AIモデルそのものは、単独ではファイルを開いたり、コードを実行したり、Webから情報を取得したりできるわけではない。キーン氏はこうした状態を「瓶の中の脳」に例えている。モデル自体には推論能力があっても、外部環境へ働き掛ける仕組みがなければ、できることは限られるという趣旨だ。

　そこで必要になるのがエージェンティックハーネスだ。キーン氏はAIエージェントを、大きくAIモデルとエージェンティックハーネスの組み合わせだと説明する。エージェンティックハーネスには、モデルが利用するツールや記憶の仕組み、繰り返し処理を実行するためのループ、何を許可するかといったルールが含まれる。

　つまり、AIエージェントの能力を比較する場合、「頭脳」に相当するモデルだけを見るのでは不十分ということだ。

情シスが見るべき3つの仕組み

　キーン氏は、エージェンティックハーネスを構成する主な要素として「ツール」「メモリ」「エージェンティックループ」の3つを挙げている。

ツール

　AIモデルにツールを与えることで、ファイルの読み書きやコードの実行、Webからの情報取得が可能になる。

　さらに、端末上にあるソフトウェアをコマンドラインから操作したり、「MCP」（Model Context Protocol）を利用して企業データベースや外部サービスと接続したりすることもできる。

　情シスがAIエージェントを比較する際には、単に「生成AIが使えるか」ではなく、どのシステムやデータに接続し、どのような操作まで実行できるのかを見る必要がある。

メモリ

　AIモデルには、1回の処理で参照できる情報量に限界がある。そこでエージェンティックハーネスは、プロジェクトごとの指示を保持したり、会話が長くなった場合に過去の内容を要約したりする。大量のコードや文書を全て一度にAIモデルへ渡すのではなく、必要な情報だけを検索して取り込む仕組みも使われる。

　この仕組みの違いは、長時間の作業や大量の社内情報を扱う際の動作に影響する。

「回答するAI」と「仕事を進めるAI」の違い

エージェンティックループ

　チャット型AIツールでは、ユーザーが質問し、AIが回答すれば1回のやりとりは終わる。一方、AIエージェントでは、モデルが目標を達成するための次の行動を決め、エージェンティックハーネスが実際に処理を実行する。その結果をモデルが確認し、次の行動を決める。このサイクルを繰り返す。

　例えば、ソフトウェア開発では「コードを書く」で終わらず、コードを実行し、テスト結果を確認し、問題があれば修正するといった処理を繰り返せる。

　キーン氏によると、エージェンティックハーネスの中には、処理の途中でテストを実行したり、作成した画面のスクリーンショットを確認したり、別のAIモデルにレビューさせたりする仕組みを持つものもあるという。こうした検証を繰り返すことで、AIエージェントは比較的長いタスクを継続して実行できるようになる。

「GPTかClaudeか」だけでは製品を比較できない

　AI製品の比較では、基盤モデルの名称に目が行きやすい。しかしキーン氏は、上位AIモデル同士の性能差が縮まりつつある中、AI製品間で明確な使い勝手や能力の違いが生じる理由は、モデルそのものだけではなく、その周囲の仕組みにあると説明する。

　例えば同じモデルを採用していたとしても、一方は社内ファイルを検索できるが、もう一方はできないかもしれない。一方は外部サービスを操作できても、もう一方は回答を生成するだけかもしれない。

　長時間の作業を進めるためのメモリ管理や、処理結果を確認してやり直す仕組みが異なれば、最終的な成果にも差が出る。

　そのため、「この製品はどのAIモデルを採用しているのか」という質問だけでは、AIエージェントの実力を判断しにくい。

　AIモデル自体の性能向上は今後も続くだろう。しかし、AIエージェントを企業で利用する際の能力は、モデルだけでは決まらない。そこでキーン氏が指摘するように、「このAIはどのタスクが得意か」と問うだけではなく、「どのモデルを、どのエージェンティックハーネスと組み合わせて使うのか」まで考える必要がある。

本稿は、IBM Technologyが2026年8月25日に公開したAI Model vs Agentic Harness: What Actually Drives AIを基に作成しました。