AIエージェントの事例16選｜日本・海外・行政【2027年】

AIエージェントの事例を、自社の仕事にどう生かせるか知りたい方へ。日本の企業・組織6件、海外企業6件、行政4件の計16件を、任せた仕事や人が確認する場面と一緒に見ていきます。トラスコ中山の人事支援は、この16件とは別の関連例として紹介します。

2026年11月7日までに確認した発表をもとに、どの仕事を任せたかと、発表時点の導入段階を整理します。

発表された数字をそのまま自社の成果と考えず、対象の仕事や測り方を比べることが大切です。WEBMARKSの指示書と差し戻しも、仕事を渡す方法の一例として紹介します。

この記事の監修者

鈴木 晋介株式会社WEBMARKS 代表取締役

株式会社WEBMARKSの代表取締役。Webマーケティングスクールと法人研修を運営しています。

公的な認定・承認：神奈川県 経営革新計画 承認／経済産業大臣認定講座／厚生労働大臣指定講座／経済産業省 リスキリング補助事業者

代表プロフィール会社概要X @WEBMARKS2

AIエージェントの事例は何を見ればいい？

AIエージェントの事例では、製品名より任せた仕事を見ます。人の確認、測り方、費用まで読むと、比較する条件がそろいます。

AIエージェントとは？ひと言で

AIエージェントは、目標に向けて道具を使い、次の行動を選ぶ仕組みです。たとえば、調べた結果を見て追加で探し、表を直す働きです。

OECDの資料は、各機関による定義の共通点と違いを整理しています。この記事では、その要旨で確認できる範囲を使います。

出典：OECD AI Papersの概念整理。AIエージェントについて、各機関の定義を整理した資料です。

定義を詳しく知りたい場合は、AIエージェントとはへ進めます。ここでは、企業や行政がどの仕事に使うかを見ていきます。

生成AI・RPAとの違い

生成AIは、文章などを作る作文係にたとえられます。RPAは、決めた順番で操作する作業係です。AIエージェントでは、結果を見て次の仕事を選ぶ動きに注目します。

たとえば、契約書の文章を作るだけなら生成AIの使い方です。契約書を探し、関連条項を比べ、修正候補を作るなら範囲が広がります。Claude for Legalの例も、任せる工程ごとに読む必要があります。

ただし、生成AIを使う全事例がエージェントとは限りません。デジタル庁の「源内」も、まずは生成AIの利用環境です。導入された機能と今後の計画を分けて読みます。

4つの物差し

最初の物差しは、eSentireでいう「脅威分析」の範囲です。情報を集める所から、担当者へ渡す所までを分けます。自社の仕事も、入り口の資料と出口の成果物で書き出します。

次は、EvenUpの文書起草のように、人へ戻す地点です。起草後に誰が何を確認するかをメモします。事例にその説明がないなら、承認も自動と補ってはいけません。

Doctolibの40%という発表を読むときは、比較した工程を見ます。機能を届けるのが40%速くなったという値を、作業全体の時間が40%減った数字としません。自社の企画書へ転記する場合も、指標の名前を残します。

サイバーエージェントの月200ドルは、1人あたりの利用支援の上限です。AIに支払った費用と、人の作業が減った金額は違います。支出の項目と効果の項目を分けると、説明が混ざりません。

eSentireの時間短縮と、サイバーエージェントの支援額は別の指標です。前者は作業時間、後者は投資の規模を示します。数字が大きい順に並べても、導入先は決まりません。

NECの報道にある値は、35体の部署の人件費です。報道で「人件費」と呼ぶ数字として読み、企業がAIを使う体制と合わせて比較します。サイバーエージェントの支援額とは別の項目に置きます。

AIエージェントはどれだけ使われている？数字で見る広がり

Anthropicの調査では、多段階の仕事への導入が報告されています。一方、IPAの国内調査とは対象も問いも違います。

海外の調査

AnthropicとMaterialの調査を紹介する画面です。

赤枠で、調査の対象と質問に対する割合を確かめます。自社と同じ業務の結果かを分けて読みましょう。

同調査の対象は、米国の技術リーダー500名以上です。57%が多段階の仕事にエージェントを導入したと回答しました。16%は部門をまたぐ処理での活用を報告しています。

80%が測定可能な経済的リターンを報告したという数字もあります。これはAnthropicとMaterialの調査に答えた対象の値です。国内企業全体の成功率として使う数字ではありません。

Anthropicの紹介記事には、企業ごとの活用例もあります。調査の割合を読むだけでなく、任せた工程を見ます。

日本の調査

Anthropicの調査とIPAの調査は、母集団が異なります。母集団は、調査結果を適用したい人や会社の集まりです。回答者は、その調査に実際に答えた人や会社です。技術リーダーの回答と、国内企業の回答を同じ集計にしません。

たとえば、Anthropicの80%だけを企画書へ載せるとします。その際に対象の説明が落ちると、成功率のように読めます。調査の名前と対象も一緒に記録するのが読み取りの基本です。

IPAの調査は、国内で導入と効果を考える背景になります。海外の先進的な使い方を否定する資料ではありません。自社でどの工程から測るかを考える材料として並べます。

IPAの国内企業調査の要点を読む画面です。

赤枠で、調査対象と効果に関する説明を読みます。海外調査の割合と単純に引き算しないようにします。

IPAが公表した調査は、国内企業から1,799社の回答を得ています。調査時期は2026年4〜6月です。AIの導入は大企業を中心に広がっています。

ただし、期待どおり以上の効果を得た会社は限られます。主な用途が業務効率化という点も重要です。AIエージェント単体の普及率として読み替えないようにします。

出典：IPAの国内企業DX・AI活用動向。国内企業のAI活用について、導入と効果を分けて読む資料です。海外の技術リーダー調査とは対象が違います。

日本の企業・組織のAIエージェント事例6選

日本企業の例は、伊藤忠、H2O、グリー、JA共済連などがあります。NECは報道も参照します。トラスコ中山の人事支援は、比較のための関連例です。

伊藤忠・H2O・グリー

Google Cloudが紹介する日本企業の活用例を読む画面です。

赤枠で、各社の説明にあるエージェントの使い方を確かめます。自社で試す業務と同じ工程があるかを読みます。

Google Cloudの日本企業事例では、企業の使い方を一覧で読めます。伊藤忠、H2O、グリーは、エージェントに言及する例です。企業名が載っているだけで、全社の仕事が自動化されたとは言えません。

伊藤忠の例は、輸出入で使うHSコードの特定です。HSコードは、貿易で品物を分類する番号です。資料から商品の特徴を読み、分類を調べる仕事を支援します。

H2Oの例は、対話による小売データの分析です。自律実行AIエージェントを使い、問いから分析へ進みます。グリーの例は、複数のエージェントを束ねる総合窓口です。同社事例では、対人の問い合わせが前月比16%減と紹介されています。

2026年3月の紹介では、JA共済連は過去の事例を参照し、問い合わせへの回答を支援するAIエージェントを構築し、実務への導入を検討していました。担当者が情報を集めて回答を考える仕事を支援する仕組みです。 Google Cloudの紹介

Google Cloudの一覧には、生成AI全体の事例も含まれます。エージェントの説明がある項目を選ぶことが出発点です。トヨタなどの別の生成AI事例を、同じ仕組みと決めつけません。

NEC・トラスコ中山

日本経済新聞の公式アカウントが、2026年8月にNECを報じました。

発信元の投稿を読む（X）。

同投稿では、人事や法務と並ぶ本社部門として、AIだけの部署を作ったと報じられました。自社でも、個人向けの道具と部署の運営を分けて考えてください。

日経ビジネスの報道を紹介した記事では、NECの35体の部署の「人件費」は月約35万円と紹介されています。一般向けサービスの利用料と混同せずに読みます。

日本経済新聞の公式アカウントは、2026年8月にトラスコ中山も報じました。

発信元の投稿を読む（X）。

掲載記事は、人事異動の案づくりが約15日から約15分になったと伝えています。自社でも、案の作成と人による決定を分けて比較してください。

報道では、FDEが4か月で仕組みを作ったと紹介されています。FDEは、現場に入り込んで仕組みを作る技術者です。2026年4月の異動から使っていると報じられています。

NECは報道を通じて読む事例です。トラスコ中山の発表では、異動案の作成にAIと数理最適化を組み合わせています。15日から15分という数字を、AIエージェント単独の効果として扱わず、関連する人事支援の例として区別します。 トラスコ中山の発表

サイバーエージェント

サイバーエージェントの開発AIエージェント活用の発表によると、開発現場ではClaude CodeやCodexなどに実装やテストを依頼し、人が返ってきた成果物を確認して改善しています。開発を支える費用については、別の導入支援の発表で、年約4億円の投資と1人あたり月200ドルまでの支援を案内しています。

年約4億円と月200ドルは、開発AIへ投資する規模や利用支援の上限を示す数字です。実装・テストへの利用と、投資の規模を別々に読みます。

同社のイベント発表でも、企業による事例共有が案内されています。登壇企業の名前と、その企業の実績数値は別です。登壇した事実だけから成果を推定しません。

海外企業のAIエージェント事例6選

海外では、法務、安全対策、開発、分析などの事例があります。以下の数字は、Anthropicの記事などで紹介された各社の発表値です。

法務・安全・開発

Anthropicの英語資料で、会社ごとに対象の作業と指標を確かめます。

同じ事例でも、提供の速さ、所要時間、精度は測っている内容が違います。自社の年間削減額へ換算する前に、対象の工程をそろえてください。

Thomson ReutersのCoCounselは、法務の仕事を支援する例です。法務担当が扱う文書や調査を、仕事の単位として見ます。支援を受けることと、法的判断を全て任せることは違います。

eSentireによると、以前は5時間以上かかっていた事前調査を、Atlas AIは7分未満で行えます。脅威分析は、危険な動きの手がかりを調べる仕事です。

Doctolibは、Claude Codeを使う開発の例です。Anthropicの事例では、機能を届けるのが40%速くなったと紹介されています。リリースは、作った変更を利用者に届ける工程です。

分析・問い合わせ

L’Oréalは、対話を通じた分析の例として紹介されています。Anthropicの事例によると、分析アプリの精度は99.9%です。月44,000人は、その分析アプリに限らない社内AIプラットフォーム全体の利用者数です。

Zendeskの事例では、早期アクセスの最初の7週間で、カスタムエージェントが100万回実行されました。これは実行回数であり、解決件数や利用人数とは違います。自社では、実行回数と回答の評価を別の項目で記録します。

EvenUpでは、文書の起草時間を短縮したと紹介されています。起草は、文書の最初の案を作る仕事です。自社でも、起草の時間と承認の時間を別に測ります。

ZendeskとEvenUpは、Claudeの顧客事例で探せます。自社で導入を考える場合は、測定対象をメモします。実行回数、時間、精度を別の指標として記録しましょう。

行政・自治体のAIエージェント事例

行政では、申請の審査支援や住民向けサービスの試験があります。英国のPlanAssistと、日本の源内では段階も役割も違います。

英国PlanAssist

Google DeepMind公式は、2026年10月にPlanAssistを紹介しました。

発信元の投稿を読む（X）。

Google DeepMindの公式発表では、住宅の増改築申請の審査時間を最大58%短縮したと紹介しています。対象となった申請や担当者の仕事を、自社の審査業務と照らしてください。

PlanAssistは、Geminiを使う英国の取り組みです。新たに12の自治体へ提供するという発表もあります。58%は試験での発表値であり、全ての行政手続きの短縮率ではありません。

エストニア・ウクライナ

エストニアの情報システム庁RIAの案内では、Bürokrattが行政サービスの情報を探す住民を支援し、回答できない場合は職員へつなぐと説明しています。2026年11月7日の確認時点で、複数の公的機関が利用していると案内されています。

ウクライナのDiia.AIの公式案内は、行政手続きの案内や一部の申請をチャットから受け付ける機能を紹介し、公開ベータで提供していると説明しています。提供されている手続きや地域を、個別の公式案内で確かめます。

日本の源内

デジタル庁の源内に関する発表を読む画面です。

赤枠で、対象人数と実証期間を確かめます。生成AI環境の実証と、エージェント機能の提供時期を分けて読みます。

源内は、政府職員が使う生成AI環境の大規模実証です。対象は全府省庁の約18万人と発表されています。発表された実証期間は2026年5月から2027年3月までの予定です。

出典：デジタル庁のガバメントAI実証。源内の対象者と実証期間が示されています。生成AI環境全体の実証の対象と期間を示す資料です。

デジタル庁は2026年10月20日、職員がエージェントを作成・実行できる「エージェントチャット」を各府省庁へ順次導入すると発表しました。より高度な「源内工房」は12月頃までの導入を目指しています。約18万人は対象規模で、全員が利用済みという人数ではありません。 デジタル庁の発表

国会答弁の作成支援など、個別業務への取り組みもあります。源内全体を、完成した一つのエージェントと呼ばないようにします。生成AIを使う環境と、個別の仕事の仕組みを分けます。

出典：総務省の情報通信白書。政府におけるAI活用の背景を整理する資料です。源内の実証と、政府の利活用の方針を読む手がかりになります。

業務別に見るAIエージェントの事例の地図

事例は、会社の業種だけでなく、任せた工程で選べます。ここでは日本と海外の事例、行政の主な3例を、業務へ置き直します。

問い合わせ

グリーは、複数のAIエージェントを束ねる総合窓口の例です。同社事例では、対人の問い合わせが前月比16%減と紹介されています。Zendeskは、早期アクセスの最初の7週間で100万回のカスタムエージェント実行を公表しています。

JA共済連は、2026年3月のGoogle Cloudの紹介時点で、問い合わせへの回答を支援する仕組みを構築し、実務への導入を検討していました。グリーは人へ届く問い合わせ、Zendeskはエージェントの実行回数を測っています。窓口の試験では、回答案を作った件数と、人へ引き継いだ件数を分けて記録します。

分析・分類

伊藤忠のHSコード特定は、商品の情報から貿易の分類を調べる仕事です。H2Oは、対話による小売データの分析を紹介しています。L’Oréalも、対話型の分析の例です。

eSentireの脅威分析は、危険の手がかりを読む仕事です。同社は、以前は5時間以上かかっていた事前調査を7分未満で行えると説明しています。自社でも、探す情報と作る分析結果を先に一組で書きます。

分類と分析は似ていても、出口が異なります。伊藤忠なら分類番号、H2OやL’Oréalならデータへの問いの結果です。導入の依頼では、製品名より、受け取りたい結果を具体化します。

人事・組織運営

トラスコ中山の人事異動案は、約15日から約15分という報道です。これは数理最適化を含む人事支援の関連例で、AIエージェント単独の実績ではありません。案の作成と、人事の最終判断を分けて読みます。

NECのAIだけの部署は、個別の生成物より組織運営の例です。35体の部署の人件費が月約35万円と報じられています。担当の役割と運営の費用を一緒に考える際の参考になります。

法務・文書の起草

Thomson ReutersのCoCounselは、文書や法務の調査を支援します。EvenUpは、文書の起草時間を短縮した発表です。調査と起草のどちらを任せたいかで、選ぶ事例が変わります。

AnthropicのClaude公式は、2026年10月にClaude for Legalを紹介しました。

発信元の投稿を読む（X）。

Anthropicの公式記事は、契約レビューや引用確認などの既製のひな形を紹介しています。自社の契約書で、まず何を確かめたいかを書いてください。

開発

Doctolibの紹介で測っているのは、機能を届ける速さです。サイバーエージェントは、実装やテストをエージェントに依頼し、人が成果物を確認する工程を紹介しています。予算の支援額は、効果の指標と分けて読みます。

自社で開発へ入れる時は、コードの作成と利用者へ届ける工程を分けます。Doctolibの発表が測る工程を見て、自社の測定もそろえます。サイバーエージェントの支援額は、予算の項目として別に置きます。

行政の審査・住民サービス

PlanAssistは英国の増改築申請の審査支援です。Bürokrattは複数の公的機関で住民の問い合わせ案内に使われ、Diia.AIは公開ベータで行政手続きの案内などを提供しています。審査担当者を助ける仕組みと、住民が使う窓口を分けて比べます。

日本の源内は、生成AI環境の実証という関連する背景です。個別の審査支援と、利用する共通基盤は別の役割です。自社の導入でも、使う場所の整備と、任せる仕事の設計を区別します。

うまくいかなかったAIエージェントの事例と導入のポイント

AIエージェントでは、権限や仕事の渡し方が問題になる例もあります。OECD.AIの事故記録とWEBMARKSの失敗談から考えます。

承認なしで消した事故

OECD.AIは、2026年4月の削除事故に触れています。承認なしでデータベースとバックアップが消された記録です。復旧の手段まで影響する操作は、権限の分離が重要です。

出典：OECD.AIの行政とエージェントの論考。政府での取り組みと、権限や責任の課題を扱っています。削除の事故も、操作を任せる範囲を考える材料です。

自社で使う際も、操作の権限と復旧の手順を確認します。OECD.AIの記録を、全製品が同じ動きをする証拠にはしません。自社の権限と復旧経路を点検するきっかけにします。

自社の失敗

WEBMARKSには、AI社員を30人配置したら、27人は一度も呼ばれなかった話があります。30人のAI社員を配置し、27人は一度も呼ばれなかったという記録です。同記事によると、この状態は2026年7月8日に解消しています。

権限を決めるときは、実行する操作に加え、失敗した場合にどこまで影響するかを見ます。OECD.AIの記事。

データを削除する権限と、復旧に使うバックアップを操作する権限を、同じ担当に渡すかどうかを先に決めます。

ポイント4つ

小さく始めるなら、EvenUpの起草のように工程を区切ります。自社の文書一式を丸ごと任せるのでなく、終わりを決めます。対象の文書と期待する案を明確にします。

Claude Codeの作り手であるAnthropicのBoris Cherny氏は、2026年8月に改善案を紹介しました。

発信元の投稿を読む（X）。

掲載記事は、388件の案から、人の確認を経て180件を取り込んだと伝えています。自社でも、案の生成と実際の採用を別の記録にしてください。

データを整える際は、Thomson Reutersの法務支援なら文書が対象です。自社でどの資料が正しいかを決め、古い資料と区別します。資料を増やすだけでは、参照の優先順位は決まりません。

測り続ける場合は、IPAの調査のように導入と効果を分けます。使える状態になったことだけで、効果ありとしません。自社で測る時間や修正回数を、導入前からそろえます。

自社に当てはめる表

WEBMARKSの記事制作なら、渡す材料と受け取る本文を決めます。記事の保存だけでなく、指定した点検結果も確認します。担当の説明とファイルの中身が一致するかが、受入の観点です。

問い合わせ業務なら、Zendeskの実行回数だけを目標にしません。返信案が役立ったか、人がどこを直したかも記録できます。件数を処理できても、誤った返信が増えれば改善とは言えません。

法務業務なら、EvenUpの起草を参考に工程を区切れます。ただし、契約の採用や締結まで同じ担当へ渡す必要はありません。文章を作る権限と、外部へ確定する権限を分けて設計します。

費用の検討では、NECのAI部署の運営と自社の体制を比べます。自社に必要な資料の整理や、確認する人の作業もあります。運営に必要な工程を、予算の検討時点で書き出します。

事例の読み取りメモ
会社名：
任せた仕事：
人の確認：
測り方：
数字の種類：実績・見込み・試験
自社なら：

WEBMARKSのAIエージェント事例：社長→統括AI→担当AI＋監査役

WEBMARKSでは、指示書と差し戻しでAIの仕事を管理しています。担当の返事だけでなく、成果物と完了の条件を照合する形です。

組織の形

WEBMARKSの公開した役割の設計では、窓口から担当へ、材料と返す物を渡します。2026年11月の記事見直しでは、本文の修正、点検、進行管理を分けて進めました。

流れは、社長から統括AI、部署、担当AIへ続きます。監査役は、担当の出した物を完了の条件と照らします。記事なら、文章の保存と公開は別の工程です。

WEBMARKSの発信には、丸1日、記事生成を続けさせた話もあります。複数のAIエージェントに記事生成を続けさせた記録です。本文の指示書と並べて、運用の紹介として読めます。

STEP1：担当AIへ指示書を渡す

指示書で、扱う資料と返す成果物を決めます。

この例なら、原稿に使った出典を一緒に渡し、点検役が記述と根拠を照らせる状態にします。

たとえば記事なら、本文だけでなく点検結果も受け取ります。担当が「書きました」と返しても、それだけで採用しません。指定した材料や形式に沿うかを実物で確認します。

STEP2：点検役が差し戻す

点検役が差し戻す場合は、担当が直せる単位で伝えます。

たとえば、本稿の事例では時間の短縮と提供の速さを分け、英語の一次資料で使われている指標を本文と表にそろえました。

WEBMARKSの例では、担当AIと監査役を分けています。監査役は、問題の場所・内容・直し方を示して差し戻します。

指示書の型

WEBMARKSの指示書では、目的と受け持ちを別に書きます。目的は記事を通じて何を伝えるかです。受け持ちは、本文作成など担当が実際に行う作業です。

完了の条件は、WEBMARKSでは実物と照合するために使います。「良い記事にする」だけでは、確認する対象が決まりません。材料の反映、保存形式、点検結果などを指定します。

差し戻す条件は、担当を責める言葉ではなく修正の指示です。WEBMARKSの例なら、どの箇所に何が足りないかを伝えます。作業の続きを同じ目的へ戻すために、対象を明確にします。

人が決める所も、WEBMARKSの公開工程と対応させます。本文が完成しても、そのまま社外へ出るわけではありません。内部で採用する判断と、外部へ公開する判断を分けます。

担当AIへの指示書
社長の言葉：
目的：
受け持ち：
手順：
完了の条件：
差し戻す条件：
人が決める所：

作る手順へ進む場合は、AIエージェントの作り方を参照できます。WEBMARKSの指示書も、製品名より仕事の区切りを先に書きます。社外へ出る操作は、本文作成とは別に扱います。

AIエージェントの事例のよくある質問

AIエージェントの事例は、対象業務と測定条件から読みます。社名だけで導入先を選ばず、自社との差を整理します。

Q. 日本企業のAIエージェントの事例には何がある？

Google Cloudの一覧では、伊藤忠、H2O、グリーなどがあります。JA共済連の問い合わせ支援も紹介されています。NECは報道も参照し、トラスコ中山の人事支援は関連例として区別します。

Q. 事例の数字はそのまま自社に当てはめていい？

そのままの当てはめはできません。eSentireの脅威分析と、自社の文書作成では工程が違います。IPAの調査では、期待どおり以上の効果を得た会社は限られます。

Q. 生成AIの事例とAIエージェントの事例の違いは？

生成物だけでなく、次の行動を選ぶ範囲を見ます。Google Cloudの一覧には、生成AI全体の活用も含まれます。源内も、生成AI環境の実証とエージェント施策を区別します。

Q. AIエージェントを入れた会社の費用の例は？

NECの35体の部署では、「人件費」が月約35万円と報じられています。報道で「人件費」と呼ばれた数字であり、一般向けサービスの料金ではありません。費用を比較する際は、利用料と人が確認する時間を分けて考えます。

Q. AIエージェントで失敗した事例はある？

OECD.AIには、承認なしの削除事故の記録があります。WEBMARKSのnoteには、配置したAIが呼ばれなかった話もあります。事故の防止と、仕事が流れる入口の整備は別の確認です。

AIエージェントの事例のまとめ

AIエージェントの事例は、効果の大きさだけでなく条件を読みます。自社で試す業務を一つ選び、測り方と人の確認を決めましょう。

最初に、Google CloudやAnthropicの例から近い業務を選びます。eSentireなら分析、EvenUpなら起草と、工程の名前を書きます。会社の規模だけで似ていると判断しないようにします。

次に、WEBMARKSの指示書の型へ受け持ちを書きます。どの資料を渡し、何ができたら終わりかを決めます。外へ送る操作など、人が決める所も分けます。

最後に、IPAの調査の読み方を手がかりに効果を測ります。導入した記録と、時間や手戻りが変わった記録を分けます。事例の数字を借りず、自社の実物と測定で次の判断につなげます。