現代の産業界は、労働人口の急激な減少や技能継承の断絶、さらには複雑化するグローバルな地政学リスクやサプライチェーンの分断といったさまざまな課題に直面している。そのように不確実性が拡大する状況下で、自律的に課題を認識してタスクを遂行する「Agentic AI（AIエージェント）」への期待が急速に高まっている。きっかけは2024年11月のAnthropic社によるModel Context Protocol（MCP）の公開、すなわちAIエージェントを利用する時の標準プロトコルの策定だ。これによりユーザー企業が個別にAPI（Application Programming Interface）を作り込む必要がなくなった。そしてこの動きをいち早く捉え、社内のAIエージェント基盤を構築したのが日立製作所だ。研究開発グループ Digital Innovation R&D デジタルインフライノベーションセンタ データ＆ナレッジマネジメント研究部 主任研究員 礒田 有哉に、この取り組みについて話を伺った。
（※本記事に記載の所属、役職については、取材した時点のものです。）
執筆：森山 和道（サイエンスライター）
日立の「カスタマーゼロ」戦略を支えるAIエージェント基盤
日立は、自らを最初の顧客「カスタマーゼロ」と捉えて、AIやデジタル技術の活用を積極的に実践し、そこから得た成果をお客さまやパートナーに提供、活用してもらうことでAIエコシステムを形成、社会に貢献していく活動を進めている。研究開発グループでは、この戦略を支えるAIエージェント基盤の研究開発を推進している。日立グループの多様なノウハウとスキルを有するAIエージェントを基盤に集約し、エコシステムの構築、複雑かつ多岐にわたる業務に対応可能なマルチエージェント技術の開発により、AI時代に適合した業務プロセスへの変革を実現する。
特に投資対効果が高い間接部門の業務をターゲットに社内検証を進めているのが特徴だ。グループ全体の業務効率を向上させ、実績のあるAIエージェントやノウハウを顧客に提供していくことが狙いだ。今後は成功事例の横展開とAIエージェントの再利用を促進し、データの保護を徹底しつつ、組織を超えたAIエージェントの共有・活用による業務効率化と新たな価値創出を加速していく。
対象業務は３層構造で捉えている。専門領域からなる事業ライン業務、リスク管理、QA（品質保証）、調達などの間接部門業務、そして翻訳、議事録作成などの一般業務である。その中でも礒田氏らが注力しているのは、間接部門領域だ。日立グループ全体でみると数百の類似業務が存在するため、一箇所での成功を横展開して全社にスケールさせることで高い費用対効果が見込めるからである。いっぽう、「一般業務」についてはMicrosoft Copilotなど既存ツールを活用することにし、日立独自の価値を出せる領域として間接部門を狙った。
エージェント間連携やツール接続の標準化技術の登場
2025年7月、マサチューセッツ工科大学（MIT）が発表したレポート『The GenAI Divide: STATE OF AI IN BUSINESS 2025』は業界に衝撃を与えた。「生成AIプロジェクトの95%が失敗、あるいは深刻な課題を抱えている」というものだ。この数字は生成AI活用の難しさを示している。
一方、デロイトが2024年に公表した調査では、日本企業の9割弱が生成AIを有益と考え、6割弱がすでに自社開発に着手していることも明らかになった。しかし翌年の追跡調査では、AI人材の不足、ガバナンスの未整備、AI・データ基盤の構築が依然として課題として残っていることが示された。つまり「導入したいが、うまく回せていない」というのが日本企業の実態だ。
特に2022年から2024年は技術変化が激しく、生成AIモデル・RAG（Retrieval-Augmented Generation：検索拡張生成）・ファインチューニングなど多様な技術が乱立した混沌期でもあった。MITのレポートが指摘する95%の失敗は、混沌の中で投資対効果が見えにくくなっていたこと、企業側のガバナンスや基盤整備が追いつかなかったことなどを反映していると礒田氏は語る。
だが2024年後半から状況は変わり始めた。AnthropicのMCP（Model Context Protocol）、GoogleのA2A（Agent2Agent）、AI エージェント機能を拡張するためのAgent Skillsといった、エージェント間連携やツール接続のための標準化技術が登場した。高性能モデルも相次いで登場した。これでAI基盤に必要な基本機能が出揃った。
共通基盤を整備し「One Hitachi」の集合知を作り、「冒険者ギルド」を実現
AIエージェント基盤プロジェクトは2025年4月に本格始動した。礒田氏には「危機感」があった。日立グループ内では数百の生成AIプロジェクトがそれぞれ独立して走っていた。各部署が独自にAIエージェントを開発し、個別に利用し、個別にデータにアクセスし、使い捨てていく。エージェントを統合管理する仕組みがなければ、コンプライアンスやガバナンスが崩壊してしまう。エージェントとデータを適切に分離しなければアクセス制御もできない。そして個別開発が積み重なると、費用対効果のない負の資産になってしまいかねない。特に本格運用フェーズに入ると、問題は深刻化する。
そこで礒田氏が考えたのはAIエージェントのハブとなる共通基盤を整備し、「One Hitachi」としての集合知を作ることだった。日立グループは、モビリティ、エネルギー、産業、IT、金融など極めて多様な事業を抱えている。通常、部署間の壁は厚く、コミュニケーションコスト、知識共有コストが高い。だが、コングロマリットプレミアムでシナジーを創出し、収益をあげることは重要だ。
礒田氏らは「エージェントを使って部署間の壁を壊そう」と考えた。すなわち、AIエージェントを単なる自動化ツールではなく、「知識流通基盤」として位置づけるのである。
さまざまな事業ドメイン、顧客、部署、地域、言語の壁を超えて、すべての知識・ノウハウを集約するために生成AIを使う。各人財のノウハウをAIエージェントに移す。営業支援エージェント、市場調査エージェント、プレゼン支援エージェント、コンプライアンス確認エージェントなどを共通プラットフォーム上で共有し、組み合わせ可能にすることで、部署横断的な知識の再利用を狙う。コンセプトはビジネスのプロフェッショナルが集う「冒険者ギルド」である。
３つの戦略的柱----「SaS」「エコシステム」「民主化」
プロジェクトは三本柱で構成されている。第一の柱はSaaS（Software as a Service）からSaS（Service as Software）への進化だ。従来のSaaSでは人がGUI （Graphical User Interface）やAPIを経由してサービスを直接操作する。一方、SaSでは、人はエージェントを通じてサービスを間接的に操作する。すなわち、コンテキスト管理の主体は人からエージェントへと移る。
業務を遂行するためには、法令や社内規則、勤怠管理・調達財務などの業務システムが複雑に関係している。その結果、「どこに何があるかわからない」という状態が業務効率の低下を招いている。理想としている姿は、規則や利用マニュアルを組み込んだエージェントが規則に従って業務を代行する世界だ。業務効率化のような「攻めのIT」と、コンプライアンス・ガバナンス強化のような「守りのIT」を一体で実現できる。
AIエージェント基盤による理想的な支援イメージ
第二の柱は、AIエージェント・エコシステムによる持続的なシステム成長だ。一つのエージェントで実現できることには限界がある。しかし複数のエージェントを組み合わせれば多種多様な業務に対応できる。AI資産が増えるほど適用可能な業務の幅（選択肢）は拡大し、逆に新規開発費用は低下していく。つまり、エージェント、MCPツール、RAG、ワークフローなどを共有資産化することで、次の新しいAIエージェントの開発がどんどん楽になる。さらに、利用者が自ら進んでエージェントを開発・利用するような状態になると、開発費用を抑制しつつ「AIの民主化」が実現する。このような成長モデルをめざして、取り組みは進められている。
AIエージェントを実際に使うのは現場だ。第三の柱は、より現場にAIエージェントの活用が浸透（民主化）するよう、現場の困りごとを解決するために設計された「エージェントメーカー（Agent Maker）」という仕組みである。従業員が「現在、○○に関する業務で困っています。支援するエージェントの作成をお願いします」といった依頼を投げると、エージェントメーカーが背景・課題を深掘りし、ユースケースを検討し、適切なエージェントを自動生成して登録まで行うことができる。
さらに生成されたエージェントはAIエージェント基盤としてデータベースに登録され、社内の誰もが検索・利用できる。2026年5月時点で数千体の業務特化型エージェントが登録されており、検索・活用できる状態になっている。さらに脆弱性評価・品質評価を行い、日立全体への展開が図られる。機密性の高い情報を扱う部門向けには「エージェント派遣」の機能も備えている。データを動かすのではなく、エージェントをそのデータのある場所へ送り込む形でアクセス制御を実現している。
人間とAIエージェントがシームレスに業務を引き継げる仕組みを提供
システムはエージェントサービスと、ワークフローサービスの二軸で構成されている。前者は、チャット形式でエージェントを呼び出すシングルエントリーポイントとして機能する。エージェントを選択し、自然言語で指示を出すだけで、エージェントが社内外システムの操作を実現する。
後者は、管理職やIT部門が複雑な業務プロセスを設計・自動化するための基盤だ。カスタムRAGの構築、承認ワークフロー、バッチ処理、上長報告など多様なユースケースに対応する。
重要なのは「人間とAIエージェントが同じワークフローを利用できる」設計にある。ワークフローは人間が設計・試験し、問題がなければ、そのままAIエージェントに引き継ぐ。人からAIへシームレスに引き継げるよう要件化されている。バックエンドでは、MCP・A2Aなどの業界標準インターフェースをサポート。社内外の多様なSaaSやシステムと接続可能だ。研究開発グループが開発した技術も、プラットフォームを通じてグループ内に届けられ、実証実験の場としても機能している。
プロジェクトKPIは「ファンを増やすこと」
「サービスを作っても、誰も使ってくれない」。残念ながら、しばしば聞く話だ。このAIエージェント基盤プロジェクトでも戦力化・定着化するためのオンボーディング活動には積極的に取り組んでいる。一緒に手を動かして触ってみるAIエージェント勉強会、誰でもいつでもエージェントやワークフローを試せるようにテンプレートを提供、ショート動画の作成、相談会、コミュニティ運営など、カルチャー形成をめざして、地味な活動も続けているという。
最も重要なのは、KPI設定である。「エージェント数や業務削減時間も重要な指標ですが、それ以上に重視しているのは利用者・市民開発者の満足度向上、つまり現場が楽しく使ってくれること、『ファンを増やす』ことです」（礒田氏）
AI導入では、技術よりも組織浸透が失敗要因になることが多い。結局のところ、「使いたくなる環境」を作れなければ普及しない。使う人がファンになって初めて、エコシステムは自律的に成長する。技術アピールだけでは現場受容性は高まらない。
業務に組み込むためにも、段階的な進め方が重要だ。たとえばカスタマーサービスを例に考える。現状は顧客からの問い合わせを担当者が直接回答している。第一フェーズの「Human-in-the-Loop」段階では、エージェントが回答案を作成し、人間が確認して送付する。そして第二フェーズ「Human-on-the-Loop」では、エージェントが自律的に対応し、人間が監視する。さらに精度が上がったら完全自動化へと移行する。段階導入で品質とコンプライアンスを確保しつつ現場適用を推進するのだ。
礒田氏は実際の例として、営業支援システムとExcelのデータ連携を挙げた。営業部署では「システムの情報を基にExcelによるレポートを自動生成したい」というニーズがあり、エージェントを使って自動化できたものの、システムとExcelでデータが二重管理される問題が浮上した。そこで礒田氏らは「AIが生成したレポートをシステムに戻し、ダッシュボードとして参照できる形にした方が良い」と業務プロセスそのものの再設計を提案。自動化に加えて、データ還流とプロセス変更をセットで支援したのである。こうした伴走型の支援が「単なるツール導入を超えた業務変革」へとつながっているという。
この結果として、1,000体以上のエージェントを社内提供し、導入効果が高いエージェントは本番実装することで年間数万時間の業務時間削減を達成している。
AIエージェント競争の本質は組織設計にある
礒田氏は「流行に左右されない基盤を開発し、社内実証を完了した」と語る。重要なことは「本質として何をしなければならないか」という観点を持つことだ。つまり、「AI時代に向けたエンタープライズアーキテクチャの再定義」が必要なのだ。すなわち、エージェントが扱うデータのガバナンス整備、社内システムへのアクセス制御とID統合管理、業務ルールの整理とKPIの明確化、そして導入に向けたAI人材の教育と推進体制である。これら全てが揃わなければ、AIエージェントの現場導入は進まない。
業務特化エージェントを自動構築するためには、AI時代に向けたエンタープライズアーキテクチャの再定義が不可欠なのである。そしてAIを効率よく導入するためには、ガバナンス・コンプライアンス・セキュリティの整備が先行して行われなければならない。
このプロジェクトは外部顧客へ提案を行うための社内での実践「カスタマーゼロ」として進められていることもあり、AIモデルにはこだわりはなく、さまざまなモデルを組み合わせて活用している。AIエージェント競争の本質は、単なるモデル性能競争ではなく、「組織設計競争」へと移りつつある。
