AIエージェントは、条件が揃えば自分たちの手で作れます。ただし、ここで紹介する手順が効くのは次の3つが当てはまる場合です。(1) 任せたい業務を1つに絞れている、(2) AIに渡せる社内の資料・データがある、(3)「動くものを試してから決める」進め方でよい。逆に、複数業務をまとめて自動化したい、あるいは請求・契約のように間違いが許されない処理を最初から任せたい、という段階であればこの手順だけでは足りません。まず自分たちの手で1体を動かし、どこまでが自作で届く範囲かを見極めるための記事です。
手順の全体像（5段） 任せる業務を1つ決める → ノーコード／ローコード／フルコードのルートを選ぶ → 最小構成で動かす → 社内データ・業務ツールにつなぐ → 小さく試して合否を判定する。 最初の1体が「とりあえず動く」までは、業務の複雑さ次第で早ければ数日、長くても数週間。難所は作ること自体ではなく、本番の雑多な入力に耐えさせる最後の作り込みです。
執筆: PolarisX 編集部（AI活用の実務者チーム）— AI社員「Polaris AI」の開発と、自社のAI社員組織（3部門・約20のAIエージェント）の運用に携わるメンバーが執筆しています。
この手順が向いている人・向いていない人
自作が向いているのは、「特定の業務を、社内の文脈を踏まえて、繰り返し処理してほしい」という目的がはっきりしている人です。市販のAIサービスは汎用的に作られているぶん、自社の呼び方・自社の判断基準・自社の資料には合いません。そこを埋めるのが自作の価値です。一方で、AIに何を任せたいかがまだ言葉にできない、渡せる社内資料がほとんどない、作った後に手入れする人を置けない。このいずれかに当てはまるなら、自作より先にやることがあります。作ること自体は今や難しくありませんが、作った後に直し続ける手間は消えません。自作は「安く手に入る」のではなく「自社に合わせられる代わりに、保守を自分たちで引き受ける」選択だと理解しておくと、後で判断を誤りません。
まずは1つの業務で小さく試したい人向け（自作のメリット・デメリット）
自作の利点は3つに整理できます。第一に、自社の業務手順や用語に合わせて中身を書き換えられること。第二に、既製サービスの月額を積み上げずに、小さく始めて効果を確かめられること。第三に、作る過程で「どの業務がAIに向くか」という知見が社内に残ることです。
一方でデメリットも3つあります。品質の責任が自社にあること（誤った出力を止めるのも自社）、動かし続ける保守が自社負担になること、そして評価の仕組みを作らないと精度が上がらないことです。特に3つ目は見落とされがちで、作りっぱなしのAIエージェントは静かに劣化します。参照している社内資料が古びれば、出力も同じだけ古くなるからです。
小さく始めるなら、最初の1体は「間違えても取り返しがつく業務」に当てるのが鉄則です。社内向けの問い合わせ一次対応、議事録の要約、提案書のたたき台づくりなどが該当します。逆に、社外に出す文書や金額が絡む処理を最初の題材にすると、確認の負荷が高すぎて検証が進みません。
▶ 関連記事: AI社員とは？意味・違い・費用と中小企業の導入判断を解説
ノーコード・ローコード・フルコードの3ルート概観
作り方のルートは大きく3つです。ノーコードは画面操作だけで組み立てる方式で、Dify、OpenAI の GPTs、Coze、Microsoft の Copilot Studio などが代表例です。ローコードは業務ツール間の自動化に AI を差し込む方式で、n8n や Zapier のような自動化ツールと AI の組み合わせが該当します。フルコードは Python などで実装する方式で、LangChain や LangGraph、CrewAI、AutoGen といったフレームワークが使われます。
| ルート | 代表的な道具 | 着手のしやすさ | 向く用途 | 弱いところ |
|---|---|---|---|---|
| ノーコード | Dify／GPTs／Coze／Copilot Studio | アカウント登録だけで着手できる | 社内問い合わせの一次対応、要約、下書き生成 | 細かい制御・独自処理は頭打ちになる |
| ローコード | n8n／Zapier＋AI機能／ノーコードツールのAPI連携 | 一部の設定・簡単なスクリプトが必要 | 既存の業務ツール間の処理にAIを差し込む | 連携が増えるほど壊れやすく、原因の切り分けが難しい |
| フルコード | Python＋LangChain／LangGraph／CrewAI／AutoGen | 開発環境・APIキー・実装できる人が必要 | 独自ロジック、大量処理、既存システムへの組み込み | 保守・評価の体制がないと動かし続けられない |
選び方の考え方はシンプルで、「作れるか」ではなく「直し続けられるか」で選ぶことです。フルコードで作れば自由度は上がりますが、書いた本人が異動・退職した瞬間に誰も触れなくなります。社内に実装できる人が1人しかいないなら、その1人が忙しくなった時点で止まる前提で選択してください。実務では、まずノーコードで動くものを1つ作って効果を確かめ、必要になった部分だけコードに置き換えていく段階的な進め方が支持されています。私たちも、この「小さく作って、必要になったところだけ作り込む」順序を推奨します。
複数業務の自動化や複数エージェントの連携を考えているなら別の入口へ
最初から「営業も経理も問い合わせも」と広げると、ほぼ確実に途中で止まります。理由は技術ではなく、参照させる社内情報の整備が業務ごとに必要になるからです。複数のAIエージェントを役割分担させて連携させたい場合は、単体を作る手順とは別に、司令塔をどう置くか・情報をどう共有するかという設計が要ります（複数AIエージェントの連携）。また「作らずに、完成されたサービスから選びたい」のであれば、選定軸を整理するほうが早く着地します（AIエージェントの比較・選び方）。この記事は、単体のAIエージェントを1つ作り切るところまでを扱います。
自作前の準備 — 目的・データ・ツールの棚卸し
準備は「目的」「データ」「道具」の3点だけです。目的は、任せる業務を1つに絞って、入力（何を受け取るか）と出力（何を返すか）を1文で書けるところまで具体化します。データは、AIに参照させる社内資料の置き場所・更新責任者・公開範囲を洗い出します。道具は、選んだルートに応じたアカウントやAPIキー、コードで作るなら実行環境です。この3点が揃わないまま作り始めると、Step2以降で必ず戻ることになります。特に見落とされやすいのがデータの棚卸しで、AIエージェントの精度は、渡せる社内情報の質でほぼ決まります。逆に言えば、資料が整理されていない状態で高性能なモデルを選んでも、返ってくる答えは曖昧なままです。準備に半日かけるほうが、作り直しより早く終わります。
最初の業務を1つに絞る（スコープの決め方）
最初の業務は、次の3条件で選びます。(1) 繰り返し発生する（月に何度も起きる）、(2) 手順が言葉にできる（人に引き継げる説明がある）、(3) 間違えても取り返しがつく（社内向け・下書き段階）。この3つが揃う業務は、AIエージェントの効果が最も出やすく、検証も速く回ります。
絞り込めたら、次の1文を書いてください。「〈誰〉が〈何〉を渡すと、〈何を参照して〉〈どの形式で〉返す」。例えば「営業担当が顧客名と要件を渡すと、過去の提案資料と製品資料を参照して、提案書のたたき台を見出し付きで返す」といった具合です。この1文が書けないうちは、まだ業務が絞れていないサインです。曖昧な目的のまま作り始めたエージェントは、出力が毎回ぶれて、結局「自分でやったほうが早い」と言われて使われなくなります。
AIに渡す社内データ・ツールの棚卸し
次に、その業務で参照する情報がどこにあるかを洗い出します。Slack、Notion、Google Drive、共有サーバー、基幹システム、そして「担当者の頭の中」です。実際にはこの最後が一番多いというのが現場の感覚です。棚卸しでは、資料ごとに置き場所・最終更新日・更新する人・見せてよい範囲の4項目を書き出します。
ここで判断すべきは、「今あるものだけで足りるか」です。足りない場合の選択肢は2つ。範囲を狭めて足りる業務に切り替えるか、先に資料を整備するかです。よくある失敗は、資料が足りないまま作り始めて、AIが推測で答えるのを「性能が悪い」と誤診してしまうことです。社内情報の整備そのものを設計したい場合は、ナレッジ基盤の選び方から入るほうが遠回りに見えて確実です（社内ナレッジ管理ツールの選び方）。
ルート別に必要なもの（アカウント・APIキー・実行環境）
ノーコードで作るなら、必要なのはツールのアカウントと、モデルを使うためのAPIキー（ツール側のクレジットに含まれる場合もあります）だけです。無料枠は各社が用意していますが、利用できるアプリ数やメッセージ数に上限があり、条件は変わります。金額や上限は必ず各社の公式ページで最新の内容を確認してください（例: Difyの料金ページ）。
フルコードなら、Python の実行環境、モデル提供元のAPIキー、コードの保管場所（リポジトリ）が要ります。ローコードなら自動化ツールのアカウントと、つなぐ先の業務ツールの接続権限です。
ルートを問わず、着手前に必ずやっておくことが1つあります。APIの利用上限（課金アラート・上限額）を先に設定しておくことです。作り始めてから設定しようとすると、たいてい忘れます。試行錯誤の段階では処理を何度も回すため、上限を決めていないと想定外の請求につながります。
▶ 関連記事: ChatGPTでAIエージェントを作る方法と使い方
AIエージェントの作り方 — 4つのステップ
作る作業そのものは4段階です。Step1で役割と指示（プロンプト）を設計し、Step2でツールを選んで最小構成を組み、Step3で社内データや業務ツールにつなぎ、Step4で小さく動かして試す。ノーコードでもフルコードでも、この順序は変わりません。順序を守る理由は、後の工程ほど手戻りのコストが高いからです。接続を先に作り込んでから役割を変えると、権限設定からやり直しになります。各ステップには決まったつまずき所があり、多くの挫折はStep3とStep4で起きます。作れないから止まるのではなく、「動いたのに使われない」「本番データで精度が落ちる」という形でつまずきます。以下、各ステップで何をするかと、その手前で何を疑うべきかをセットで説明します。
Step1 役割と指示（プロンプト）を設計する
最初にやるのは、AIエージェントの「職務記述書」を書くことです。最低限、次の5要素を書き出します。
- 役割: 何の担当か（例: 社内問い合わせの一次対応担当）
- 入力: 何を受け取るか（質問文、顧客名、議事録のテキストなど）
- 参照先: どの情報を根拠にするか（指定した社内資料のみ、など）
- 出力形式: どんな形で返すか（見出し付き／箇条書き／指定の項目を必ず含む）
- やってはいけないこと: 推測で答えない、金額や契約条件は回答しない、判断に迷ったら人にエスカレーションする
つまずき所: 指示が曖昧だとエージェントは迷走します。 「丁寧に対応して」「うまくまとめて」といった指示は、人には通じてもAIには通じません。特に効くのは5番目の「やってはいけないこと」で、ここが空欄のまま本番に出すと、AIは分からないことを分からないと言わずに、それらしい答えを作ります。私たちがプロンプトを見直すときも、まず禁止事項とエスカレーション条件が書かれているかを確認します。
Step2 ツールを選んで最小構成をつくる
Step1で書いた職務記述書を、選んだツールに入れて動かします。ノーコードツールなら、アプリを新規作成し、指示文を貼り、モデルを選ぶだけで最初の応答が返ります。ここでのゴールは「入力1つ・参照先1つ・出力1つ」の最小構成が最後まで通ることです。
つまずき所: 最初から複雑な連携を組もうとすると、どこが悪いか分からなくなります。 検索も承認フローも通知も一度に組み込むと、期待した答えが返らないときに原因の切り分けができません。まずは参照先なし（AIの知識だけ）で応答の形を確認し、次に参照先を1つだけ足す。この順で進めると、問題が起きた箇所が必ず「直前に足したもの」に限定されます。動くものが1本通ってから、機能を1つずつ足していくのが結果的に最短です。
Step3 社内データ・外部ツールに接続する
ここで初めて、社内の資料やツールにつなぎます。ノーコードツールなら資料をアップロードするか、Google Drive などと連携させます。接続の設計で決めるのは3点、どの範囲を読ませるか・書き込みまで許すか・誰の権限で動かすかです。
つまずき所: 権限設計を後回しにすると、後で全部やり直しになります。 よくあるのは、手元にある資料をまとめてアップロードしてしまい、後から「この資料は一部の人しか見られない前提だった」と気づくケースです。AIエージェントは、権限のことを何も知らないまま、参照できる情報を等しく回答に使います。原則は人と同じで、まずは読み取り専用・最小範囲から始めること。書き込みや送信を伴う操作（メール送信、外部システムの更新）は、最初は人の承認を挟む形にします。国が示す「AI事業者ガイドライン」も、利用する事業者側にセキュリティ対策や人間中心の考え方といった留意事項を示しており、AIに任せきりにしない運用が前提とされています（AI事業者ガイドライン）。入力・出力・実行の3か所にガードレールを置く、と覚えておくと設計が漏れません。
Step4 小さく動かして試す
最後に、実際の業務データで動かします。ここが自作の成否を分ける工程です。
つまずき所: 整ったサンプルデータだけで満足してしまうこと。 試作段階では、きれいに整形した例文を渡すため、たいてい良い答えが返ります。ところが本番では、誤字のある問い合わせ、前提が省略された依頼、複数の質問が1文に混ざったメッセージが飛んできます。試作では動いたのに本番で精度が落ちる、という食い違いは、AI導入の失敗要因として広く指摘されている論点です。
回避策は単純で、きれいな例文ではなく、直近の実際のやり取りをそのまま投げることです。私たちが自社のAIエージェントを検証するときも、想定質問ではなく実際に届いた依頼文を、加工せずにまとめて流します。加えて、その業務を普段やっている担当者本人に触ってもらいます。作った人が試すと無意識に「AIが答えやすい聞き方」をしてしまい、本番の入力とはずれた検証になるためです。
できたかどうかの判定法 — 本番に乗せる前に確認すること
「完成」の基準は、正答率の高さではなく次の3点です。(1) 再現性（同じ入力に対して毎回ほぼ同じ品質で返るか）、(2) 根拠（どの資料を見て答えたか示せるか）、(3) 失敗の仕方（分からないときに、それらしい答えを作らずに止まれるか）。この3つが揃っていれば、多少精度が低くても運用でカバーできます。逆に、たまたま良い答えが返るだけのエージェントは、業務に乗せた瞬間に信頼を失います。判定は、実際の担当者が実データで20〜30分触るだけでも十分に傾向が見えます。「自分でやったほうが早い」と言われたら、それが不合格のサインです。理由はたいてい、精度そのものではなく、確認にかかる手間が業務時間を上回っていることにあります。
精度・ハルシネーションのセルフチェック
確認するのは3つです。第一に、同じ質問を数回投げて答えがぶれないか。ぶれる場合は指示文の情報が足りていません。第二に、根拠を答えられるか。「どの資料を見て答えましたか」と聞いて出典を返せないなら、その回答は推測を含んでいる可能性があります。第三に、答えられない質問に「分かりません」と言えるか。社内資料に載っていないことをわざと聞いて、素直に不明と返し、必要なら人に回すよう促せるかを見ます。
ハルシネーション（事実に基づかない出力）は仕組み上ゼロにはできません。だからこそ、AIに完璧を求めるのではなく、間違いが混ざる前提で確認の当番を決めるほうが現実的です。社外に出す文書と、金額・契約・法務が絡む出力は、人の確認を必ず挟む線引きにしておきます。
コスト・無限ループのチェック
自作したエージェントを動かし始めてから顕在化しやすいのが、コストと暴走です。自律的に動くAIエージェントは、自分で次の手順を決めて処理を続けるため、条件次第では同じ処理を延々と繰り返します。本番運用の段階で「無限ループ」「コスト爆発」「デバッグ不能」といった壁に直面する、という指摘は複数の解説で共通しています。
対策は先に仕込んでおきます。(1) 1回の依頼で実行するステップ数の上限を決める、(2) 応答が返らないときのタイムアウトを設定する、(3) APIの課金アラートと上限額を設定する、(4) 実行ログを残して後から追えるようにする。特に4番目は軽視されがちですが、ログがないと「なぜその答えになったか」を誰も説明できなくなり、改善が止まります。作りながらでは面倒に感じても、本番に乗せる前の最後の作業として必ず入れてください。
自作の先にある壁 — 内製を続けるか、外注・相談に切り替えるか
自作で最初の1体を動かすところまでは、多くのチームがたどり着けます。壁になるのはその先、「試して良かったので、業務に本当に乗せる」段階です。ここから先に必要なのは、AIの賢さではなく、例外処理・ナレッジの更新・権限と責任分界・保守の担当という運用の作り込みで、いずれも地味で継続的な仕事です。動くものを作る難しさと、任せて安心できる状態を保つ難しさは別物です。この違いを早く認識できたチームほど、内製で伸ばす範囲と、外部の力を借りる範囲をうまく線引きできます。以下では、私たちが自社のAI社員組織を運用する中で繰り返しぶつかってきた壁と、切り替えの判断材料を共有します。
自作でよくぶつかる壁（現場で繰り返し見るパターン）
私たちPolarisXは、マーケティング・財務・営業の3部門・約20のAIエージェントからなるAI社員組織を、自社で設計・実装・運用しています。その当事者として言えるのは、ノーコードでも「動くもの」はすぐ作れる。難しいのは、作ったものを業務に任せられる状態で維持することだ、という点です。現場で繰り返し起きるのは次の4つです。
- 例外処理のいたちごっこ: 想定外の入力が来るたびに指示文へ条件を書き足す。すると指示文が長くなり、今度は別のケースで挙動が変わる。
- ナレッジの鮮度切れ: 参照している資料が更新されず、正しい手順を答えられなくなる。AI側は何も壊れていないので、原因が見つけにくい。
- 権限と責任分界の曖昧さ: 誰の権限で動いているのか、出力を誰が承認するのかが決まっておらず、事故が起きるまで気づかない。
- 作った人しか直せない: 設定もプロンプトも1人の頭の中にあり、その人が忙しくなった瞬間に更新が止まる。
どうなったら自作の限界か（反証可能なサイン）。次のいずれかが起きたら、作り方ではなく体制の問題だと判断してください。(1) 例外を1つ潰すたびに新しい例外が生まれ、指示文が膨らみ続けている。(2) 出力の確認に人が使う時間が、その業務を自分でやる時間を上回っている。(3) 作った本人以外に、直せる人が社内に1人もいない。 どれも精度の話ではなく、続けられるかどうかの話です。
「まだ自作で伸ばせるか／専門家に相談すべきか」の見極め
判断材料は3つです。範囲（1業務で足りるか、部門をまたぐか）、責任（間違えたときの影響が社内で収まるか、社外・金銭に及ぶか）、担い手（保守する人を業務として置けるか）。1業務・社内向け・担当を置ける、の3つが揃うなら内製で伸ばせます。1つでも欠けるなら、その部分だけ外部の力を借りるのが現実的です。
具体的には、部門をまたいで複数のエージェントを連携させたくなった時点で、司令塔をどこに置くかという設計の問題に変わります（複数AIエージェントの連携）。開発そのものを任せたいなら発注先の選定基準が必要になり（AI開発会社の選び方）、「どの業務から手をつけるべきか」の整理から相談したいなら導入支援という選択肢もあります（AIコンサルティングの選び方）。
自作してみて「動いたが、任せ切れない」と感じたなら、その感覚が次の一手の材料です。 PolarisXは、AI社員「Polaris AI」の開発と自社AI社員組織の運用を手がける当事者として、内製で伸ばす範囲と任せる範囲の線引きからご一緒します。まずは無料相談として contact@polarisx.ltd へお気軽にご連絡ください。
▶ 関連記事: 複数AIエージェントの連携とは？仕組みと設計の考え方
着手チェックリスト
そのまま上から順に潰していける形にしました。作業を始める前に、この3ブロックを手元に置いてください。
着手前（30分〜半日）
- 任せる業務を1つに決め、「〈誰〉が〈何〉を渡すと、〈何を参照して〉〈どの形式で〉返す」を1文で書いた
- その業務が「繰り返し起きる／手順を言葉にできる／間違えても取り返しがつく」の3条件を満たしている
- 参照させる資料の置き場所・最終更新日・更新する人・見せてよい範囲を書き出した
- ノーコード／ローコード／フルコードのどれで作るかを、「直し続けられるか」を基準に決めた
- APIの課金アラートと上限額を設定した
作りながら（数日〜数週間）
- 役割・入力・参照先・出力形式・やってはいけないことの5要素を指示文に書いた
- 判断に迷ったときのエスカレーション先（人）を指示文に明記した
- 参照先なしの最小構成で1本通してから、機能を1つずつ足した
- 接続は読み取り専用・最小範囲から始め、書き込みや送信には人の承認を挟んだ
- 実行ステップ数の上限とタイムアウトを設定した
判定（本番に乗せる前）
- きれいな例文ではなく、直近の実際の依頼文をそのまま流して試した
- その業務の担当者本人に触ってもらった
- 同じ入力で答えがぶれないこと、根拠を示せること、分からないと言えることを確認した
- 出力を誰がどこまで確認するか、線引きを決めた
- 実行ログが残り、後から挙動を追えるようにした
よくある質問
Q. AIエージェントは無料で自作できますか？費用はどれくらいかかりますか？ 無料の範囲で試すこと自体は可能です。主要なノーコードツールは無料枠を用意しており、まず1体を動かして感触をつかむ用途には足ります。ただし利用できるアプリ数・メッセージ数などに上限があり、条件も改定されるため、金額や上限は各社の公式料金ページで最新の内容を確認してください。継続利用ではモデル利用分の従量課金が別途かかるのが一般的です。無料でどこまでできるかの横断比較は無料で使えるAIエージェントで扱っています。
Q. AIエージェントの自作におすすめのツールは何ですか（Dify／GPTsなど）？ 用途と体制で決まります。画面操作だけで始めたいなら Dify、GPTs、Coze、Copilot Studio などのノーコードツール、既存の業務ツール間の処理に差し込みたいなら n8n や Zapier のような自動化ツール、独自ロジックや大量処理が必要なら Python と LangChain・LangGraph・CrewAI・AutoGen といったフレームワークが選択肢になります。選ぶ基準は機能の多さではなく、社内で直し続けられるかです。ChatGPT の範囲で完結させたい場合はChatGPTでAIエージェントを作る方法を参照してください。
Q. 自作したAIエージェントがうまく動かない・失敗する原因は何ですか？ 原因はおおむね4系統に分かれます。指示が曖昧で禁止事項が書かれていない（Step1の不足）、参照させる社内資料が足りないか古い（準備の不足）、権限や接続の設定が業務の前提と合っていない（Step3の不足）、そして整ったサンプルデータでしか検証していない（Step4の不足）です。試作では動いたのに本番で精度が落ちるという食い違いは広く指摘されており、実際の依頼文で担当者本人が検証することが最短の対策になります。
Q. AIエージェントの自作にはどれくらいの期間がかかりますか？ 業務の複雑さと参照する社内資料の整備状況で変わります。ノーコードで単純な業務なら、動くものは早ければ数日、要件整理からプロトタイプ、社内での試用、本番リリースまでを段階的に進めると数週間規模、という報告が見られます。ただしこれは「動くまで」の目安で、例外処理や権限設計、ナレッジの更新体制まで含めた本番運用の作り込みには、別途の時間と担当者が必要だと見込んでください。
自作の次の一手を一緒に考えます — PolarisXは、AI社員「Polaris AI」の開発と自社AI社員組織（3部門・約20のAIエージェント）の運用を手がける当事者として、「どこまで内製で伸ばせるか」「どこから任せるべきか」の見極めからご一緒します。まずは無料相談として contact@polarisx.ltd へご連絡ください。サービスの考え方は polarisx.ltd をご覧いただけます。
この記事について
PolarisX編集部（AI活用の実務者チーム）は、司令塔AI社員「Polaris AI」の開発と、自社のAI社員組織（マーケティング・財務・営業の3部門・約20のAIエージェント）の運用実務に携わるメンバーで構成しています。本記事は、AIエージェントをゼロから設計・実装し、運用し続けている現場の視点から、一般的な作り方の解説に実務の判断基準を加えてまとめました。内容のご指摘・ご相談は contact@polarisx.ltd へ。
