個人用AIエージェントの作成が組織のKPIになるまで
팀
팀제이커브
AIリーダーシップ
AI NEWS
AI Native Lab
購読
AIを書いてみると、質問が変わる瞬間がやってきます。 「AIで何をしますか？」ではなく、「AIでできないのは何ですか？」です。 AI活用の問題ではありません。仕事が再配置され、役割が再編成され、組織の運営方法が上書きされます。
そこでチームジェイカーブは6月までにAI Agent 1000個を作ることにしました。目標というより、今後の仕事に向けた最も強力なキーアクションをKPIに置いています。
出典：チームジェイカーブ（AIエージェントリスト、このシート整理もクロードコワークが進む）
AIが「一人で」働く時間が長くなり始めた
AIが良くなったという言葉は今とても一般的です。
重要なのは「どれくらいスマートになったのか」ではなく、どれくらい長く仕事を引きつけていくのか。短い質問に答える道具と、連続した作業を最後まで完走する存在は違います。 METRはこれをtime horizo nと見ます。
*METR（Model Evaluation & Threat Research、フロンティアAIモデルの能力・リスクを評価する非営利研究機関）
熟練した人が行う連続作業を基準に、AIが50%の確率で代替可能な作業長さがどこまで増えたかを測定します。
最近共有された推定値の中には、ソフトウェア操作で約14.5時間のレベルが挙げられます。
もちろん手がかりがつきます。データが積み重ねられなければならず、測定自体がますます難しくなっているという話まで一緒に出てきます。 M
しかし、結論は単純です。 AIは今、「助け」ではなく、仕事の塊を取り始めました。その瞬間から、組織は人を議論する前にまず尋ねられます。
これは本当に人がするべきですか？それとも、AIに任せることができる形で再び分割することができますか？
ソース：METR
個人の効用感がAX転換に
「2026年の私たちのチームの目標は、AIが最も働きやすいチームになること」。
こういうスローガンをかけて、いざ代表である私は3月になるように1月決算を終わらせていませんでした。
スタートアップ代表の仕事というのがそうでしょ。戦略を話しても突然領収書を取り、カード内訳合わせてみると一日がただ行きます。ある瞬間こんな気がしますね。
本当のAIネイティブになるには、私の痛みから外周を与えなければなりません。
それでClaudeを捕まえて月決算AI Agentを作り始めました。作ってみると私の中の「セキュリティ担当官」が飛び出してきました。銀行とカード使用履歴のダウンロードまで芽を自動化したかったのですが、パスワードをAgentに渡すことはできません。
OpenClawでPC制御まで付けることもできますが、セキュリティは生命ですからね。結局妥協しました。
ダウンロードは私がします。決済と分析はあなたがします。
完璧な自動化ではありませんでしたが、むしろこれはより現実的なAXだと感じました。無条件に全部任せるのではなく、私が安心できる境界線を引いてその中でAIを最大化する方式です。
だからプランモードで設計書を削りました。曖昧な地点でAgentが私に質問を投げて、私がコンファームだけにさせる仕組みです。手はAIが動いて、人間は決定だけの形に近かった。
画像ソース：チームジェイカーブ（AIエージェント設計書）
結果はすごかった。
•
信頼度95％以上：コンテキスト説明が抜けた項目でのみエラーが発生し、1月から3月までのケースが積み重なり、精度が上がりました。
•
12時間の仕事を10～15分に：ダウンロード時間含めて。
•
トークン費用はProプランで十分でした。 （取引量が月平均100件内外であったので、さらにそうなったかもしれません。）
そして最近、AI 1:1 PT進行中だった畜産業CEOの一人が私のケースを聞くと質問をしました。 「支出決意になるか」という質問が出ました。その場で5分もかかり、支出決のファイルがエクセルでまとめられました。
元のレシート画像をエクセルに入れ、重なったレシートは区分して、カード/現金まで分類しました。
画像：実際のクロードで作業した画像例（*支出決済の領収書はダミーデータです）
このような経験を数回経験すると、悩みが変わります。 「できるかな？」ではなく、「どこまで預けるかな？」と。
だから「一人で作ったAIエージェント」が組織KPIになった
個人実験はもともと「個人の効用感」で終わりやすいです。私の仕事が楽になり、私の時間が増え、そこで満足して止まります。
ところで今回は違いました。理由は単純です。 AIが持っていくのは「業務一つ」ではなく、仕事の塊だったんです。
決算のように繰り返されることはもちろんであり、支出決意のように証明を集めて分類し、整理する作業まで、思ったより早く空になります。これだけでなく、最近はコンテンツマーケターのブログ/映像制作まで脅かしています。
その瞬間からは個人の生産性ではなく組織の構造が質問を受け始めます。
この役割はずっと人を増やすことによって拡大するべきですか？それとも、AIが働くことができる形で組織を設計するのですか？
そこでチームジェイカーブは6月までにAI Agent 1000個を作ることにしました。ここで重要なのは数字自体ではありません。 「Agentをたくさん作ろう」という目標というより、 AIにならないことから探す組織になることにした宣言に近いです。
「個人実験→組織KPI」に拡張される流れ（個人効用感、業務塊移動、6月1000個目標）とチーム内のアイデアの広がりを示す図。クロード show me 機能で製作されました。
たとえば、見てみましょうか？何かが見えたら、まず尋ねる方法が変わるのです。そうです。
•
これは人がすべきですか？
•
AIに任せるには、どうやって仕事を分けるのですか？
•
どこまでは自動化し、どこからは人が決めるべきか？
さて、面白いのはスピードです。プロジェクトが始まってから2週間も経っていませんが、すでにアイデアがあふれています。
「私が面倒なこと」が一つずつ思い浮かび始めます。これまでちょうど参考にしていたことですが、今は我慢する理由がなくなりました。結局のところ、KPIは数字よりも習慣を強制します。
「AIを導入しよう」という言葉はあまりにも抽象的です。一方、「6月まで1000個」は毎日埋めます。
今日、私たちは何をAIに渡しますか？
チームジェイカーブAIエージェントグラウンドルール：一歩ずつ作る
AIエージェントを話すと突然遠くなるチームがあります。 「開発すべきじゃない？」 「自動化は難しい」という言葉が先に出てきます。それでチームジェイカーブは逆に行きました。
エージェントを途方もなく定義せずに、今すぐ取り外せる日からステップに切り分けました。
核心は一つです。一度に完璧にしないでください。代わりに毎日少しずつ渡す。
ステップ1: AI assistantから作る (GPTs/Gems)
最初に作るのは「自動化」ではなく、ドラフト生成能力です。コピー、整理、分析のように繰り返されること。あるいは私がよく分からない領域なのに他のチームメンバーに説明しなければならないこと。これらはGPTs/Gemsで個人秘書のように貼ればすぐに効果があります。
AI assistant導入1段階インフォグラフィック。 GPTsとGemsを活用して繰り返される業務（コピー、整理、分析）、説明が必要な業務、判断が必要な業務に個人秘書のように付ける仕組み。
ここで重要なのは性能ではなく、私の業務で「反復される文章」と「反復される判断」を発見する感覚が生じるという点です。
ステップ2：ワークフローを描く（w.ノーコード自動化ツール）
オートメーション方式は思い浮かぶが、頭の中が片付けられない場合があります。そんな時はN8nのようなノーコードでフローを描いてみます。
ワークフロー分解2段階インフォグラフィック。 n8n、Makeのようなノーコードツールで入力、中間判断、出力を分けるフローチャート。 Agent直接製作3段階インフォグラフィック。 Claude Codeで作ってテストし、直して転がる実行ループと、人の役割（境界線、判断点、決定だけを残す）の3つを配置。
この段階の目標は「完成」ではなく分解です。入力はなんと、中間判断はどこでし、出力はどんな形でなければならないのか。仕事を分けると、AIに渡せる区間が突然見えます。
特に「委任をしたことのないチームメンバー」にとって、この段階はかなり有効です。
ステップ3：直接エージェントを作成する（Claude Code）
ワークフローがクリーンアップされると、今は高速です。クラウドコードでエージェントを作成、テスト、修正、ロールバックします。そして最近は正直に言えば、 2段階を省略することも多いです。 AIがワークフローの分解をよりよくしてくれることもあるからです。
エージェント直接制作の3段階インフォグラフィック。 Claude Codeで作ってテストし、直して転がる実行ループと、人の役割（境界線、判断点、決定だけを残す）の3つを配置。
ただしそれほど重要なのは人の役割です。境界線を引いて（セキュリティ/責任）、判断点を設計し、決定だけ残す仕組みを作ること。これがAIネイティブの「コラボレーション感覚」です。
結局、このグラウンドルールは一文でまとめられます。
AI Agentは技術ではなく、仕事を「AIがいい形」に再設計する習慣だ。
仕上げ：チャン・ヒョンミンのAI Native仮説
1. AI時代の競争力は「知識」ではなく「実験量」から分かれる
AIは誰でも使えるようになりました。違いは「どんなモデルを使うのか」ではなく、 AIがどこまでなるのか、自分でやった人/組織なのかで起こります。結局のところ、競争力は情報ではなく経験から生まれ、その経験は実験量で蓄積されます。
2. 完全自動化より重要なのは「境界線設計」だ
現実の仕事には、セキュリティ、責任、決済などの壁があります。だから重要なのは「全部任せよう」ではなく、私が安心できる境界線を引いてその中でAIの能力を最大化することです。ダウンロードは人がして、決済と分析はAIがする式の妥協がむしろ持続可能なAXになります。
3. 個人の効用感はKPIになるとき組織の習慣になる
個人がエージェントを1つ作成した場合、それは個人の生産性で終わりやすいです。しかし、組織が「6月まで1000個」のように目標を取ると、それは数字ではなく毎日投げる質問の形に変わります。
これは本当に人がするべきですか？
AIに任せるには何から分けるべきですか？
どこまで自動化し、どこからは人が決めるのか？
AIに任せるには何から分けるべきですか？
どこまで自動化し、どこからは人が決めるのか？
この質問を毎日投げる組織になると、1000個は結果ではなく新しい方程式を探すようになります。チームジェイカーブは、その痕跡をできるだけ多く共有しようとします。
この時代最高の勉強は結局、自分でやってみることです。
「AI Native百科事典」を購読する
サイトを購読すると、新しい投稿などの最新のアップデートを通知やメールで最初に受け取ることができます。
Slashpageに参加して「AI Native百科事典」を購読してください！
Slashpageに参加して「AI Native百科事典」を購読してください！
購読
