AIエージェント、何を任せて、何を残すか — 2026年5月の判断軸

AIエージェントを使って実務を任せる際、プロンプト精度より先に解決すべきは「仕事の進め方」であることを発見。AGENTS.md にタスク範囲、実行前計画、危険な操作の停止条件を記した「就業規則」として機能させることで、複数エージェントの並列運用と壊滅的失敗の防止を両立させた。2026年のAI開発は「プログラミング」からマネジメントへ軸足を移し、建設現場の現場監督ノウハウが直結する領域へ。

半年間 OpenClaw で個人用 AI Agent 環境を運用してきた著者が、Claude Managed Agents への移行を決めた背景を述べる。マルチエージェント設計の有効性、本番運用の課題、設計の不確実性など半年の運用で得た知見をふまえ、Anthropic 公式の harness へ移す決断に至った理由を振り返る連載の第一話。

Agentic Engineering の 8 段階フレームワークを用いて、組織の AI 活用度を可視化する実践ガイド。現実解は L7（サブエージェント + 責務分割 + AI 同士レビュー）であり、多くの企業が位置する L5（MCP/Skills 活用）では品質保証が人間頼みになる危険ゾーンであることを警告。L8（自律型エージェントチーム）はまだコスパ合致していない。

LiteLLM と LangGraph を組み合わせ、MCP サーバーで定義したツールをエージェントから利用する実装方法を解説。Python を用いた具体的な統合パターンを紹介し、エージェント・ツール・MCP サーバー間の連携を実現。