エージェントハーネスとは？｜モデルの周りが成果を決める

「エージェントの出来はモデルの性能で決まる。だから一番賢いものを選んでおけばよい」「思ったように動かないのは、まだモデルが未熟だからだ。次の世代を待てば解決する」——AIエージェントの導入を検討する場で、いまも当たり前のように語られる二つの言い分です。どちらも筋が通って聞こえるうえ、判断としても分かりやすいので、稟議の根拠にそのまま使われます。ところが2026年に入って公開された検証は、この前提を正面から崩しました。エージェントの成否を分けているのは、モデル単体の賢さではありません。本当は、モデルの周りに用意した実行の仕組み、いわゆるハーネスのほうが結果を大きく動かしています。同じモデルのまま周りの仕組みだけを入れ替えたところ、課題の成功率が二割以上動いたという報告が出ています。この記事では、ハーネスに何が含まれているのか、材料や指示文とどう役割が違うのか、道具を選ぶ側と作らせる側がそれぞれ何を確かめればよいのかを整理します。

エージェントハーネスとは、モデルを取り巻く実行の器

ハーネスという語は、もともと「あるものを特定の仕事に向けて接続し、制御するための外側の仕組み」を指します。AIの文脈では、言語モデルそのものを除いた残り全部と考えると、ほとんど外しません。ある提供元の整理ではモデルでなければ、それはハーネスであるという言い切り方がされています。範囲は広いのですが、境目で迷わずに済む定義です。

具体的に何が入るのかを並べると、輪郭がはっきりします。起動時に渡す前提の文、使ってよい道具の定義と説明、作業を隔離して走らせる実行環境、材料の出し入れと圧縮、途中経過の保存、次の一手を決める段取り、そして人が割り込むための窓口。いずれもモデルの外側に置かれた部品で、モデルを別のものに差し替えても、この部品群はそのまま残ります。逆に言えば、ここに手を入れないかぎり、モデルを新しくしても同じ場所で同じようにつまずきます。

言葉の来歴も知っておくと理解が早くなります。もとは評価の分野の用語で、2021年に言語モデルの評価を再現できる形にまとめた道具立てが公開されたときに使われました。2024年から2025年にかけて研究の題名に載るようになり、2025年の秋から2026年の春にかけて、主要な提供元が公式の発信で使いはじめています。比較的新しい呼び名ですが、指している中身自体はずっと前から存在していました。名前が付いたことで、はじめて発注や比較の対象になったという順序です。

材料や指示文とは、担当している層が違う

生成AIの改善は、これまで二つの層で語られてきました。一つは指示文をどう書くかという層、もう一つは何を渡すかという材料の層です。ハーネスはそのさらに外側にある三つ目の層にあたり、三つは対立しません。設計する粒度が違うだけです。混同されやすいので、担当している範囲を並べておきます。

層	設計するもの	代表的な工夫	うまくいかないときの症状
指示文	1回のやり取りの言い方	立場の指定、例示、手順の分解	口調や形が毎回ばらつく
材料	1回の推論に載せる情報の集合	要約、外への退避、参照の絞り込み	事実が薄く、自社の話にならない
ハーネス	実行の器そのもの	繰り返しの制御、記録、検証の分離、人の窓口	途中で止まる、やり直せない、追えない

表にすると、症状からどの層を触るべきかが決まります。口調や形が安定しないなら指示文、事実が薄いなら材料、そして途中で止まる、やり直しが効かない、どこで曲がったのか追えないなら器です。三つ目の症状に対して指示文を書き直しても、当然ながら何も変わりません。

実務でいちばん多い取り違えは、器の問題を材料の問題だと思い込むことです。調査を任せたのに30分で止まってしまう、という相談を受けると、多くの担当者は参考資料を足そうとします。ところが原因が「途中経過を保存していないので再開できない」だった場合、資料を足すほど状況は悪くなります。材料を足して直るのは、出てきた中身が薄いときだけです。動きが途切れる種類の不具合は、器の側にしか原因がありません。

同じモデルでも、器を替えると成績が二割以上変わる

この話をはっきりさせたのが、2026年5月に公開された検証です。8種類のモデルと6種類の器を組み合わせ、ソフトウェアの改修、数値の分析、事務作業など8分野106課題を解かせ、のべ5,194回の実行を記録しています。課題文も、初期の状態も、予算も、制限時間も、採点する側も固定し、替えたのはモデルと器だけという設計になっています。

結果は、最も成績のよい器で76.2%、最も低い器で52.4%。差は23.8ポイントでした。注目したいのは、やり取りを長く続けた器ほど成績が良いわけではなかった点です。最も成績のよい器は、往復数も使ったトークンの量も少ない側に収まっていました。長く考えさせたから勝った、という差ではありません。同じモデルが、置かれた器によって二割以上ちがう成績を出したことになります。

決裁の場でそのまま効く発見もあります。強いモデルほど器による振れ幅が小さく、弱いモデルほど器の選択に敏感でした。費用を抑えるために軽いモデルを選ぶ判断は珍しくありませんが、その場合こそ器への投資は削れません。さらにこの検証は、エージェントの能力を「モデル単体の性質」ではなく「モデルと器を組み合わせた状態の性質」として報告すべきだと主張しています。提供元が示す成績表を読むときは、どんな器の上での数字かを確かめる必要があります。

器を6つの部品に分解する

器という言葉のままでは手が動きません。実務で確認したり発注したりできる単位まで割ると、6つになります。呼び方は提供元によって少しずつ違いますが、押さえている範囲はほぼ共通しています。

部品	何を決めているか	抜けているとどうなるか
1 繰り返し方	何回まで試すか、どうなったら終わりか	終わっていないのに完了扱いになる
2 渡せる道具	何ができて何ができないか	できるはずの作業をやらずに終わる
3 記録	途中経過をどこに残すか	中断すると最初からやり直しになる
4 止める仕組み	失敗が及ぶ範囲をどこで区切るか	試したつもりの操作が本番に届く
5 戻り方	失敗したときにどう扱うか	一度つまずくと全体が使えなくなる
6 確認の窓口	人がどこで見て、どこで止めるか	誤りに気づかないまま外に出る

6つのうち、最初に抜けやすいのは3番と6番です。動くところまでは短期間で作れてしまうため、記録と人の窓口は「後で足す」に回されがちで、そのまま本番に入ります。実際に問題が起きたときに追えないのはこの2つが原因で、しかも後から足すのがいちばん面倒な部分でもあります。

逆に過剰になりやすいのが2番です。何でもできるようにしておこうと接続口を増やし続けた結果、選び間違いが増えます。器の設計は足し算だけでは進みません。部品はそれぞれ「モデルには自力でできない」という仮定を書き留めたものであり、モデルが進めばいくつかは不要になります。作りっぱなしにせず、定期的に減らす前提で持つほうが健全です。

繰り返し方：どこで終わるかを決めているのは器のほう

エージェントは一度で答えを返すのではなく、考える、道具を使う、結果を見る、また考える、という往復を繰り返します。この往復を何回まで許すか、どうなったら終わったとみなすかを決めているのは、モデルではなく器の側です。終了の条件が甘いと、終わっていないのに完了として返ってきます。

現場でいちばん多いのが、早すぎる合格宣言です。確認を任せた側が、項目のうち1つか2つだけを試して問題なしと宣言し、残りを走らせない。対策は拍子抜けするほど単純で、すべての項目を実行し終えるまで合格と書いてはならない、と器の側に明示することです。モデルを賢くする話ではなく、終了の条件をどう書くかという話です。ここを言葉にしていないと、どれだけ性能の高いモデルでも同じ失敗をします。

選ぶ側が見るべきは、上限を自分で設定できるかどうかです。往復の回数、経過した時間、使ってよい費用。この3つに上限を置けない道具は、走り出した後に手を出せません。試験導入のときには気づきませんが、本番で長時間の作業を任せた最初の月に必ず問題になります。

渡せる道具：数を増やすほど選べなくなる

ここでいう道具とは、外の仕組みを呼び出すための口のことです。社内文書の取り出し、表計算の読み書き、予定の登録、メールの下書き作成。それぞれに名前と説明文と受け取る値の形が定義されていて、エージェントはその説明文を読んで使うかどうかを判断します。できるはずの作業をやらないという症状の多くは、説明文が曖昧なことに由来します。

数そのものにも限界があります。手元の道具が15から20を超えたあたりから、選択の精度が落ちることが知られています。加えて、性格の違う道具を混ぜるとさらに落ちます。文書を扱う口と、外部と通信する口と、社内の基幹系に触る口を1体に全部持たせると、選び間違いが増える。接続口を増やすほど賢くなるという直感は、ある地点から逆転します。

• とりあえず全部つないでおく：使う見込みのない口まで並べ、選択の精度を下げる
• 説明文を一行で済ませる：いつ使うかが書かれておらず、似た道具の間で迷う
• 失敗したときの戻り値を決めていない：落ちたのか、空だったのかが区別できない
• 読む口と書き込む口を同じ扱いにする：確認なしで外向きの操作が走る
• 誰も使っていない口を残す：見直しの担当がおらず、増える一方になる

記録：やり直しが効くかどうかはここで決まる

長く走る作業では、途中で止まったときに再開できるかどうかが実用性を決めます。ところが実行の区切りが変わると、前回のやり取りは基本的に残りません。長時間動くエージェントは、記憶を持たない短い区間の連なりとして動いていると考えたほうが実態に合います。だからこそ、途中経過を外に書き出す仕組みが要ります。

書き出し方は性格の違う二通りがあります。一つは追記だけを許す経過の記録で、何が起きたかを時系列で残します。もう一つは今の状態を上書きしていく進捗の一覧で、どこまで終わったかを一目で示します。前者だけだと状況の把握に時間がかかり、後者だけだと「なぜそうなったか」が消えます。両方そろってはじめて、再開したうえで正しさも確かめられる状態になります。

記録は後からの説明にも効きます。同じ入力を与えても振る舞いが毎回わずかに揺れる前提で、経過を毎回残しておく。マーケの実務でいえば、外部に出す原稿や配信の設定を任せたときに、後から「なぜこの表現になったのか」を第三者に示せるかどうかが分かれ目になります。記録がない状態は、うまくいっている間だけ問題になりません。

止める仕組み：被害の範囲を先に狭めておく

隔離された実行環境は、失敗を防ぐ装置ではありません。失敗が及ぶ範囲を狭めるための装置です。防ぎきれない前提に立ち、届く先を先に絞っておく。顧客の情報が入った本番のデータに直接触らせない、送信は下書きの作成までにする、支払いに関わる口は塞ぐ、といった線引きがここに入ります。

もう一つの論点は、外から入ってきた文字列を命令として読んでしまう問題です。取り込んだページや受け取ったメールの中に指示めいた文が書かれていると、それに従ってしまうことがあります。対策は二つで、入力の出どころごとに信頼の度合いを分けておくことと、道具ごとに使ってよい範囲を絞ることです。どちらも器の側にしか書けません。

• 読むだけの操作と、外に出る操作を、はじめから別の扱いにする
• 本番のデータには写しを通してしか触れない経路にする
• 外部から取り込んだ文章は、指示ではなく資料として扱う設定にしておく
• 止めるための操作を、担当者以外でも実行できるようにしておく
• 止めた記録も残す。誰がいつ何を止めたかが分からないと原因を追えない

失敗したときの戻り方：崩れ方には型がある

先ほどの検証は、失敗の中身も分類しています。最も多かったのは決められた形式の出力を守れないもので36.4%、次が道具の呼び出しに失敗した後で立て直せないもので24.6%、根拠を示せないものが14.6%と続きました。合わせて七割以上が、賢さの不足というより段取りの不足に見える崩れ方です。裏を返せば、器を直せば減らせる部分が大きいということになります。

形式を守れない問題には、出す形を先に定義し、外れていたら受け取らずに書き直させる仕組みが効きます。立て直せない問題は、失敗したときの扱いが決まっていないことに起因します。何も決めていないと、同じ呼び出しを延々と繰り返すか、その場で全部を投げ出すかのどちらかになります。決めておく内容は3つで足ります。

1. 同じ失敗を何回繰り返したら人に上げるかを数で決める：3回といった具体的な数字で書く
2. 道具が落ちたときの進み方を決める：待って再試行するのか、別の手段に切り替えるのか、止めるのか
3. 途中まで作ったものの扱いを決める：捨てて最初からやり直すのか、残して続きから進めるのか

この3つは、モデルを替えても書き直す必要がありません。器の側に一度書いておけば、次の世代のモデルに載せ替えたときもそのまま使えます。器に書いた決め事は資産として残り、指示文の書き方は残らないという違いは大きいです。

人が確認する窓口：作った本人に採点させない

提供元自身が、エージェントに自分の仕事を評価させると自画自賛になりやすいと書いています。人間の組織と同じで、作った本人は自分の成果物に甘くなります。したがって作業する役と評価する役を別に立て、評価する側は疑ってかかる設定にしておくのが基本形です。

長時間走らせる開発の実験では、仕様を書く役、実装する役、実際に動かして採点する役の3つに分けた構成が報告されています。採点する役は、実装した役が自信を持って提出したものの中から、処理の並び順の誤り、つながっていない要素、誤った実装を見つけました。作った側は最後まで気づいていません。役を分けなければ、そのまま合格として出ていたことになります。

そのうえで、人が最後に確かめる範囲を先に決めます。「重要な判断は人が行う」という書き方では線が引けないので、職場で通じる作業名で書き出すのがこつです。金額の最終決定、社外に出る文面の最終稿、取引先への連絡、採用に関わる判断。AIに判断させない範囲を先に決めておくと、器のどこに人の窓口を置けばよいかが自動的に決まります。順序を逆にすると、窓口の位置がいつまでも決まりません。

器を厚くするほど、時間も費用も増える

ここまでの話は、器を厚くするほど良いという結論に見えます。実際にはそうではありません。同じ課題を、単体で走らせた場合と、計画・実装・検証を分けた器の上で走らせた場合を比べた報告があります。単体では20分・約9ドルで終わりましたが、出てきた機能は動きませんでした。器を通した場合は6時間・約200ドルかかり、動くものが出ています。時間も費用も20倍以上の開きです。

つまり器の設計は、確実さを買うために手続き上の負担を払う取引です。判断すべきことは一つで、品質の差がこの差額に見合うかどうか。社外に出る成果物や、間違えると取引に響くものなら見合いやすく、社内向けの下書きや、人がどうせ全面的に書き直す前提のものなら見合いません。器の厚さは、成果物が誰の目に触れるかで決めると外しにくくなります。

見積もりを作るときの注意もあります。費用が増える内訳は、やり直し、検証、そして記録の3つです。1回で通る前提で計算すると、実際の費用は必ず上振れます。試験導入の段階で、1件あたり何回やり直しているかを数えておくと、本番の見積もりが現実的になります。

器を作り込む価値がある仕事、ない仕事

費用の話とつながりますが、そもそも器を作り込む必要がない仕事は少なくありません。判断の目安は、次の条件にいくつ当てはまるかです。

• 30分から数時間、人が見ていない間も走り続ける作業である
• 複数の道具や情報源をまたいで、前の結果が次の入力になる連鎖がある
• 成果物が社外に出る、または他部署がそのまま使う品質が求められる
• 複数のチームが同じ仕組みを使うため、揃った動き方が必要になる
• 失敗したときに、どこで曲がったのかを説明する義務がある

逆に、単発の要約や分類が中心の場合、まだ試している段階の場合、道具の連携が限られている場合、そして1人が都度確認しながら使っている場合は、器を作り込む段階ではありません。この時点で作り込むと、保守する人がいなくなった瞬間に全部止まります。器はモデルの進化に合わせて手を入れ続ける前提の部品なので、置いておけば動き続けるものではないのです。2025年11月に公表された国際調査では、AIエージェントを実験中と答えた組織が62%だったのに対し、社内のいずれか1つの業務機能で本格的な運用まで進んだ組織は23%にとどまりました。実験のまま止まる原因の一つが、この保守の担い手が決まっていないことにあります。

実務的な線引きとしては、その作業を人が席を外している間に走らせたいかどうかで考えると分かりやすくなります。席にいて逐一見ているなら、人が器の役目を果たしています。器を作るというのは、人がやっていた見張りと段取りを外に出す作業です。見張る必要のない作業に器は要りません。

選ぶ側と作らせる側で、確かめる項目が違う

出来合いの道具を選ぶ立場であれば、見るべきは機能の一覧ではなく、器としての性質です。多くの製品説明はできることを並べますが、実務で効くのは止め方と追い方のほうにあります。商談の場で確かめる項目を挙げておきます。

内製する場合や外部に作らせる場合は、確かめる側ではなく決める側に回ります。決めるのは、止める条件、記録の残し方、人が確認する地点、そして誰が保守を続けるかの4つです。このうち最後の1つが抜けている案件が実に多く、納品されたあと半年で誰も触れなくなります。

発注の文書には、機能の要望より先に「上限」「記録」「承認の地点」「保守の担当」の4語を書いておくと話が早くなります。この4つは、モデルが何世代替わっても意味が変わらない要求です。逆に、特定の性能を前提にした要望は、半年で古くなります。

モデルを替えるか、器を直すかの切り分け

最後に、実際に不具合が出たときの切り分けを手順にしておきます。順番を守ると、費用のかかる打ち手を後ろに回せます。

この順序には理由があります。モデルを上げる打ち手は毎月の費用に効き、しかも一度上げると下げにくい。対して器の修正は一度で済み、次の世代にも引き継がれます。先に器を疑うほうが、長い目で見た費用は下がります。試験導入の段階で、この切り分けの手順そのものを社内の手引きに書いておくと、担当が替わっても判断がぶれません。

よくある質問

ハーネスと、いわゆるエージェント基盤の製品は同じものですか

重なりますが、同じではありません。製品として売られている基盤は、器の部品をあらかじめ組み合わせて提供しているものです。ただし、どの部品をどこまで自分で決められるかは製品ごとに大きく違います。上限を置けない、経過を出力できない、承認の地点を動かせない、といった制約は、機能一覧を眺めても分かりません。試験導入の段階で、この記事の7項目を実際に触って確かめるのが確実です。

この言葉は提供元によって指す範囲が違う気がします

そのとおりで、混乱が指摘されています。大きく分けると、作る側が自分の実装を指して使う場合と、使う側が安全に運用するための設計を指して使う場合の二通りがあります。前者を参考にして後者の設計をすると、方向を誤ります。読むときは、その文章が作る側の話なのか使う側の話なのかを先に確かめてください。加えて、提供元の発信には自社製品の推奨が混ざることもあるため、そのまま受け取らずに自社の条件に当てはめて読む姿勢が要ります。

器を作り込めば、モデルは安いもので足りますか

部分的には足ります。検証では、弱いモデルほど器の選択に敏感で、良い器に載せたときの伸びが大きいという結果が出ています。ただし上限はあります。もともと解けない種類の課題は、器を厚くしても解けるようにはなりません。現実的な進め方は、器を先に整えてから、モデルを1段階だけ替えて差を測ることです。差が小さければ安いほうに戻せます。

器はいつ見直せばよいですか

決まった頻度より、きっかけで決めるほうが実務的です。使うモデルを替えたとき、道具を追加したとき、そして同じ失敗が3回続いたとき。この3つの場面で見直すと決めておけば、放置されません。加えて、部品はモデルができないことを前提に置いた回避策の集まりなので、モデルが進むと不要になるものが出ます。半年に一度は減らせる部品がないかを確認すると、器そのものが軽くなります。

まとめ

AIエージェントの出来を分けているのはモデル単体の賢さではなく、繰り返し方、渡せる道具、記録、止める仕組み、失敗したときの戻り方、人が確認する窓口という6つの部品をどこまで整えたかです。2026年5月に公開された検証では、条件を固定して器だけを替えたところ、課題の成功率に23.8ポイントの差が出ました。しかも弱いモデルほど器の影響を受けます。一方で器を厚くすると時間と費用は20倍以上に膨らむため、社外に出る成果物か、人が見ていない間も走らせたい作業かで、作り込む深さを決めてください。道具を選ぶときは機能の一覧ではなく、上限を置けるか、経過を追えるか、再開できるか、範囲を絞れるか、人が割り込めるか、形を決められるか、載せ替えられるかの7点を実際に触って確かめる。作らせるときは、止める条件、記録、承認の地点、保守の担当の4つを先に決める。まずは手元で動いている1つの作業について、途中で止まったときに再開できるか、経過が後から読めるかの2点だけ確かめてみてください。ここが空いていれば、モデルを替える前にやることが残っています。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。