エージェンティックAIとは？Deep Research機能と活用事例を徹底解説

この記事は、リンカーズ株式会社が主催した Web セミナー『実践・エージェンティックAI で実現する次世代リサーチ手法』のお話を編集したものです。

最新のAI技術「エージェンティックAI」の定義から実例を徹底解説。単なる生成AI を超えた、複数のタスクを効率的に実行するエージェンティックAI の可能性と課題について、200 件以上の技術調査経験をもとに具体的に紹介しています。

記事の最後の方では、セミナーで使用した講演資料を無料にてダウンロードいただけますので、あわせてご覧ください。

リンカーズ株式会社の浅野（あさの）と申します。私はリンカーズで５年ほど技術調査を専門としており、これまで 200 件以上の様々なテーマで技術調査を行ってきました。元々は人間の手で技術調査をするところからスタートしましたが、 2022 年から 2023 年にかけて、GPT-3.5 や GPT-4 などの生成AI が登場し始めてからは、これらが十分リサーチに活用できる精度を持っていると認識し、生成AI の活用方法について社内で研究開発を進めてきました。

リンカーズでの取り組みとして、 2024 年秋頃に AI を大規模に活用して論文・特許を分析し、技術トレンドを抽出する新しいサービス「 Linkers Trend Map 」を開発し、その責任者を務めています。

現在、AI を活用した技術調査サービスを提供する一方で、世の中でも次々と Deep Research機能が導入されています。 OpenAI 、 Google 、 GenSpark 、 Perplexity など様々な企業が Deep Research機能を導入しており、これらはリサーチにおいて非常に強力なツールとなっています。こうしたツールの可能性と限界について、私自身の仕事にも関わることであるため調査・検証してきました。

今回のセミナーでは、以下の４つの内容についてお話します。

• １. エージェンティックAIとは何か – 定義について
• ２. エージェンティックAI の事例
• ３. Deep Research機能の比較分析
• ４. エージェンティックAI の課題と今後の展望

エージェンティックAI はまだ新しい技術であり、オーソライズされた定義はありません。各社で定義が異なる部分があると思いますが、私の定義をもとに話を進めていきます。

AI の進化は加速し続けており、毎週のように新しい生成AI モデルやツールが発表される勢いです。特に ChatGPT 、 Claude 、 Gemini などの生成AI 技術の進化が続いています。性能面では、すでに人間が違いを見分けるのが難しいレベルに達し、コモディティ化に近づいているように感じます。

一方で、生成AI 単体の性能向上とは異なる方向性で機能を拡張しているのがエージェンティックAI です。これが次のイノベーションとして投資家の関心を集めつつあります。

エージェンティックAIとは何か、ディープラーニングや生成AI との違いについて、私は以下のように解釈しています。

エージェンティックAIは、自律的な意思決定とタスク遂行能力を持つ次世代のAI技術です。ディープラーニングや生成AIとは異なる特徴を持ち、より複雑なタスクの実行に優れています。ディープラーニングが生成AIの基盤技術となり、さらにエージェンティックAIへと発展しました。

●ディープラーニング（2015年頃）：
・主な機能：構造化データを使ったパターン認識、データ分類、画像認識など
・具体例：顔認証システム、医療画像の解析、自動運転技術の一部
・役割：大量のデータから特徴を学習し、特定のタスクを実行する

●生成AI（2022年頃）：
・主な機能：過去の学習から得た知識を自然言語で、コミュニケーションしながら取り出す
・具体例：ChatGPTのようなチャットボット、文章作成ツール、画像生成AI
・役割：人間の指示に基づいて、テキストや画像などのコンテンツを生成する

●エージェンティックAI（2025年現在）：
・主な機能：一連の作業プロセスや専門家の思考プロセス・ノウハウをシステムに組み込み、複数のタスクを効率的に実行する能力
・具体例：旅行計画の自動作成、複雑なデータ分析とレポート作成、研究論文の自動要約
・役割：複数のAIエージェントが連携し、自律的にタスクを遂行する

エージェンティックAI の特徴は、生成AI を問題解決につながる様々なツールやシステムとして利用できることです。Web ブラウジング、特殊な演算ツール、グラフ作成ツール、企業の基幹システムへの問い合わせなど多様な手段を持ち、個別のエージェント同士でやり取りしながら作業を進めることができます。中核にある「頭脳」は生成AI モデルですが、様々な手段をどのような順序で使用すれば目的を達成できるかまで考えて作業を実行します。

単発の知識だけでなく調査、演算など様々なタスクを積み重ねながら総合的なアウトプットを出すことができます。ただし、内部で動いている AI の頭脳自体は一般的に使われている GPT-4 や GPT-4.5 などの生成AI モデルと同じものであるという点は留意すべきです。

エージェンティックAIは、単なる生成AIを超え、複数のタスクを効率的に実行することで様々な分野での活用が進んでいます。ここでは、特に調査・研究・論文作成の現場や、医療・バイオ分野におけるエージェンティックAIの具体的な活用事例をご紹介します。

まずは、調査・研究・論文作成に関わるエージェンティックAIの活用事例をいくつかご紹介します。

最近注目されている Sakana AI は、日本のベンチャー企業ですが、その創設者はアメリカ人です。Sakana AI は様々な研究を進めていますが、特に今日のテーマに最も関連するのは、新規研究アイデアの生成から論文執筆までをAIがエンドツーエンドで完結させるシステム、『The AI Scientist』です。

Sakana AI はAIによるAI技術の研究を進めています。AIがプログラミングやその結果の分析を自律的に行うことで論文を作成するという、完全にデジタルの中で完結する形での論文作成に取り組んでいます。

主な機能としては、研究アイデアの立案（過去の文献を参照しながら研究テーマを決定）、仮説を検証するためのコードの作成と実行、結果のまとめと論文執筆、そして執筆した論文内容の改善というプロセスが含まれています。

実際に論文を生成する際、1本あたり約15ドルの計算コストで、専門家から見ても「興味深い内容である」と評価されるものが作成可能と言われています。

成果として特に話題になったのが、最新モデル『The AI Scientist V2』です。このAIが完全に作成した論文が、国際的な学会のワークショップにおいて人間の査読プロセスを通過し、合格点を得られたと発表され、大きな注目を集めました。

ただし、いくつかのコメントも付いています。例えば、引用ミスがあったり、仮説検証の根拠が弱い点などが挙げられます。また、実際の学術論文と比較してワークショップは通過率が高い傾向にあるため、一流論文誌に掲載されるレベルの査読ではないという意見もあります。しかし、人間の専門家が学術的価値を認めたと評価できる点は、非常に大きな進歩と言えるでしょう。

この査読を通過した論文ですが、こうしたAIが作成した論文を学会の公式論文として発表すべきかどうかの議論が残っていることから、この時はSakana AI と学会の間で「査読を通過しても発表はせず取り下げる」という条件のもとで査読プロセスが行われました。そのため、現時点では本論文は発表されていません。

2024 年後半に発表され話題になった『 STORM （ストーム）』は、 Wikipedia のような引用情報を含む文章を自動で作成するシステムです。『 STORM 』の特徴は「エキスパートペルソナ」の活用にあります。

例えば「生成AI を使ったアプリについて調べてください」という指示に対して、エンジニア、デザイナー、市場調査の専門家など様々な仮想的エキスパートを内部で立ち上げ、それぞれのエキスパートとディスカッションしながら知見を深めていきます。各エキスパートが Web 調査を行いながら、各自の専門領域からの観点で回答し、全体で知識を深めていくプロセスを通じて、 Wikipedia のような文章を作成します。

『 STORM 』はスタンフォード大学がWeb上で公開しています。例えば英語で「生成AI の潜在的な用途」というトピックを入力すると、Wikipedia 風の文章が生成されます。最初に全体概要があり、その後クリエイティブ産業、ビジネス・マーケティング分野、ヘルスケアなど様々な分野での活用例が包括的にまとめられます。

また「ブレインストーミングのプロセスを見る」という機能があり、論理学者、芸術愛好家、ライター、データサイエンティストなどの仮想エキスパート間で交わされた議論の過程も確認できます。

2025年初頭に発表された Google の『 AI co-scientist 』は、大学教授など学術研究者向けのツールです。研究者が研究したいテーマを入力すると、様々な役割を持ったエージェントが議論しながら仮説やアドバイスを提示します。１人の研究者だけでは導き出せないような多角的で最適なアイデアを提案してくれるのが特徴です。

すでに生物学的・医学的な研究において、『 AI co-scientist 』が提案した仮説が実験で検証されたというケースも出ています。今後の研究開発は、研究者が自分だけで仮説を考えるのではなく、AI をパートナーとして一緒に進めることがスタンダードになっていくでしょう。

先のSakana AI はデジタルの中で完結するような研究でしたが、スイス連邦工科大学ローザンヌ校（EPFL）などでは、実際の化学実験装置に接続できるエージェントの研究も進んでいます。

『ChemCrow（ケムクロー）』と呼ばれるこのシステムは、LLM（大規模言語モデル）を中心に、化学研究専用の文献検索ツール、インターネット情報検索、分子構造計算、化学反応シミュレーションなど、様々なツールを組み込んでいます。これにより、研究手順の立案から実際にロボットを動かして実験を行うところまで、一連のプロセスを自動化できるシステムを開発中です。

このようなシステムを活用することで、実際に実験を行うところまで自動化できる可能性を秘めています。現状、複雑な実験手順をAIが全て作成するのは難しく、薬品や部材の準備など人間が対応すべき部分も残るため、完全な自動化には至っていません。しかし、その方向に向けて開発が進んでいます。

カーネギーメロン大学の『Coscientist（コサイエンティスト）』も、同様のコンセプトで研究を進めており、研究の立案から液体ハンドラーを動かして実験用セルに液体を注入するまでの一気通貫したシステムを開発しています。これらはまだ基礎的な検討段階ですが、研究が進展すれば、実験自体も全てAIが自動で行うシステムが遠くない未来に登場するかもしれません。

トヨタ自動車が開発した『 O-Beya （オーベヤ） 』システムには、車両法規に詳しい A I、エンジンの過去設計に関する知識を持つ AI など、様々な専門知識を埋め込んだ AI が用意されています。これらの AI が、あたかも１つの部屋で議論しているように、新しい設計のアイデアなどに対してアドバイスを提供します。

トヨタ自動車社内ではエンジニアがこのシステムをいつでも使える環境が整っているとのことです。

ここまでに紹介した事例に共通するのは、専門家の知識を埋め込み、特定のプロセスやノウハウを組み込んで目標を達成するという点です。今後はスマートフォンアプリのように多種多様なエージェンティックAI アプリケーションがたくさん誕生すると予想されます。

新薬開発や創薬研究の分野では、AIを活用した様々なシステムが多くの企業で開発され、導入が進んでいます。これらのシステムは、バイオ実験やその解析を支援するものです。新薬開発や創薬研究においては、大量の実験データや文献情報を効率的に解析し、短期間で有望な標的や治療法を見つけ出す手法が求められています。AIは、新たな分子関連や疾患メカニズムの発見、そして試験計画や臨床プロセスの大幅な効率化といった取り組みを可能にしており、製薬企業や研究機関での活用が広がっています。

ヤマハ発動機の「CELL HANDLER(TM) 2」は、新薬開発に用いる細胞選別や高精度イメージングをAIで自動化し、研究効率と精度を向上させるシステムです。AIによる細胞の自動検出・収集機能を備え、吸引後の細胞周囲画像を自動で繋ぎ合わせるタイリング画像生成により、トレーサビリティを改善。動画撮影機能や観察機能の拡充で細胞の動態や形態を詳細に解析できます。多数の細胞を効率的に取り扱うことで研究時間を短縮し、新薬開発やiPS細胞研究など幅広い領域を支援しています。

Citelineの『SmartSolutions』は、臨床試験計画と施設選定をAIで最適化する統合プラットフォームです。Protocol SmartDesignでは広範なデータを組み合わせAIがプロトコル設計を支援し、主要エンドポイントや包含基準・除外基準、国別登録率などを予測してプロトコル修正を減らします。Investigator SmartSelectは20年にわたる調査者選定データを基に、最適な国やサイトを迅速に特定。従来数週間かかっていた調査者選定が数分で終わるなど、臨床試験期間短縮とコスト削減に大きく貢献しています。

FRONTEOは第一三共が保有する毒性試験報告書やPubMed情報を独自AI『KIBIT』で解析し、新たな毒性メカニズムの仮説を導き出すシステム構築を支援しています。AIは大量の文献内容をマッピングし、従来見つからなかった文献間の関係や毒性発現の傾向を可視化。日米特許取得の自然言語処理技術を活かした高速・高精度な解析により、既存データの再評価や新規毒性パターンの発見を促進します。研究者は想定外の関連性を容易に把握し、革新的な創薬研究の加速が期待されています。

医療分野では、AIを用いた画像解析技術が診断と治療計画の精度向上に寄与しています。従来は専門医が時間をかけて行っていた腫瘍や疾患の領域抽出・分類を自動化し、作業負担を軽減します。放射線治療や超音波検査など多様なモダリティでの応用事例が増え、病院の業務効率と患者ケアの質向上に貢献しています。

AiRatoと東北大学が取り組む頭頚部がんの自動輪郭抽出技術は、CTやMR、PETといった複数の放射線画像をAIで解析し、放射線治療に用いる腫瘍領域を正確に特定します。マルチモーダルAI解析技術により異なる画像情報を統合し、腫瘍の位置や大きさを自動で抽出できる点が特徴です。研究には東北大学の臨床データと知見が活用され、治療計画支援ソフトウェアとしての実用化を目指します。放射線治療の効率化と精度向上に貢献し、将来的な社会実装が期待されています。

国立循環器病研究センターとカナデビアが開発したシステムは、超音波Bモード法で撮影した胎児心臓の四腔断面画像を解析し、不整脈の有無と種類を自動判定します。AIが四つの心腔領域を個別に検出し、面積変化を時系列データ化して高速フーリエ変換で解析します。独自アルゴリズムにより胎児不整脈を正確に評価し、妊娠中のリスク把握と早期対応に役立ちます。世界初のプロトタイプとして完成し、2026年までに薬事申請を目指しています。

Cascader Limitedは網膜画像を使ったAI解析技術で、加齢黄斑変性症などの眼疾患を早期発見するツールを開発しています。INSIGHT Health Data Research Hubが保有する3500万以上の網膜画像と臨床メタデータを用い、安全に匿名化された膨大なデータセットでAI開発を進行。大規模データの解析により精度を高め、眼科診療だけでなく全身疾患のリスク評価への応用も視野に入れています。

ゲノム・バイオ領域では、研究を促進する多様なシステムが大学や企業で開発されており、今後この動きはさらに加速すると予想されます。特に、ゲノムやタンパク質といった生命科学領域の膨大なデータを対象に、AI解析の導入が急速に進んでいます。これにより、疾患メカニズムの解明、治療標的の探索、微生物の振る舞い解析など、複数のオミックスデータを駆使した研究が推進され、新たな医療技術や創薬の可能性が検討されています。

京都大学大学院医学研究科とRADDAR-J for Society、IBMが開発した『RD-Finder』は、症状を入力するだけで関連する難病候補を抽出するAIアプリケーション。遺伝性疾患統合DBを活用し、患者や家族向けにわかりやすい情報を提供します。一方、RD-Finder Proは医療機関や研究者向けに検索条件を拡張し、診療情報から患者候補を早期発見できるようにしました。これらは最新の大規模言語モデル技術を視野に入れており、難病研究の促進や創薬支援を目指しています。

理研ジェネシスと日立は、タンパク質定量解析サービス「Olink Explore」の膨大なアウトプット情報をExplainable AI「B3」と生成AIで解析し、創薬ターゲット探索や疾患発症メカニズム解明を支援する共同サービスを提供開始。「B3」は少数検体でも精度を維持できる独自の非線形解析モデルを線形で表現する技術を持ち、解析結果の解釈が容易。生成AIはエンリッチメント解析の結果を要約し、文献情報調査を効率化します。

カーブジェン株式会社のBGMソリューションは、薄膜トランジスタセンサーとAI画像解析を組み合わせることで、寒天培地上の微生物増殖を高解像度で5分ごとに計測します。光
透過強度の微細な変化を捉え、従来の目視やコロニー径測定では得られない増殖挙動を定量的に把握可能。これにより創薬や診断開発の基礎研究で微生物反応をリアルタイムに追跡でき、欧米の研究機関とも共同研究を進行。新たな解析スタンダードを提示しています。

次のページ：エージェンティックAIとDeep Researchの関係性を解説します！