エージェンティックAIとはAI事業者ガイドライン（第1.2版）の脚注は「複数のAIエージェントにより自律的に意思決定を下しアクションを起こす目標主導型のAIシステム」と書き、本文での定義は「次年度以降」に回した。AIエージェントとの違い、複数エージェントが協調するときに起きる問題（Anthropicの脆弱性266件・談合・縄張り争い）、同じ課題を5回やって全部成功するか（IBMのPass^k）

2026年9月22日時点の情報です。 「エージェンティックAI」は、2025年ごろから製品発表やレポートに頻出するようになった語で、「AIエージェント」と何が違うのかが分かりにくい。AI事業者ガイドラインにこの語の説明が入ったのは2026年3月31日の第1.2版が最初（更新内容の資料が「追加」と明記）なので、この記事はそこを起点に整理する。AIエージェントそのものの基本はAIエージェントとは何かと仕組みと活用事例、自分で作るなら作り方ガイドに。

3行まとめ

1. 定義。 AI事業者ガイドライン第1.2版は本文で「AIエージェントとは、特定の目標を達成するために、環境を感知し自律的に行動するAIシステム」と定義し、脚注で「AIエージェントよりも包括的かつ進化的な概念としてエージェンティックAIがある。これは、複数のAIエージェントにより自律的に意思決定を下しアクションを起こす目標主導型のAIシステムである」と説明する。
2. 定義は「次年度以降」。 更新内容の資料は「エージェンティックAIについては、技術動向を鑑み、本年度は脚注補足に留め、次年度以降外部文献等も参照し、定義・リスクを追記していく想定」と書く。つまり2026年9月時点で、日本の指針にある定義は脚注1段落だけ。
3. 複数のエージェントが協調すると別の問題が出る。 AnthropicのFrontier Red Teamは45体の協調群で脆弱性266件（独立並列は21件）、価格ゲームで3ラウンド目に談合、3体が「縄張り争い」で互いのアカウントを停止し妨害スクリプトを配備する挙動を観測した。IBM Researchの「Pass^k」では、平均77.4%の成功率を持つエージェントが同じ課題を5回全部成功する割合は53.0%だった。

AIエージェントとの違い

ガイドラインの書き方に沿うと、AIエージェントは「1つの目標に向かって環境を感知し自律的に行動するシステム」、エージェンティックAIは「複数のAIエージェントで意思決定と行動を行う目標主導型のシステム」で、後者は前者を含む上位の概念になっている。脚注はさらに「自律については、高度な自律状態だけを指しているのではなく、ある程度の自律性を持つものも含む」とも書いており、「完全に自律していないとエージェントではない」という読み方はしていない。

ガイドラインは同じ第1.2版でフィジカルAI（センサで物理環境の情報を取り込み、アクチュエータを介して物理的に行動するシステム）も定義しており、AIエージェント・フィジカルAI・エージェンティックAIの3語が同じ節に並ぶ。ガイドライン全体の構成は別記事に。

複数のエージェントが協調するときに起きる問題

「複数のAIエージェントにより」という部分が、単体のエージェントと違う問題を生む。当サイトが整理したAnthropicのFrontier Red Teamの報告「マルチエージェントシステムのパターンと問題」では、次の観測が並ぶ。

詳細と条件は報告の記事に。ガイドライン第1.2版が「自律的行動による人間の意図しない動作」「攻撃対象・攻撃手法の増加」「複雑機構を持つことによる制御の困難化」をリスクとして追記したのは、こうした挙動が前提にある。

「同じ課題を5回やって全部成功するか」

エージェントの評価では、1回の成功率だけでなく、同じ課題を繰り返して安定して成功するかが問題になる。IBM Researchは「Pass^k」（k回全部成功する割合）で測り、平均77.4%の成功率を持つエージェントの全回成功は53.0%、温度0でも24.4ポイントの「一貫性ギャップ」が出ることを示し、自分の記録から作ったガイドラインでそのギャップを半減させた（記事）。業務に組み込むなら、この「繰り返しの安定性」を測る指標が要る、というのが実務側の読み方になる。

どのモデルで動かすか──NVIDIAの主張

NVIDIA Researchの8名によるポジションペーパー「Small Language Models are the Future of Agentic AI」は、エージェントが繰り返し行う専門特化タスクの多くには、大規模言語モデルより小型言語モデル（SLM）の方が「本質的に適し、経済的にも有利」と主張する。論文の作業上の定義では「SLMとは、一般的な民生用電子機器に収まり、1ユーザーのエージェント的リクエストに対応する上で実用的な低レイテンシで推論できるLM」で、2025年時点では100億（10B）パラメータ未満のほとんどが該当するとしている。汎用的な会話が必要な場面ではLLMとSLMを混ぜる「異種混合」が自然な選択だ、という条件付きの立場で、断定的な実証研究ではない点は論文自身が明記している（記事）。

企業が確認する点（ガイドライン第1.2版の追記から）

• データの最小化：AIエージェントが外部システムと自律的に連携する際、アクセス可能なデータベースを含む内部データが不正に外部へ送信されるリスクがあるため、扱うデータを必要最小限にする（開発者・提供者・利用者の各向けに追記）。
• 権限と連携先の制限：適切な権限設定と、連携ツール・システムの制限（提供者向け）。
• 人間の判断の介在：出力によって重大な影響や被害が生じ得る場合は、人間の判断を介在させる仕組みに基づいて判断する（提供者・利用者向け）。
• 操作履歴の定期確認：自律的に動くため、定期的な操作履歴の確認や報告が重要（利用者向け）。
• 説明可能性の限界：「LLMの根拠提示は内部の決定ロジックの説明ではなく、もっともらしい理由を出力しているに過ぎない」（開発者向け）。

この記事の範囲

筆者は2026年9月22日に総務省掲載のガイドライン本編と更新内容資料をテキスト化して定義の文言を写し、他の事実は当サイトの既存記事（それぞれ一次資料で確認済み）から引いた。「エージェンティックAI」という語の英語圏での初出や、各社の製品名での用法（Agentic〜）の網羅は、この記事では扱っていない。ガイドラインの本文定義が次年度に入った時点で、この記事は追記する。