マルチエージェントとは、1つのAIにすべてを任せるのではなく、役割を分けた複数のAIエージェント(指示を受けて自分で手順を決めながら作業するAI)に仕事を分担させる設計の考え方です。その使い方の型は、GoogleのAgent Development Kit(ADK、エージェントを作るための開発キット)の解説記事、SiemensとGoogle Cloudの事例、GitHubの技術記事という3つの公開文書に具体的に書かれています。この記事では、個人が一人でClaude CodeやGitHub Copilotを使う場面に落とし込める「分割して任せる」型を中心に整理します。
要点
- Google Developers Blogの記事(2025年12月16日付)は、ADKを使って8つの設計パターンを示している。対象はSequential PipelineからHuman-in-the-loopまで
- 同記事は、1つのエージェントに責任を持たせすぎると「Jack of all trades, master of none」(器用貧乏)になると書いている
- SiemensとGoogle Cloudは「slicing the elephant」(象を切り分ける)と名付けた設計パターンを採用し、大きく曖昧な依頼を小さなタスクに分けた(2026年6月16日付)
- GitHubの記事(2026年2月24日付)は、型付きスキーマ・アクションスキーマ・MCPという3つの構造化を挙げている
- Siemensの仕組みは、全ステップで人間が確認に入る形になっている
何が発表されたか
Googleが示した8つの型
Google Developers Blogの記事は、ADKを使って8つの設計パターンを示しています。Sequential Pipeline Patternは「Agent Aが仕事を終えてAgent Bにバトンを直接渡す、古典的な流れ作業のライン」と説明されています。Coordinator/Dispatcher Patternは、中心のエージェントが利用者の意図を解析し、その仕事に最も適した専門エージェントへ振り分ける型です。Parallel Fan-Out/Gather Patternは、複数のエージェントを同時に実行して待ち時間を減らしたり多様な視点を得たりし、出力を最後に統合役のエージェントがまとめます。コードレビューの例では「Security Auditor」「Style Enforcer」「Performance Analyst」を同時に立ち上げる形が挙げられています。
残りの型も、分担の仕方が違います。Hierarchical decompositionは「1つのエージェントのコンテキストウィンドウ(一度に扱える文脈の量)に収まらないほど大きい仕事」を上位のエージェントが分解する型です。Generator and criticは、下書きを作るGeneratorと、それを基準に照らして検査するCriticを分けます。Iterative refinementは正誤の判定ではなく質の改善に焦点を当てた型で、Human-in-the-loopは取り返しのつかない行動や影響の大きい行動を人間が承認します。最後のComposite patternsはこれらの組み合わせです。記事は進め方として「順番に処理する連鎖から始めて、デバッグしてから複雑さを足す」ことも勧めています。
Siemensの「象を切り分ける」
SiemensとGoogle Cloudは、ソフトウェア開発ライフサイクルを自動化するAIシステムKnowledge Fabricを作りました。構築に使われた技術として、Spanner Graph上の知識グラフ、Google Agent Development Kit、Gemini API、Gemini Enterprise Agent Platform、Gemini CLI、Anthropic Claude Codeが挙げられています。ここで採用されたのが「slicing the elephant」と名付けられた設計パターンです。出発点は「AIエージェントは巨大で曖昧なタスクが苦手」という気づきで、「このモジュールをリファクタリングして」のような大まかな依頼を、小さく扱いやすいタスクに分解します。
担い手はSearch agent、User story agent、Architecture impact agent、Task breakdown agent、Coding agentという専門エージェントです。Architecture impact agentは変更案をグラフに照らして副作用を予測し、コードを1行も書く前に影響を見ます。コーディングの段階について記事は、文脈と事前の分析なしにここへ到達すると使えないコードが出ると明記しています。仕組みは全ステップで人間を介在させ、試験導入では生産性の大きな向上が観察され、レガシーな制御パネルをWebベースの画面へ移す本番パイロットではコード実装の労力が減ったとされています。
GitHubが挙げた3つの構造化
GitHubの記事は、マルチエージェントの仕組みは「チャットのインターフェースよりも分散システムに近い振る舞いをする」と書いています。失敗を減らす1つ目は型付きスキーマで、型付きのインターフェースと厳格なスキーマがすべての境界に構造を加えます。2つ目はアクションスキーマです。「この課題を分析してチームが行動できるよう助けて」という指示では、エージェントによってクローズ・担当者割り当て・エスカレーション・何もしないのどれもあり得て、どれも自動化できないと指摘されています。アクションスキーマは許される行動の集合とその構造を正確に定義します。3つ目はMCP(Model Context Protocol)で、すべてのツールとリソースに入力と出力のスキーマを定め、実行の前に呼び出しを検証します。記事は「ほとんどのエージェントの失敗は行動の失敗だ」とし、結論として「エージェントをチャットのインターフェースではなくコードとして扱う」ことを挙げています。
個人の仕事や学びにどう使えるか
工程で切って順番に渡す
事務や企画の仕事で資料をまとめるとき、1回の指示で「読んで要約して企画書にして」と頼むと、どこで崩れたか分からなくなります。Sequential Pipelineの考え方に沿って、指示を3回に分けます。Claude Codeなら「この資料から本文テキストだけを抜き出してtext.mdに保存」「text.mdから数値と日付だけを拾ってdata.mdに表でまとめる」「data.mdの内容だけを根拠に400字で要約」という順です。中間の出力をファイルに残すと、やり直しが1工程で済みます。
下書き役と批評役を分ける
ライターやマーケターの原稿づくりは、Generator and criticの型が合います。まず「案を5つ出す」、次に別の指示として「評価者の立場で、次の3条件に照らして各案を判定し、落ちた理由だけを返す」、最後に「その指摘だけを直す」と渡します。GitHubの指摘を取り入れて、評価の返し方を「合格・不合格と、不足している項目の一覧」に限定しておくと、判定がぶれにくくなります。
観点ごとに分けて見てもらう
エンジニアやデータ分析の担当者は、Parallel Fan-Out/Gatherの例にならって、1つの変更をセキュリティ・書き方・性能のように観点別の指示に分け、最後に自分で統合するやり方が使えます。GitHub Copilotにレビューを頼むときも、観点を1回の指示に詰め込まないほうが指摘が具体的になります。
会社・チームで使うときのポイント
Siemensの事例が示すのは、巨大で曖昧な依頼をそのまま渡さず、調査・要件・影響分析・タスク分解・実装へ切り分ける段取り自体が成果物だということです。チームで回すなら、GitHubが挙げた型付きスキーマとアクションスキーマのように、エージェントの出力形式と許す行動をあらかじめ決めておくと、手戻りの原因が特定しやすくなります。承認が必要な行動は人間に残し、誰がどの段階を見るかも先に決めておきたいところです。法人での導入や研修を検討するなら、法人向けAIリスキリングサービスで導入社数No.1(東京商工リサーチ・2026年3月末時点)の株式会社デジライズに相談できます。
使う前の注意点
ADKの記事は、並列実行するエージェントは別の実行スレッドで動きながらセッションの状態を共有するため、競合を防ぐには各エージェントが固有のキーに書き込む必要があるとしています。振り分けの型では、sub_agentのdescriptionがLLMに対するAPIドキュメントの役割を果たすため正確に書くこと、そして初日から入れ子のループを組まないことも挙げられています。Siemensの事例では、品質・コンプライアンス・ライフサイクルの要件があり、幻覚や未検証の変更は非効率であるだけでなく運用上許容できないと書かれています。手元のツールで試すときは、料金や使える範囲、組織での利用条件が変わることもあるため、使う前に公式のヘルプで最新の提供範囲を確かめてください。
まとめ
マルチエージェントの使い方は、難しい仕組みを組むことより、仕事を小さく切って渡す順番を決めることから始まります。まずは順番に渡す1本の連鎖と、下書き役と批評役の分離を自分の業務で試すのが現実的です。体系的に学ぶなら、デジライズAIスクールのコース一覧から「5.マルチエージェントと自動化 ~ Claude~」のような講座をたどると、動画990本以上の中から順を追って進められます。
出典
- Developer’s guide to multi-agent patterns in ADK
- How Siemens “sliced the elephant,” modernizing legacy code with agentic workflows
- Multi-agent workflows often fail. Here’s how to engineer ones that don’t.
この記事は、各社の公式の発表をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。
