AIエージェントとは？自動化・RAG・ワークフローを解説

ChatGPT Workは、OpenAIが2026年7月9日にGPT-5.6と同時発表した「仕事用のAIエージェント」。質問に答えるだけの通常チャットと違い、連携アプリやファイルから文脈を集めて、資料・表・スライド・Webアプリといった「完成した成果物」まで作るのが最大の特徴だ。頭脳は同日発表の新フラッグシップGPT-5.6 Sol（Codex基盤）で、複雑なプロジェクトを分解して数時間にわたり自律作業を続けられる（Thurrott）。統合デスクトップアプリの中では、Work（成果物）／Codex（技術・詳細表示）／通常チャット（対話）の3モードが同居し、WorkはCodexの技術詳細を隠した"ビジネス版"の位置づけ（9to5Mac）。使えるモデルはプラン依存で、無料/GoはTerra、Plus/Pro/Business/EnterpriseはSol/Terra/Lunaから選択（報道ベース）。強みはGoogle Drive/SharePoint/Slack等のコネクターやMCPで「あなたの文脈」を取り込める点で、企業向けは既定でデータを学習に使わない。本記事では、Axios・TechCrunch・9to5Mac・Thurrott・OpenAIの情報をもとに、ChatGPT Workが何か・通常ChatGPTやCodexとどう違うか・どのプランで使えるか・どのアプリと繋がるかを、確度ラベル付きで整理する。

OpenAIの最上位GPT-5.6 SolとGoogle Geminiを徹底比較する。対Claude戦とは様相が違い、Solはエージェント/端末コーディングで圧倒（Terminal-Bench 2.1で88.8% vs 68.5%、SWE-bench Proで64.6%（推定） vs 54.2%）、Geminiはネイティブマルチモーダル（音声・動画）と約半額の価格（$2.50/$15 vs $5/$30）、MMLU 92.6%・ARC-AGI-2 77.1%・WebDev Arena首位で対抗——得意分野がほぼ重ならない。さらに重要な「時制の罠」として、Googleの真の対抗馬Gemini 3.5 Proは本記事時点で未発売（アーキ全面刷新で2026年7月中旬にGA予定）で、現時点の公正な比較対象は現行最上位のGemini 3.1 Pro（2026年2月）である点を明示する。本記事ではスペック早見表、コーディング/推論/マルチモーダルのベンチ、Geminiの本丸であるマルチモーダルの差、実コスト（Sol比ではGeminiが約2倍安いが、GPT側もTerraならGeminiを下回る）、強み弱みマップ、ユースケース別の選び方までを公式発表と独立ベンチに基づいて整理する。

2026年4月のGPT-5.5から2か月半後の7月9日に登場したGPT-5.6は、単なる性能向上ではなく「単一旗艦から Luna/Terra/Sol の3モデル体制への再編」が最大の変化だ。多くのGPT-5.5ユーザーに最も効くのは、中位Terraが「GPT-5.5相当の品質を大幅に安く」提供する点。リリース時点で半額、さらに2026年7月30日の値下げでGPT-5.5の4割の単価（$2/$12）になった。性能を上げたい人には最上位Sol（同価格$5/$30でSWE-Bench Pro 58.6→64.6%推定に向上）、コストを下げたい人にはTerra、という選択肢が生まれた。本記事では、3モデル化の意味、スペック早見表、Terraの価格対性能、世代でのベンチ向上（同一指標のSWE-Bench Proは+6pt、ただしTerminalBenchは2.0→2.1でバージョン違い・汎用推論は多くが非公表）、5.6の新機能（Programmatic Tool Calling・max effort・ChatGPT Work・GPT-Live・GitHub Copilot対応）、実コスト（月100M入力/20M出力で$1,100→$440の概算）、そしてどのモデルに移行すべきか（Terraで請求を6割減→性能が要る処理だけSol）までを公式発表・独立分析ベースで整理する。

OpenAIの最上位GPT-5.6 Sol（7月9日）と、Anthropicが「一般提供する中で史上最強」と位置づけるClaude Fable 5（6月9日）を徹底比較する。Opus 4.8戦が同価格帯の直接対決だったのに対し、こちらは「半額の万能型Sol（$5/$30）」対「2倍高いが最上位のFable 5（$10/$50）」というコストと実力のトレードオフが主題だ。実プロダクション級コーディングのSWE-Bench ProではFable 5が80.3%とSolの64.6%（推定）を15pt以上引き離し、その差はOpus 4.8戦より拡大。さらにFable 5は数百万トークンに集中して最大12時間連続で自走し、Stripeが5000万行のRuby移行を1日で完了させた「完走力」が本領だ。一方Solは端末操作のTerminalBench 2.1（88.8% vs Fable 86.0%）・Agents' Last Exam（53.6 vs 40.5）・Coding Agent Index（80 vs 77.2）で首位、しかも半額＋トークン効率+54%でコスパが強い。本記事ではスペック早見表、ベンチ詳細、OpenAIがSolのSWE-bench Proを非公表な「非公開ベンチ問題」、長時間自律、実コスト（タスク完了あたりで見る）、強み弱みマップ、ユースケース別の選び方までを公式・独立ベンチベースで整理する。

2026年のAIコーディング2強、Claude Opus 4.8（5月28日）とGPT-5.6の最上位Sol（7月9日）を徹底比較する。得意領域はほぼ反対で、SolはTerminalBench 2.1（88.8% vs Opus 78.9%）・Agents' Last Exam 53.6・Coding Agent Index 80と端末操作/エージェント総合力で首位。対するOpus 4.8はSWE-bench Pro（69.2% vs Sol 64.6%）・USAMO 2026（96.7%）・GraphWalks 1M（68.1%）と実プロダクション級コーディング/数学/長文脈で首位、さらに「過信10分の1・欠陥結果の無批判報告0%」の誠実性を打ち出す。加えてOpenAIはSolのSWE-bench Proや汎用推論ベンチ（GPQA/AIME/MMLU等）を多く非公表——実コーディングの本丸では開示済みのOpusが優位という構図だ。本記事ではスペック早見表、ベンチ詳細、非公開ベンチ問題、実コスト（単価$25 vs $30とトークン効率+54%の綱引き）、強み弱みマップ、ユースケース別の選び方、デュアル運用戦略までを公式・独立ベンチベースで整理する。

OpenAIが2026年7月9日にGPT-5.6を一般提供開始。従来の「無印＋Pro」から Luna（高速・低コスト $0.20/$1.20）／ Terra（バランス $2/$12、GPT-5.5相当をSolの4割の単価で）／ Sol（フラッグシップ $5/$30）の3モデル体制に再編されました（価格は2026年7月30日の改定後）。SolはAgents' Last Exam 53.6・Coding Agent Index 80で首位、TerminalBench 2.1も88.8%でClaude Fable 5（86.0%）を上回りますが、実プロダクション級のSWE-Bench ProではClaude Fable 5が80.0%、Sol 64.6%とClaudeが大きく優位。本記事では3モデルの違い・価格・ベンチマーク・新機能（Programmatic Tool Calling、ChatGPT Work、全二重音声GPT-Live）・ChatGPTプラン別提供・Claude（Fable 5/Opus 4.8）との比較・用途別の選び方まで、公式発表と独立ベンチマークを基に解説します。

OpenAIで実装し、次にClaudeやGeminiも試したくなった途端、プロバイダごとに違うSDK・形式・エラー処理の書き分けに時間が溶ける——そんな開発者向け。LLMゲートウェイ（AI Gateway／LLMプロキシ）は、アプリと各プロバイダの間に1枚かませる中継役で、1本のOpenAI互換APIで全モデルを叩けるようにし、フォールバック・コスト集計・仮想キー・キャッシュ・レート制限・観測といった横断的な面倒ごとを肩代わりする。本記事では、なぜ要るのか、ゲートウェイの正体、3つのタイプ（①セルフホスト型プロキシ=LiteLLM／②ホスト型=OpenRouter／③SDK型=Vercel AI SDK）の違い、LiteLLM・OpenRouter・Vercel AI SDKを軸にした選び方、接続先を差し替えるだけの最小構成コード、そして1ホップ分の遅延・ゲートウェイ自身の障害点・手数料（OpenRouterは購入額の5.5%）・機能の目減り・プライバシーという限界まで、実装目線で整理する。

AIエージェントを作ったあと必ずぶつかるのが「で、これはちゃんと動いているのか？」。プロンプトやモデルを変えた結果を感覚でなくデータで判断する仕組みがEvals（評価）だ。LLMは同じ入力でも確率的に出力が変わり、完全一致の単体テストが効きにくい。本記事はEvalsとは何か、品質を測る5つの方法（①正解データセット照合 ②ルールベース判定 ③LLM-as-judge＝AIに採点させる ④回帰テスト＝変更前後の比較 ⑤本番モニタリング）、エージェント特有の評価（タスク成功率・ツール呼び出しの正しさ・軌跡・コスト）、20件から小さく始める手順、よくある落とし穴、主要ツール（Anthropic Console/Evals・OpenAI Evals・LangSmith・Langfuse・Ragas）までを実務者向けに整理する。

業務自動化で必ず出るのが「AIエージェントとRPA、どっちを使う？」。結論は二者択一ではなく役割で使い分け、2026年の勝ちパターンは両者のハイブリッド。RPAは決まった手順を高速・正確にこなす決定的な「手」（変化に弱く画面変更で壊れる）、AIエージェントは状況を読んで判断する確率的な「頭」（曖昧さ・例外に強いが毎回同じ結果とは限らない）。本記事は動作原理の違い、比較表（再現性と変化耐性のトレードオフ）、使い分け（判断軸は「規則で書き切れるか」＝書けるならRPA、書けない判断が要るならAIエージェント）、2026年の潮流（UiPath・Automation Anywhere・Blue PrismなどRPA大手のエージェント化＝収束、対立でなく「判断をどこに置くか」＝オーケストレーション優先）、そして実務の正解＝ハイブリッド（頭＝AIエージェントが判断・オーケストレーション、手＝RPAが定型実行、決定性が要る所にエージェントを置かない、ガードレールと人間承認）まで整理。各社公式情報に基づき、FAQ付きで実務者向けに解説する。

AWSの運用・管理をAIに任せられるか。2026年は「かなり任せられる」段階に入った。AWS自身がAmazon Q DeveloperやAIエージェントがAWSを操作する公式基盤「Agent Toolkit for AWS」(2026年5月・40以上のagent skills＋マネージドAWS MCP Server＋プラグイン)を出し、IaC生成からリソース操作までAIが踏み込める。本記事は「任せる」を3段階(①コード/IaC生成支援②読み取り中心の運用・調査③実際にAWSを操作する自律エージェント)で整理し、主要ツール(Amazon Q Developer/Agent Toolkit/AWS MCP Server/Terraform MCP/Bedrock AgentCore)、メリット(IaCの速さ・一次調査自動化・コスト最適化提案・知識の民主化)、そして本題のデメリット(IAM権限の肥大化=permission sprawl、過剰権限がミス/プロンプトインジェクションの実行加速器になる、権限がタスクを越えて残る、コスト暴走。2025-26には本番DB削除の実例も)を、AWS公式・セキュリティ各社の情報をもとに解説。結論の「ひとひねり」は、論点は"できるか"ではなく"暴走・課金爆発なしにどう任せるか"であり、AWS自身がAgent ToolkitにIAMガードレール/CloudTrail監査/サンドボックスを組み込んだのが答えの形という点。最小権限IAM＋破壊的操作の人間承認＋可観測性＋JIT短命資格情報＋サンドボックスの5原則とFAQ付き。

AIエージェントを業務に組み込む最初の関門が「どのフレームワークで作るか」。本記事は開発者・技術選定者の視点で、LangGraph・CrewAI・AutoGen(2026年4月GAのMicrosoft Agent Frameworkへ統合)・OpenAI Agents SDK・Google ADK・Claude Agent SDKの6つを、オーケストレーション方式(有向グラフ/役割crew/会話GroupChat/ハンドオフ/階層ツリー/自律ツールループ)・対応言語・学習曲線・制御性・本番成熟度・トークンコスト・向く用途で具体的に比較する。最大の注意点は「試作で最速のCrewAIが、本番ではトークン約3倍(あるベンチで41k vs LangGraph 18.5k)かつ非決定的で金融・医療に不向き」という、試作の勝者と本番の勝者が逆転する罠。さらに2026年はMCP(ツール連携)とA2A(エージェント間連携)で異なるフレームワークが相互運用できるようになり、ロックインが薄れた点を解説。用途別の選び方とFAQ付き。

マルチエージェントの作り方で「増やす前に全ハンドオフを計測せよ」と書いた、その計測を本番で支える技術がAIオブザーバビリティ（可観測性）。LLMやエージェントが本番で実際に何をしているか（どのモデルをどんなプロンプトで呼び・どのツールや検索を使い・何を返し・何秒いくらかかったか）を記録し問題の原因まで遡れるようにする。普通のアプリ監視との決定的な違いは、AIは200 OK・50msで返しながら堂々と嘘（ハルシネーション）をつくことがある点で、AIの障害の多くはインフラ障害でなく品質障害（ハルシネーション・検索失敗・安全でない回答・タスク未完了・ツール誤用・プロンプト変更後の劣化）。オブザーバビリティは3本柱＝トレース（1リクエストの実行経路をスパンの木で記録・AI観測の主役）・メトリクス（レイテンシ/コスト/トークン/エラー率を数値集計）・ログ（個別イベントの詳細）で語られ、業界標準のOpenTelemetry GenAI規約がプロンプト・応答・トークン・ツール呼び出しをベンダー非依存スキーマで扱う。最も混同しやすい評価（Evals）との違いは、オブザーバビリティが何が起きたかを見る（計測は簡単だが答えの正しさは分からない）のに対し評価は答えの質が良いかを測る（明示的なEvalsが必要）こと。コストとレイテンシは簡単に測れるが答えの質は評価がないと分からないため2026年の主要ツールはトレース表示＋出力スコアリング＋劣化アラートを一体提供する。見るべきメトリクスは運用系（コスト・レイテンシ・トークン・エラー率）と品質系（ハルシネーション・根拠性groundedness＝RAGで最重要・安全性・タスク完了度）に分かれハルシネーション検知にはLLM-as-a-judge/意味的類似度/根拠性スコアを使う。主要ツールはLangSmith（LangChain系）・Langfuse（OSSセルフホスト）・Arize Phoenix（RAGデバッグ）・MLflow（ライフサイクル）・AgentOps（エージェント）・OpenTelemetry（標準規格）。始め方はトレース取得→運用メトリクス可視化→評価接続の順で本番前から入れること。とくにマルチエージェントでは失敗が多段の因果連鎖に隠れるためセッション全体のトレースが必須。観測＋評価の両輪で初めて本番品質。数値・特徴は各種公表資料の引用で傾向の参考。