AIの新たな地平：単なる「アシスタント」から「自律的なエージェント」へ - Thomson Reutersが示す未来

近年、人工知能（AI）の進化は目覚ましく、私たちの働き方や生活に革命をもたらし続けています。特に生成AIの登場は、これまで「役に立つ」ツールとして認識されてきたAIアシスタントの役割を、大きく変えようとしています。単に情報を提供したり、簡単なタスクを補助したりする存在から、自律的に判断し、意思決定を行い、複雑な問題解決に貢献する「生産的なエージェント」へのシフトが起こっているのです。

この変革の最前線に立つ企業の一つが、情報ソリューションの世界的リーダーであるThomson Reuters（トムソン・ロイター、以下TR）です。彼らは、法律、税務、国際貿易、リスク管理といった高度な専門知識が求められる分野で、AIがどのように人間の能力を拡張し、新たな価値を創造できるかを示しています。

この記事では、AIエンジニアリングの最先端カンファレンス「AI Engineer World's Fair」でのThomson Reuters最高技術責任者（CTO）であるジョエル・フロン氏の発表に基づき、AIの進化の現状、エージェント型AIがもたらす変革の重要性、その具体的な機能、そしてビジネスや社会に与える影響と将来性について、専門性と分かりやすさを両立させながら深く掘り下げていきます。

Thomson Reutersの確固たる基盤：100年以上の信頼と専門知識

TRは、今日のテクノロジー業界において、そのユニークな立ち位置で注目されています。多くの新興AI企業が短期間で急成長する中、TRは100年以上にわたる信頼と経験を基盤に、AIの未来を形作ろうとしています。

同社の強みは以下の点に集約されます。

揺るぎない信頼の歴史: 100年以上にわたり、プロフェッショナル向け情報ソリューションを提供し続けてきた実績は、顧客との深い信頼関係を築き上げています。
圧倒的な顧客基盤: 米国トップ100法律事務所の97%、Fortune 100企業の99%、米国トップ100 CPA事務所の100%がTRの顧客です。これは、同社が提供するソリューションが、業界の最高峰で認められていることを示しています。
比類なきドメイン専門知識とコンテンツ:
- 4,500人以上の分野専門家（Subject Matter Experts, SMEs）を擁し、これは世界で最も多くの弁護士を雇用している企業の一つに数えられます。これらの専門家が、複雑な法的、税務的知識を深く理解しています。
- 1.5テラバイト以上という膨大な量の独自コンテンツを保有しており、これは彼らのソフトウェア製品の基盤となっています。この高品質でキュレーションされたデータは、AIモデルの学習と運用において、他社が容易に追随できない大きな差別化要因です。
AIへの積極的な投資:
- 過去数年間で30億ドル以上を買収に投資し、常に革新的な技術を取り込んできました。
- 「TR Labs」と呼ばれる応用研究ラボには、200人以上の科学者とエンジニアが在籍し、最先端のAI技術開発に取り組んでいます。
- 年間2億ドル以上をAI製品開発に投じるなど、AIをビジネスの核として位置づけ、将来への大規模なコミットメントを示しています。

これらの基盤は、特に「間違いが許されない」法律、税務、金融といった分野において、TRがAIエージェントの信頼性と正確性を追求する上で、極めて有利なスタートラインを提供していると言えるでしょう。

AI能力の進化：単なる「役立つ」から「生産的」なエージェントへ

ジョエル・フロン氏は、AIアシスタント開発の北極星が「役立つ（helpful）」から「生産的（productive）」へとシフトしていると強調します。かつては、AIが正確な情報を提供し、参照元を明示することが重視されました。しかし、今ではAIはユーザーに代わって「アウトプットを生成し、判断を下し、決定を行う」ことが期待されています。

このパラダイムシフトを象徴するのが、Y Combinatorが掲げた「法律事務所向けのエージェントツールを作るのではなく、エージェントで構成された法律事務所を作れ」という言葉です。これは、AIが個別のタスクを支援するツールから、自律的に連携し、複雑な業務プロセス全体を遂行する「エージェントの集合体」へと進化することを示唆しています。

TRは、AI能力の進化を以下のタイムラインで捉えています。

2022年: Chat & RAG (Retrieval Augmented Generation)
- ユーザーの質問に対し、関連情報を検索（Retrieval）し、それに基づいて回答を生成（Generation）する段階。ChatGPTなどの登場で一気に普及しました。
2023年: Tool use + basic planning
- AIが特定のツール（API、データベースなど）を使用し、基本的なプランニング（計画立案）を行う段階。複数のステップを組み合わせてタスクを遂行し始めます。
2024年: Memory + reasoning
- AIが過去の経験や対話内容を記憶し、それに基づいてより高度な推論（reasoning）を行う段階。長期的なコンテキストを理解し、より複雑な問題解決が可能になります。
2025年 (emerging): Multi-agent orchestration
- 複数のAIエージェントが協調し、それぞれが専門分野を担当しながら、全体として一つの複雑な目標を達成する段階。まさに「エージェントで構成された法律事務所」のビジョンです。

この進化は、AIが単なる「知的な検索エンジン」ではなく、「自律的な意思決定システム」へと変貌していることを明確に示しています。

「Agentic AI」とは何か？4つのダイヤルで理解する自律性のスペクトラム

「Agentic AI」（エージェント型AI）という言葉は、AIの自律性や能動性を指しますが、TRはこれを二元論的な「エージェントであるか否か」ではなく、ユースケースに応じて調整可能な「スペクトラム（連続体）」として捉えることを提唱しています。このスペクトラムは、以下の4つの主要な要素（「ダイヤル」）で構成されます。

自律性 (Autonomy):
- 定義: AIシステムが人間からの介入なしに、どれだけ独立して行動し、タスクを遂行できるか。
- スペクトラム:
  - 個別タスク（Discrete tasks）: 例：この文書を要約してください。最も低いレベルの自律性で、単一の明確な命令を実行します。
  - 事前定義されたロジックフロー（Pre-defined flows of logic）: 例：文書要約、情報検索、参照引用という一連のステップを実行。タスクの順序は固定されています。
  - 入力に基づく可変フロー（Variable flows based on inputs）: 例：ユーザーの入力内容に応じて、最適なツールやロジックフローを動的に選択・調整。
  - 可変で自己進化するフロー（Variable, self-evolving flows）: 例：AIが自身の目標達成のために、計画を立て、実行し、その結果から学習して次の行動を再計画するなど、高度な自律性を発揮。これは、TRの税務ユースケースで示されたように、AIが診断結果に基づいて追加情報を求め、ワークフローを自律的に修正する能力を指します。
コンテキスト (Context):
- 定義: AIシステムがタスクに関連する情報をどれだけ広く、深く、そして適切に理解し利用できるか。
- スペクトラム:
  - パラメータ知識のみ（Parametric knowledge only）: AIモデルが学習時に組み込まれた知識のみを使用。汎用的なチャットボットに近い状態です。
  - 個別知識ソースにアクセスするモデル（Models access individual knowledge sources）: RAGの初期段階で、特定のデータベースや文書にアクセスし、質問に答えます。
  - 異なる品質の複数知識ソース（Multiple knowledge sources of varying quality）: 複数の情報源（社内データベース、ウェブ、専門文献など）から情報を取得し、それらの信頼性や関連性を評価しながら利用。TRの法律研究で示された、判例、法令、専門記事など複数のソースを考慮する能力がこれにあたります。
  - 知識ソースを置換するモデル（Models permute these knowledge sources）: AIが自ら情報源を最適化・更新し、より良い回答のために情報ソースの組み合わせやスキーマそのものを変更する能力。
記憶 (Memory):
- 定義: AIシステムが過去の対話や実行履歴をどれだけ保持し、活用できるか。
- スペクトラム:
  - ステートレス実行（Stateless execution）: 各対話が独立しており、過去のやり取りを覚えていない状態。
  - 個別実行間の記憶（Memory across an individual execution）: 単一のセッション内で、ユーザーとの対話履歴を保持し、文脈を理解。
  - 一連の実行ステップ間の共有記憶（Shared memory across a series of execution steps）: 複数のタスクやワークフローにわたって記憶を共有し、一貫性のある行動を可能にします。
  - 永続的な共有記憶（Persistent shared memory）: 長期間にわたるユーザーやチームの活動を通じて記憶を保持し、継続的に学習・改善。TRの税務ユースケースでは、税務申告のプロセス全体を通して記憶を共有する必要性があるでしょう。
協調性 (Coordination):
- 定義: AIシステムが他のAIエージェントや外部ツール、人間とどれだけ効果的に連携できるか。
- スペクトラム:
  - アトミック実行（Atomic execution）: 独立した単一のタスクを実行。例：文書を要約。
  - ツールへの委任（Delegation to tools）: 外部の専門ツール（税務エンジン、法務データベースなど）に特定のタスクを委任。
  - フルワークフローオーケストレーション（Full workflow orchestration）: 複数のツールやAIコンポーネントを組み合わせて、複雑な業務プロセス全体を管理・実行。TRの税務申告書の自動生成は、まさにこのワークフローオーケストレーションの好例です。
  - システム境界を越えたエージェント間の協調性（Agent to agent coordination across system boundaries）: 異なるAIエージェントが連携し、複雑なプロジェクトを共同で推進。例えば、税務エージェントが特定の法的解釈が必要な場合に法律エージェントに協力を求める、といったシナリオが考えられます。

これらの「ダイヤル」をユースケースやリスク許容度に応じて適切に調整することで、AIエージェントは単なる技術的な新奇性ではなく、真にビジネス価値を生み出す存在となりえます。

「苦労して学んだ教訓」：AI開発の現実と未来への示唆

TRがAIエージェントの開発を通じて得た教訓は、AI技術の導入を検討するすべての企業にとって貴重な示唆に富んでいます。

信頼は決定論を要求するが、エージェントシステムでは増幅される課題:
- 「客観的な正しさ」の定義の困難さ: AIの出力が「正しい」と判断するための基準は、人間によっても大きく異なります。TRでは、法律の専門家が同じデータを見ても、評価の正確性に10%以上のばらつきが生じることがあります。これは、世界クラスの専門家でも、AI評価の客観性には限界があることを示しています。
- エージェントのドリフトと参照の困難さ: エージェント型AIが複雑なプロセスを自律的に遂行するにつれて、その判断が予期せぬ方向に「ドリフト」することがあります。また、複数のツールや情報源を組み合わせるため、最終的な出力のどの部分がどの情報源に由来するのかを追跡することが非常に難しくなります。これは、説明可能性（Explainability）と透明性（Transparency）の課題を深刻化させます。
- ガードレールシステムにおける専門知識の必要性: AIが誤った判断を下さないようにするための「ガードレール」システムは不可欠ですが、これを構築するには、対象分野の深い専門知識が求められます。
レガシー資産の再活性化：古いエコシステムに新しい生命を吹き込む:
- 多くの企業にとって、長年培ってきたレガシーシステムは、AI導入の足かせとなる「負の遺産」と見なされがちです。しかしTRは、これを逆転の発想で「独自の資産」と捉えています。
- TRが持つ高度にチューニングされたドメインロジックや、長年にわたるユーザー行動のコンテキスト、専門家によって定義されたロジックとデータは、AIエージェントにとって貴重な「ツール」となります。
- AIエージェントは、これらのレガシーシステムを分解し、そのコンポーネントを独自の「ツール」として活用することで、既存のインフラストラクチャに新しい生命を吹き込み、これまで以上に統合された、しかし軽量な体験を提供できるようになります。これは、ゼロから新しいシステムを構築するよりも、はるかに効率的で差別化された価値を生み出す可能性を秘めています。
「全体の問題から始める」ことの重要性:
- AI開発において、最小実行可能製品（MVP）という概念は一般的ですが、フロン氏は、MVPが「最小限に考える」という思考の罠に陥らせる可能性があると警鐘を鳴らします。
- 特にエージェントシステムの場合、その真の挙動や価値は、個々のコンポーネントを最適化するだけでは明らかになりません。システム全体が連携して動作するコンテキストにおいて初めて、その価値が発揮されます。
- TRの経験から学んだのは、まず「全体の問題」を理解し、完全なシステムとして何を実現したいのかを明確にすること。そして、それから開発を進めることで、個々のコンポーネントがシステム全体に与える影響をよりよく理解し、より効果的なソリューションを構築できるというものです。これは、開発チームにとっての大きなマインドセットの変化でもありました。

具体的な実装例：税務と法律のデモンストレーション

TRのプレゼンテーションでは、これらの理論がどのように実際の製品に具現化されているかを示すデモンストレーションが行われました。

1. 税務ユースケース：納税申告書の自動生成

このデモンストレーションでは、税務のプロフェッショナルが日々の業務で直面する、W-2や1099といった源泉徴収票や所得明細書などのソース文書から納税申告書を作成するプロセスが示されました。

自動データ抽出とマッピング: AIエージェントは、まずアップロードされたソース文書から必要なデータを自動で抽出し、TRの税務計算エンジン内の適切なフィールドにマッピングします。これには、OCR（光学文字認識）技術と自然言語処理（NLP）が活用されます。
税法・規則に基づく判断: 抽出された数値データは、AIが理解している最新の税法や規則に基づいて、どのラインアイテムに適用されるべきか、あるいは特定の条件が満たされているかなどを判断します。例えば、特定の控除が適用可能か、どの所得が課税対象となるかなどを自動的に計算します。
エンドツーエンドの納税申告書生成: 最終的に、AIはこれらの情報と判断に基づき、納税申告書を生成します。
検証とエラー解決: このシステムは、税務計算エンジンに組み込まれた検証エンジンも活用します。生成された申告書にエラーや不整合がある場合、AIはそれを特定し、必要に応じてソース文書から追加情報を検索したり、ユーザーに確認を求めたりして、ワークフローを完了させます。

この税務ユースケースは、TRの税務エンジンという長年の「ツール」をAIが活用することで、エンドツーエンドの複雑な業務プロセスを自律的に遂行するエージェント型AIの好例と言えます。これは、単なる「データ入力の自動化」を超え、税務プロフェッショナルの生産性を飛躍的に向上させる可能性を秘めています。

2. 法律研究ユースケース：詳細な法的調査レポートの生成

次に示されたのは、Westlaw Labsという法律研究製品におけるデモンストレーションです。弁護士が訴訟の準備をする際に直面する、複雑な法的質問への深い調査を行うシナリオです。

複雑な法的質問の入力: 弁護士が「私のクライアントは、投資に関して虚偽表示を行った個人に対する訴訟を予想している会計士です。どのような種類の請求が予想されますか？TR-CS-ALLという管轄の以下の予測に回答を限定してください。」といった具体的な質問を入力します。
自律的な研究計画の策定と実行: AIアシスタントは、この質問に対し、自律的に研究計画を策定し、実行します。これには、TRが持つ膨大な法律コンテンツ（判例法、法令、規制、専門記事、ブログなど）を検索・分析する能力が活用されます。
多様な法的情報源の活用: AIは、複数の情報源を横断的に検索し、各情報源の関連性や信頼性を評価しながら情報を収集します。例えば、テキサス州の会計士の専門的責任に関する法律、連邦裁判所の判例、連邦証券法、詐欺罪、過失虚偽表示、テキサス州不公正取引慣行法などのキーワードで検索を進めます。
メモの作成と情報の統合: 研究プロセス中、AIは自身で学習したことや見つけたことについて詳細なメモを作成します。これらのメモは、最終的な調査レポートを生成する際に統合され、包括的な回答が導き出されます。
引用とリスクの可視化: 最も重要な点として、生成されたレポート内のすべての主張や事実は、TRのデータベース内の実際の判例や法令へのハイパーリンクとして表示されます。これにより、情報の信頼性が保証されるとともに、ユーザーは元の情報源を容易に確認できます。さらに、関連するリスク（例：連邦証券詐欺）がフラグ付けされ、弁護士が法的リスクを迅速に評価できるよう支援します。

この法律研究のデモンストレーションは、AIエージェントが複数の「ツール」（検索エンジン、文書リーダー、引用分析ツールなど）を組み合わせて複雑な知的作業をオーケストレーションし、人間が信頼できる形で情報を提示する能力を示しています。深い専門知識と膨大なデータがなければ不可能な、高度な「生産性」の実現です。

結論：AIが切り拓く新たなエコシステムと未来への展望

Thomson Reutersが示しているのは、AIの進化が単なる技術的な進歩に留まらないということです。それは、専門家が日々の業務を行う方法を根本的に変革し、より価値の高い仕事に集中できるようにする、新たなエコシステムの創造です。

フロン氏のプレゼンテーションから得られる主要な学びをまとめると以下のようになります。

全体の問題から始める: 部分的な最適化ではなく、エンドツーエンドの業務プロセス全体を視野に入れてAIソリューションを設計することが、真の価値を生み出す鍵です。
エージェンシーはレバーであり、目的ではない: AIの自律性は、一律に最大化すべきものではなく、特定のユースケースのリスクやユーザーの許容度に応じて柔軟に調整すべき「レバー」として捉えるべきです。
エージェントは古いエコシステムに新しい生命をもたらす: レガシーシステムを負債と見なすのではなく、その中に含まれるドメインロジック、データ、ユーザー行動のコンテキストを、AIエージェントが活用できる貴重な「資産」として再評価し、新しい形で活用することが重要です。
人間をループに入れたデザインによる信頼: AIの信頼性を確保するためには、AIの評価プロセスに人間の専門家を組み込み、その知見を積極的に活用することが不可欠です。AIの判断と人間の判断を継続的に調整することで、より堅牢なシステムを構築できます。
コンテンツ、専門知識、信頼という独自の資産を活用する: TRの成功は、他社が容易に模倣できない独自のコンテンツ、長年培ってきた専門知識、そして顧客との深い信頼関係という資産をAI開発の強力な差別化要因として最大限に活用している点にあります。

AIは、これまで人間が膨大な時間と労力を費やしてきた複雑なタスクを、より迅速かつ正確に、そして自律的に遂行する能力を獲得しつつあります。これにより、法律家や税理士といった専門家は、データの抽出や基本的な分析といった反復作業から解放され、より創造的で戦略的な業務、すなわち、人間ならではの洞察力や共感力が求められる仕事に注力できるようになるでしょう。

Thomson Reutersの取り組みは、AIが人間の仕事を奪うのではなく、人間の能力を拡張し、新たな「生産性」と「信頼」を創造する未来を示しています。私たちも自身の「独自の資産」を見つめ直し、AIの力を最大限に引き出す方法を模索することで、このエキサイティングな変革の波に乗ることができるはずです。AIの新たな地平は、まだ始まったばかりです。