AIエージェントの種類を徹底解説【2026年最新】用途別・自律レベル別・アーキテクチャ別の3軸で選ぶ実務ガイド

「AIエージェントの種類」を整理する一番実務的な軸は、用途別（何の業務に使うか）・自律レベル別（人がどこまで承認するか）・アーキテクチャ別（内部の判断モデル）の3つです。学術的な5分類（単純反射型・モデルベース型・目標ベース型・効用ベース型・学習型）だけでツールを選ぶと、現場の業務に当てはまらず導入が頓挫しがちです。本記事では、Claude Agent SDK・Devin・Manus・Microsoft Copilot Studio など2026年時点で実在する主要ツールを実例にしつつ、3軸でAIエージェントを比較し、自社に最適な1台を選ぶ判断手順を解説します。

本記事を読むと分かること:

• AIエージェントを実務で比較する3つの整理軸（用途 / 自律レベル / アーキテクチャ）
• 用途別6カテゴリと各カテゴリの代表ツール
• アカデミックな5分類（反射型〜学習型）が現代ツールのどこに対応するか
• 自社業務に合うAIエージェントを4ステップで選定する方法

AIエージェントの種類を整理する3つの軸

AIエージェントを「種類」で語るとき、文脈によって意味が3通りあります。実務でツールを比較するなら、以下の3軸を同時に見るのが最短です。

軸	何を比較しているか	主な使い道
用途別分類	どの業務領域（営業／コーディング／カスタマーサポート 等）に最適化されているか	部署単位での導入候補リスト作り
自律レベル別分類	人間がどこまで判断・承認に介在するか（L0〜L4）	リスク許容度に合わせた運用設計
アーキテクチャ別分類	内部の意思決定モデル（反射型・目標ベース型・学習型 等）	開発時のエージェント設計・選定

「AIエージェント 比較」と検索したユーザーの多くは用途別を見たがり、「AIエージェント 自律型」と検索したユーザーは自律レベル別を見たがり、エンジニア向け資料ではアーキテクチャ別が登場します。本記事はこの3軸を順番に解説し、最後に「自社にはどれが合うか」の選び方に落とし込みます。

なお「AIエージェントそのものの定義」や「生成AI／RPAとの違い」は別記事で整理しています。基礎から確認したい方はAIエージェントとは？自律型AIの仕組みとビジネス活用を先にどうぞ。

用途別6分類｜業務領域で見るAIエージェントの種類

実務でいちばん使いやすいのが用途別の分類です。2026年時点で主要ベンダーが提供しているAIエージェントは、おおむね以下の6カテゴリに収束します。

用途カテゴリ	主な業務	代表ツール例
1. コーディング特化型	コード生成・PR作成・バグ修正・テスト	Claude Code、Cursor、Devin、GitHub Copilot Coding Agent
2. 汎用タスク実行型	Webリサーチ・資料作成・データ分析の一括代行	Manus、ChatGPT Agent、Google Gemini Deep Research
3. 業務ワークフロー型	社内ツール連携・承認フロー自動化	Microsoft Copilot Studio、Salesforce Agentforce、Google Vertex AI Agent Builder
4. 営業・CRM特化型	リード対応・パイプライン更新・初回アプローチ	Salesforce Agentforce、HubSpot Breeze、Sansan AIエージェント
5. カスタマーサポート型	問い合わせ対応・FAQ・チケット起票	Zendesk AI、Intercom Fin、各社チャットボットエージェント
6. 自社構築フレームワーク型	用途を絞らず自社開発するための基盤	Claude Agent SDK、OpenAI Agents SDK、LangGraph、Microsoft AutoGen、Dify

コーディング特化型: Claude Code / Devin / Cursor

ソフトウェア開発工程の自動化に最適化されたエージェント群です。リポジトリの読み書き・テスト実行・PR作成までを担います。Anthropic の Claude Code はターミナル上でファイルシステムとシェルにアクセスできる設計、Cognition AI の Devin はチケットからPRまで自走する設計が特徴です（出典: Anthropic Claude Code 公式ドキュメント、Cognition AI Devin 製品ページ）。

汎用タスク実行型: Manus / ChatGPT Agent

特定業務に縛らず、ユーザーが日本語で依頼したタスクをそのまま実行するタイプです。Webブラウジング・スプレッドシート操作・コード実行などを組み合わせ、レポート作成や調査を丸ごと代行します。Manus はアナリスト業務の自走に強く、ChatGPT Agent は OpenAI 公式の汎用エージェント機能として2025年7月に提供開始されました（出典: OpenAI ChatGPT agent 公式アナウンス）。

業務ワークフロー型: Microsoft Copilot Studio / Agentforce

既存の業務システム（Microsoft 365・Salesforce・Google Workspace）と深く統合し、社内データを参照しながら承認フローを自動化するタイプです。中規模以上の企業がエンタープライズ導入する最初の選択肢になりやすい区分で、Microsoft Copilot Studio はノーコード／ローコードでの構築に対応します（出典: Microsoft Copilot Studio 公式）。

ノーコードでの構築手順はCopilot Studioの料金と使い方｜ノーコード構築手順で詳述しています。

自社構築フレームワーク型: Claude Agent SDK / OpenAI Agents SDK / LangGraph

「自社の業務に完全にフィットするエージェントを内製したい」企業向けのフレームワーク群です。Anthropic の Claude Agent SDK はファイルシステム・シェル・サブエージェントなど Claude Code 由来のツール群を含む設計、OpenAI Agents SDK は2025年3月に公開された軽量フレームワークで音声・ハンドオフ対応に強み、LangGraph は LangChain ベースのステートマシン型オーケストレーションが特徴です（出典: Anthropic Claude Agent SDK 公式リファレンス、OpenAI Agents SDK 公式）。

複数エージェントを協調させる用途では Microsoft AutoGen が広く使われています。

無料で試したい場合の選択肢はAIエージェント無料おすすめ5選に整理しました。

自律レベル別5段階｜人間の関与度で見るAIエージェントの種類

業界では AIエージェントを「人間がどこまで承認に関与するか」で L0〜L4 の5段階に整理する捉え方が定着しつつあります。Microsoft や Salesforce など主要ベンダーが提唱しているフレームの最大公約数を整理すると以下になります。

レベル	自律度	説明	業務例
L0: 補助型	なし	人間がプロンプトを送り、AIが回答するだけ	ChatGPTでの相談、要約
L1: 提案型	低	AIが選択肢を提示し、人間が選ぶ	Copilotのコード補完、メール文面提案
L2: 半自律型	中	AIが一連のステップを実行し、要所で人間が承認	営業メール下書き＋送信前確認、コードのPR作成
L3: 自律型	高	AIが目標から逆算して計画・実行・自己修正	チケットから自動PR、リサーチ＋資料作成代行
L4: 協調型	最高	複数エージェントが役割分担して協調動作	マルチエージェント開発、複数部門横断ワークフロー

Human-in-the-loop は L2〜L3 で必須

2026年現在、業務に投入されている AIエージェントの多くはL2〜L3に集中しており、誤判断のコストが大きい領域（金融・医療・契約・本番デプロイ）ではHuman-in-the-loop（人間の最終承認ステップ）を必ず組み込む運用が標準です（参考: Anthropic Building Effective Agents）。

「自律型 AI を入れたい」と現場から要望が来たら、まずどのレベルから始めるかを決めるのが失敗回避の第一歩です。最初から L4 を狙わず、L2 で運用実績を積んでから自律度を引き上げるのが現実的なロードマップになります。

マルチエージェント（L4）が向く業務

L4 の協調型は、1 つのタスクを「リサーチ担当」「分析担当」「執筆担当」のように分割できる業務で効果が大きくなります。Microsoft AutoGen は2024年に対話形式での協調エージェントを実現したフレームとして注目され、現在も活発に開発が続いています（出典: Microsoft AutoGen GitHub）。

アーキテクチャ別5分類｜内部の判断モデルで見る学術的な種類

最後に、AIの教科書で語られる古典的な5分類です。これは内部の意思決定モデルでエージェントを分類する切り口で、2026年現在の実ツールも内部的にはこの組み合わせで動いています（出典: Russell & Norvig『Artificial Intelligence: A Modern Approach』）。

種類	仕組み	現代ツールでの該当例
単純反射エージェント	現在の入力だけを見てルールで反応	旧来のIVR、シンプルなルールベースFAQボット
モデルベース反射エージェント	内部に世界モデルを持ち、過去状態も加味	自動運転の障害物検知、在庫補充アラート
目標ベースエージェント	達成すべきゴールから逆算して行動探索	Devin（チケット→PR）、配送ルート最適化
効用ベースエージェント	複数選択肢を効用関数で評価し最適化	ダイナミックプライシング、広告入札
学習エージェント	経験から内部モデルを更新し続ける	レコメンドエンジン、異常検知の継続学習

実ツールはこの5分類のハイブリッド

注意点として、現代の LLM ベースエージェント（Claude Agent SDK / OpenAI Agents SDK 等）はこの5分類のハイブリッドとして実装されています。例えば Devin は「目標ベースで PR を作る」+「ツール選択は効用ベース」+「人間のフィードバックから学習」を組み合わせています。「うちのエージェントは目標ベース型1択でいいか」のように単一分類に落とし込もうとせず、主用途のみを学術用語で表現する程度に留めるのが実務的です。

なお RAG とエージェントの関係を整理したい場合はRAGとAIエージェントの違いと連携が参考になります。

自社に最適なAIエージェントを選ぶ4ステップ

3つの整理軸を踏まえて、実際の選定手順を4ステップに分解します。

ステップ1: 用途を1つに絞る

最初にやるのは業務の絞り込みです。「全社の業務をAIエージェントで効率化したい」は失敗パターンで、まずは「営業の初回アプローチ」「カスタマーサポートの一次回答」「コードレビュー」のように業務を1つに限定します。用途が決まれば、用途別6分類のどれを当てるかが自動的に決まります。

ステップ2: 自律レベルの上限を決める

次に、その業務で人間の承認が必要な工程はどこかを洗い出し、自律レベルの上限を決めます。たとえばカスタマーサポートで「顧客に直接返信する」工程は L2 に留めて人間承認を挟み、「FAQ検索」工程は L3 で自走させる、といった具合に工程ごとに上限を変えます。

ステップ3: 候補ツールを2-3本に絞って PoC

用途と自律レベルが決まれば、用途別6分類の表から候補が2-3本に絞れます。ここで一気に本番導入せず、最低2週間の PoC（概念実証） で1業務を実際に回します。PoC では「成功率」「人間の介入回数」「コスト（API課金）」の3指標を必ず記録します。

ステップ4: アーキテクチャ設計はPoC後

社内の開発チームが内製する場合のみ、PoC 後にアーキテクチャ別5分類を考えます。「目標ベース型を Claude Agent SDK で実装する」「L4 のマルチエージェントを AutoGen で組む」など、PoC で得た知見が無いままアーキテクチャを決めると過剰設計になりがちです。

内製を選ぶ場合の具体的な手順はPythonで実践するAIエージェントの作り方で扱っています。

業界別の導入事例で「種類」を逆引きする

ここまでの「種類」を、実際の業界別事例で逆引きしてみます。

• 金融（横浜銀行など）: カスタマーサポート型 × L2。電話応対の AIボイスボット化で証明書発行を自動化。
• 製造（パナソニック コネクトなど）: 業務ワークフロー型 × L2。社内ナレッジ検索＋会議要約。
• 保険（損保ジャパンなど）: 営業・CRM特化型 × L2。コンタクトセンターでの応対補助。
• 小売（ウォルマートなど）: 汎用タスク実行型 × L3。仕入れ・需要予測の自走。
• 開発組織（先進SaaS企業）: コーディング特化型 × L3〜L4。Devin / Claude Code 等によるバックログ自走。

具体的な数値や導入経緯はAIエージェント活用事例10選｜業界別の導入実績と成功ポイントでまとめています。「種類」を選ぶ前に同業界の事例を確認するのが、社内稟議を通す近道です。

無料で始められるAIエージェントの種類と選び方

用途・自律レベル・アーキテクチャでおおまかな種類を絞り込んだら、次に効くのが「コスト軸」での比較です。結論として、初期投資を抑えてスモールスタートしたい場合は、無料プラン（または無料枠）を持つツールから検証を始めるのが最短ルートになります。用途別6分類の代表ツールにも、無料で試せる入口を備えたものが揃っているためです。

無料枠を比較するときに見るべきは「対応できるタスクの範囲」と「利用回数・連携の上限」の2点です。簡単なリサーチや文章作成なら無料枠で十分検証できますが、複雑なデータ分析やAPIによる他システム連携が必要になると上限に達しやすくなります。代表的なツールの無料プランの目安を、種類（用途）とあわせて整理すると次のとおりです。

ツール	種類（用途）の位置づけ	無料プランの目安	無料枠での検証に向く使い方
ChatGPT（GPTs）	汎用タスク実行型	メッセージ回数に動的な制限、高度なデータ分析機能の一部制限	社内規程のFAQ応答や記事ドラフトなど、対話型の試作
Claude（Projects）	汎用タスク実行型	実行回数制限、トラフィック集中時のアクセス制限	長文PDFの要約や複数ファイルのコードレビュー支援
Zapier Central	業務ワークフロー型	月間タスク実行数に上限（例: 月100タスク程度）	問い合わせメールのSlack通知やNotion登録の自動化
Dify	自社構築フレームワーク型	クラウド版は月間メッセージ数・ナレッジ量に制限	自社資料を読ませた社内アシスタントのノーコード試作
AutoGPT	自社構築フレームワーク型（OSS）	ソフト自体は無料（連携するLLMのAPI利用料は別途）	自律的な巡回・リスト化など計画実行型タスクの検証

無料版と有料版の見極めで重要なのは、次の3点です。第一に利用回数や処理速度の上限で、業務のピーク時に制限へ達して止まらないかを確認します。第二に外部ツールとの連携機能で、社内データベースやSlack・Google Workspace とのAPI連携が有料限定になっていないかを見ます。第三にカスタマイズの柔軟性で、プロンプトや動作条件を業務に合わせて調整できるかが実用性を左右します。

セキュリティ面では、入力データがAIモデルの学習に使われる設定になっていないか（学習を拒否するオプトアウトが可能か）を必ず確認してください。オプトアウトできないツールでは機密情報を入力しないという線引きを定め、出力は人間がファクトチェックする運用を組み込むことが前提になります。各ツールの活用事例まで含めた詳しい比較はAIエージェント無料おすすめ5選と選び方で扱っています。

よくある質問（FAQ）

Q. AIエージェントの種類はいくつあるのが正解ですか？

絶対的な正解はありません。用途別では6分類、自律レベル別では5段階、アーキテクチャ別では5分類として整理するのが本記事の提案です。自社で議論するときは「どの軸で話しているか」を明示することが大切です。

Q. ChatGPT は AIエージェントの一種ですか？

ChatGPT 単体（チャット利用）は L0 の補助型に該当し、エージェントではなく生成AIアシスタントと区別するのが一般的です。一方で OpenAI が2025年7月に提供開始した「ChatGPT agent」機能は L3 の汎用タスク実行型エージェントに該当します。

Q. Claude Code と Claude Agent SDK の違いは？

Claude Code は Anthropic が提供するターミナルベースのコーディング特化型エージェント製品、Claude Agent SDK は Claude Code 由来のツール群（ファイル操作・サブエージェント等）を自社プロダクトに組み込むための SDK です。前者はそのまま使う、後者は自分のシステムに組み込む、と覚えると整理しやすくなります。

Q. RPA とAIエージェントはどちらを選ぶべきですか？

定型処理で例外がほぼ無い業務は RPA、判断が必要・例外が多い業務は AIエージェントが向きます。両者を組み合わせて RPA に AIエージェントの判断を載せる構成も増えています。

Q. 「自律型AIエージェント」と「マルチエージェント」の違いは？

自律型は単体のエージェントが目標から逆算して動く L3 を指し、マルチエージェントは複数の自律型エージェントが役割分担して協調する L4 を指します。マルチエージェントは自律型を前提とした上位概念です。

まとめ

AIエージェントの「種類」は、用途別・自律レベル別・アーキテクチャ別の3軸で見るのが2026年時点の実務的な整理です。用途別6分類でツール候補を絞り、自律レベル別5段階で運用設計を決め、最後に自社内製時のみアーキテクチャ別5分類で内部設計に踏み込みます。

選定の出発点は常に業務を1つに絞ることであり、最初から L4 のマルチエージェントを目指すと PoC が空中分解しがちです。Claude Agent SDK・Devin・Manus・Copilot Studio など実在ツールはいずれも特定の用途・自律レベルに最適化されているため、3軸でフィット感を確認した上で2-3本の PoC に進むのが堅実なロードマップになります。

具体的な業界事例から逆引きしたい場合はAIエージェント活用事例10選を、無料で試したい場合はAIエージェント無料おすすめ5選を併せて参考にしてください。