識より意識」「自ら体験する」というメッセージを講演形式そのもので示していた。

全社AI活用でも同じことが言える。ツールやルールを用意するだけでは定着しない。社員自身が触り、自分の仕事に引き寄せて考え、小さく試し、他者と共有する。その循環を作れるかが、AIを「配布した状態」から「使われる状態」へ変える。

参考：MIZU氏本人による講演制作の舞台裏（note）

Track 1・2を並べると、全社AI活用に必要なものは「ライセンス」「研修」「エージェント開発」のどれか一つではない。使える環境を整え、現場が課題を発見し、専門知識を言語化し、必要なら自分で作り、組織として共有し、リスクの高い操作は統制する。この循環全体が必要になる。

また、効率化だけを目的にするとAI活用の価値を小さく見積もる。足立区は職員の判断を残し、MIXIは判断の型を資産化し、大阪ガスは開発組織を再設計した。No Fun, No Gain!は、最後に「使う人の意識」まで戻ってきた。Day1 Track 1・2は、AI導入の議論というより、組織の仕事の設計をどう変えるかという議論だった。

Track 1・2で見えたもの――AI導入から「組織設計」へ

Track 1・2を通して見えたのは、企業AIの課題が「AIを導入するか」から変わり始めていることだ。

・AIを使う人を増やし、現場が自分で作れるようにする。

・ベテランの判断を残し、人間が責任を持つ地点を決める。

・開発プロセス全体を変え、AIのコストを次の仕事でも使える企業資産へ変える。

モデル性能だけでは解けない問題が中心になっている。

Day1のもう一方、Track 3・4では、この流れがさらに「意思決定」「全社浸透」「セキュリティ」「データ基盤」「Tokenomics」へ広がっていく。

次に読む記事