エージェントはツールではなく仮想社員だ：プロンプトからループへ

プロンプトはもはや製品ではない。ここ数年、AI から価値を得るとは、プロンプトを正しく書くことだった。例を連ね、temperature を調整し、モデルが引用をでっち上げないことを祈る。インターフェースはチャットボックス、契約は問い → 答えだった。その契約は今、崩壊しつつあり、それに取って代わるのは、より良いプロンプトではない。ループだ。

Anthropic は、エージェントをループの中で環境からのフィードバックに基づいてツールを使う大規模言語モデルと定義する。OpenAI の Agents SDK は実行の中心にループを置く。Microsoft は AI がツールからパートナーへ進化すると述べる。MindStudio は、現代を「ポスト・プロンプティング時代」と呼ぶ。これらはマーケティングの言い換えではない。モデルがあなたに答えるものから、あなたが入力を止めた後も働き続けるシステムへと移行する、実際の構造的転換を表している。

この転換には名前がある。我々はそれを仮想社員と呼ぶ。仮想社員は、より鋭い検索エンジンでも、より速い自動補完でもない。状態、記憶、自発性、そして持続的な成果に対する説明責任を持つ存在だ。問いはもはや「どんなプロンプトが最良の答えを生むか」ではない。「どんなループが、信頼して先に進める結果を生むか」だ。

旧契約：AI as ツール

ツールの契約の下では、人間がすべての文脈構築を行う。プロンプトを書き、ファイルをアップロードし、制約を説明すると、モデルがテキストブロックを返す。答えが間違っていればプロンプトを書き直す。文脈が不完全なら、さらに文脈を貼り付ける。モデルはデフォルトでステートレスであり、各ターンは新しい取引だ。価値は圧縮から生まれる。よく構成された問いに対する良い答え。

この契約は、プロンプト工学という学問を生み出した——そして隠れた税も生んだ。2026 年の CIODive 報告書によると、知識労働者は AI から 1 時間の有用なアウトプットを得るごとに、AI のアウトプットを使える形にするのに約1 時間を費やしている。ツールの契約はこのコストを隠す。なぜなら、人間はターンをまたいで推論できないシステムの後始末に忙しいからだ。

ツールの契約が消えるわけではない。検索、要約、コーディング支援は優れたプロンプトから依然として大きな利益を得る。しかし、それはもはや天井ではない。タスクが数ターンを超え、複数のツールを必要とし、リアルタイムのフィードバックを必要とするようになると、プロンプトはボトルネックになる。あなたはもはや答えを求めているのではない。単一のテキストボックスの中でプロセスをスクリプト化しようとしているのだ。

新契約：AI as 仮想社員

仮想社員の契約は別の仮定から始まる。人間が意図、文脈、境界を提供し、エージェントが残りを行う。環境を感知し、行動のシーケンスを計画し、ツールを通じて行動し、結果を観察し、ループする。何が起こったかを覚えている。何か失敗すれば再試行する。境界にぶつかればエスカレーションする。

これが、ベンダーがますますエージェントをチームメイトと呼ぶ理由だ。Anthropic の報告では、2026 年 5 月時点でClaude が書いたコードのマージ率は 80% を超える。PwC の 2025 年 AI エージェント調査では、早期導入企業は生産性が 66% 向上したと報告している。Salesforce の 2025 State of Service Report によれば、2025 年にエージェントはサービスケースの 30% を処理し、2027 年には50% に達する見込みであり、定型ケースの処理時間は20% 削減されたという。

これらの数字は、エージェントが完璧だという意味ではない。成果物の性質が変わったことを意味する。仮想社員はテキストを返すだけでなく、世界における状態変化を返す。チケットがクローズされ、テストが通り、報告書が提出され、メッセージが投稿される。人間の役割は、操作者からレビュアーへ、実行者から委任者へとシフトする。

プロンプトからループへ

典型的なエージェントループは、感知 → 計画 → 行動 → 観察だ。Microsoft は自律エージェントの 7 ステップの知覚-行動サイクルを説明する。MIT Sloan の「Agentic AI, Explained」では、エージェントが自ら感知、推論、行動すると強調されている。MindStudio のポスト・プロンプティング論では、待たされるのではなく仕事を開始する能動的エージェントに未来があると論じられている。

ループとプロンプトチェーンを分けるものはフィードバックだ。プロンプトチェーンでは、人間がフィードバックのメカニズムだ。ループでは、環境がそうだ。エージェントはファイルを読み、テストを実行し、エラーを見て、修正を試みる。データベースを確認し、欠損レコードに気づき、それを作成する。各サイクルが、人間が目標を再度説明しなくても、意図と結果の距離を縮めていく。

ループはまた、エージェントが使う情報も変える。ツールの契約の下では、プロンプトが入力のすべてだった。仮想社員の契約の下では、それは多くの信号の一つに過ぎない。ファイル、API、データベース、過去の実行、チームメッセージ、リアルタイムイベント。エージェントは環境の関数であり、あなたのプロンプトは目的関数だ。

これこそが「もはやプロンプトを書くのではなく、ループを書く」という言葉の本当の意味だ。技術は修辞からアーキテクチャへと移行する。あなたは問いではなく、制御システムを設計している。

なぜ成果物が変わるのか

ツールは答えを届ける。仮想社員は成果物（アーティファクト）を届ける。この違いは重要だ。答えは一過性で、アーティファクトは持続的だからだ。

答えはチャットウィンドウの中に生きる。アーティファクトはあなたのワークスペースの中に生きる。ドキュメント、コード変更、テストスイート、デザインファイル、構造化レポート。レビュー、バージョン管理、共有、改善が可能だ。文脈を前に運び、次の人間——あるいは次のエージェント——がゼロから始める必要をなくす。

アーティファクトはまた、信頼の境界でもある。エージェントがファイルを変更したら、diff を見られる。レポートを書いたら、情報源を確認できる。Slack に投稿したら、チームが異議を唱えられる。アーティファクトは、エージェントの行動を読める形にする。なければ、ループはただの長いチャットに過ぎない。

ここが、現在の生産性議論の多くが見落としている点だ。エージェントによる利益は、タイピングが速くなることから来るのではない。非同期完了から来る。エージェントは人間が眠ったり会議に出たり別のことに集中したりしている間も働く。人間が戻ったとき、成果物が待っている。それが成り立つのは、その成果物が検査可能で実行可能である場合だけだ。

MCPlato のアプローチ：ループをパッケージ化する

MCPlato は仮想社員の仮定の周りに構築された。基本単位はチャットメッセージではなく、持続的な成果物を生み出すループだ。

Wand は、そのループをパッケージ化したものだ。Wand は再利用可能でバージョン管理可能なワークフローで、フェーズ、フェーズごとのプロンプト、ゲートチェック、ツールホワイトリスト、実行時ビューを定義する。ファイルを読み、API を呼び、確認を求め、最終的な成果物を書く——作業を離散的なフェーズに分割し、ゲートが通過したときだけ先に進む。Wand は「プロンプトではなくループを書くにはどうすればよいか」という問いに対するアーキテクチャ的な答えだ。

仮想社員 / Sprite は、ワークスペースレベルのオーケストレーターだ。Wand がパッケージ化されたプロセスなら、Sprite はより大きなタスクを分解し、ユーザーの代わりにワーカーセッションを派遣するマネージャーだ。人間が定義した目標に向かって協働するエージェントのチームだ。目標を設定し、チェックポイントを承認し、成果物をレビューする。

Skill / Distill Skill は、繰り返し発生するワークフローを再利用可能な指示として捉える。Sprite が問題を一度解くと、MCPlato はその実行を Skill に蒸留し、同じパターンをプロンプトを作り直すことなく再実行できるようにする。

ローカルファースト + 権限フレームワーク は、仮想社員を放置しても信頼できるものにする。機密データはデフォルトでユーザーのマシンに留まり、きめ細かい権限モードがループが見るものとできることを制限する。

モデルルーティング + コスト制御 は、高価な推論を本当に必要なフェーズにのみ割り当てる。単純な抽出フェーズは安く速いモデルで実行され、複雑な計画フェーズはより大きなモデルにエスカレートする。知能は難易度に応じて配分される。

IM Bridge + 持続的な成果物 は、ループをチームがすでに使っているツールに拡張する。Slack、Discord、Telegram、Feishu、WeChat、WeCom、QQ が非同期委任のインターフェースになる。エージェントは進捗を報告し、構造化されバージョン管理可能なドキュメントパッケージである Artifact を配信する。チャットテキストの壁ではない。

手描き風の抽象フラットイラスト。ループの矢印が、静的なコマンドをモダンなワークスペースの中の活きた仮想社員の姿へと変えている

ツール vs 仮想社員

下表は、アーキテクチャ上の違いをまとめたものだ。転換はモデルサイズやインターフェースの洗練度ではない。誰が状態を保持し、誰が行動を開始し、何が残るか、ということだ。

最後の行が最も受け入れがたい。多くの人が AI を得意にしたのは、プロンプトを得意にしたからだ。次に必要な能力は、放置しても動くシステムを設計することだ。

リスクとガバナンス

ガバナンスなき仮想社員は従業員ではなく、負債だ。2026 年の IBM による AI コントロールギャップに関する研究は厳しい現実を突きつける。CIO と CTO の 77% が AI 導入がガバナンスを上回っていると答え、89% が組織がエージェンティック AI に完全に準備できていないと述べ、企業は平均して年間 54 件のエージェント関連インシデントを報告している。エージェントを生産的にする同じ自律性が、同時に危険でもある。

Microsoft Security の 2026 年 6 月の更新報告によると、2025 年に Model Context Protocol に関連する CVE は99 件あったという。攻撃対象はもはやモデルの重みではなく、エージェントが呼び出せるツール、それが持つ権限、そして到達できるデータだ。

このため、仮想社員という比喩は単なる理想ではなく、ガバナンス上の要求なのだ。本物の従業員には役割、範囲、上司、監査証跡がある。エージェントのパートナーにも同じものが必要だ。明示的な権限境界、不可逆操作に対する必須のチェックポイント、観察可能な実行時状態、バージョン管理可能な成果物。

フラットな手描き編集イラスト。仮想社員と人間が、持続的なドキュメントアーティファクトを協力してレビューしている

結論：プロンプトではなく、ループを設計せよ

業界は新しい契約に収束しつつある。エージェントはもはや質問に答えるツールではなく、仕事を完了する仮想社員だ。数字にはばらつきがあるが、証拠は積み重なっている。

構築者にとっての示唆は実践的だ。完璧なプロンプトを書こうとするのはやめよう。ループを設計し始めよう。エージェントが何を感知するか、どう計画するか、どのツールを使えるか、どのゲートチェックが安全を保つか、どこで人間のために一時停止しなければならないか、そして何の成果物を生み出すか。AI 工学の技術は、信頼できる自律性の技術になりつつある。

MCPlato の賭けは、この自律性がパッケージ化され、観察可能で、ローカルファーストなループとして最もうまく表現されるというものだ。Wand を再利用可能なプロセスとして、Sprite をオーケストレーターとして、Skill を蒸留された専門知識として、Artifact を持続的な成果物として。未来は、より良いチャットボットではない。朝、あなたがレビューできるものを残して現れる仮想社員だ。

FAQ

AI ツールと AI 仮想社員の違いは何ですか？ ツールはプロンプトに答えて待つ。仮想社員は継続的なループを実行し、状態と記憶を維持し、自らの判断でツールを使い、持続的な成果物を提供する。

なぜ「ループ」がプロンプトより重要なのですか？ プロンプトは一度きりだ。ループは、エージェントが情報を収集し、フィードバックを推論し、失敗を再試行し、人間が離席している間も働き続けることを可能にする。

MCPlato における Wand とは何ですか？ Wand はパッケージ化された再利用可能なループだ。プロンプト、ゲートチェック、ツールホワイトリスト、実行時ビューを備えた多段階ワークフローである。

MCPlato は仮想社員型エージェントをどうやって信頼できるものにしていますか？ ローカルファースト実行、きめ細かい権限、明示的なゲートチェック、モデルルーティング、持続的なチェックポイント、そして高リスクなアクションに対する人間の最終承認を通じて。

エージェントは従業員を置き換えるのでしょうか？ 現時点の証拠は、全面的な置き換えではなく増強を示している。役割は、エージェントのアウトプットを管理・検証・改善することへとシフトする。

エージェントを仮想社員と見なす主なリスクは何ですか？ ガバナンスなき自律性は、インシデント、権限の誤用、セキュリティ露出を招く。ガバナンスは、最初からループに組み込まれていなければならない。

プロンプトではなくエージェントのために設計を始めるにはどうすればよいですか？ ループを定義する：感知、計画、行動、観察、チェックポイント、成果物。プロンプトは、より大きな制御システムの中の一つの制約となる。

参考文献

1. Anthropic. "Building Effective Agents." 2024 年 12 月。https://www.anthropic.com/research/building-effective-agents
2. OpenAI. "Running agents." OpenAI Agents SDK, 2025. https://developers.openai.com/api/docs/guides/agents/running-agents
3. Microsoft. "What's next in AI: 7 trends to watch in 2026." 2025 年 12 月。https://news.microsoft.com/source/features/ai/whats-next-in-ai-7-trends-to-watch-in-2026/
4. Microsoft. "What are autonomous AI agents?" Microsoft Copilot 101, 2025/2026. https://www.microsoft.com/en-us/microsoft-copilot/copilot-101/autonomous-ai-agents
5. MindStudio. "The Post-Prompting Era: Proactive AI Agents." 2026 年 4 月。https://www.mindstudio.ai/blog/post-prompting-era-proactive-ai-agents
6. MIT Sloan. "Agentic AI, Explained." 2026 年 2 月。https://mitsloan.mit.edu/ideas-made-to-matter/agentic-ai-explained
7. Anthropic. "Recursive Self-Improvement." 2026 年 5 月。https://www.anthropic.com/institute/recursive-self-improvement
8. PwC. "AI Agent Survey." 2025 年 5 月。https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-agent-survey.html
9. Salesforce. "2025 State of Service Report." 2025 年 11 月。https://www.salesforce.com/news/stories/state-of-service-report-announcement-2025/
10. IBM. "New IBM study finds CIOs and CTOs face growing AI control gap as enterprise deployment scales." 2026 年 6 月。https://newsroom.ibm.com/2026-06-08-new-ibm-study-finds-cios-and-ctos-face-growing-ai-control-gap-as-enterprise-deployment-scales
11. Microsoft Security. "Updating taxonomy and failure modes for agentic AI systems: a year of red teaming taught us." 2026 年 6 月。https://www.microsoft.com/en-us/security/blog/2026/06/04/updating-taxonomy-failure-modes-agentic-ai-systems-year-red-teaming-taught-us/
12. CIODive. "Workers spend more time managing AI." 2026. https://www.ciodive.com/news/workers-spend-more-time-managing-ai/822554/