· updated

【未経験OK】AIエージェント 作り方｜業務で使う4ルート実例

AIエージェントを作ってみたいけれど、Python＋LangChain ／ ノーコード（Dify・n8n・Make・Zapier）／ Microsoft Copilot Studio ／ Claude Projects・ChatGPT GPTs と道筋が多すぎて、どこから手を付ければいいか分からないと感じていませんか。実際、ラッコキーワードの実測（2026 年 5 月時点）でも「AIエージェント 作り方」は月 4,400 人以上が検索しており、私自身も業務でこの 4 ルートすべてを使い分けてエージェントを構築しています。

結論から言うと、まずは自分のスキル感に合うルートを 1 つだけ選び、最小サンプル（1 回の API 呼び出し、または 1 つの GPTs）から動かすのが筋です。本記事では、4 ルートそれぞれの最小サンプル、LLM の選び方、思い通りに動かないときの対処、コスト感、機密情報の取扱いまで、業務でこの 4 ルートを使い分けている現役の生成AIエンジニア視点で整理します。

AIエージェントとは何か（概念そのもの）は別記事 AIエージェントとは で扱っています。本記事は「概念は分かった、で、どう作る？」に応えるスポーク記事です。

まず全体像｜AIエージェントの3部品・5ルート・選び方の地図

AIエージェントの作り方は、全部を比較するより、まず 1 ルートを選んで最小サンプルを動かすのが結局いちばん早いというのが私の業務感覚です。私は業務で 4 ルートすべてを使い分けていますが、1 ルートずつ手元で確かめてから次へ進んできました。

迷ったときの選び方はこうです。コードを書かず今日中に動かしたいならルート D（Claude Projects / ChatGPT カスタム GPTs）、ノーコードで業務フローに組み込みたいならルート B（Dify / n8n / Make / Zapier 等）、社内 Microsoft 365 に組織エージェントを乗せたいならルート C（Microsoft Copilot Studio）、Python で本格的に内製したいならルート A（Python + LangChain/LangGraph + 直 API）。

ひとつ先に断っておきます。ルート A〜D は 4 つすべて私が業務で常用している範囲で、実際の経験から書きます。一方、補足のローカル LLM（Ollama / Llama / Mistral など）は本番では使っていません（手元で試した範囲）。本記事はこの前提で読んでください。なお「絶対これがいい」「必ず動く」のような言い切りはしません。最適解は読者の前提（コード経験・社内環境・扱うデータ）で変わるためです。

AIエージェントとは（30 秒の前提整理）

AIエージェントとは、ひとことで言うと 「目的を伝えると、自分で道具を使って手順を組み立てて進めるアシスタント」 です。「来週の出張、A 社訪問のアポを 2 件取って、移動経路と昼食候補も決めて」と新人に伝えると、自分で電話をかけ、地図を見て、予約して結果を返す——あの動きをソフトウェアにしたものです。

部品は大きく 3 つ。LLM（判断する頭脳）、メモリ（記憶）、ツール（外の世界に触れる道具）。この組み合わせが「エージェント」で、本記事はこの 3 部品をどう組み立てるかを 4 ルート（＋補足 1 つ）に整理した形です。チャットボット・RAG との違いは下表のとおり。

種別仕組み何ができるか例
チャットボットLLM に質問を投げて答えを返す質問返答カスタマーサポート Bot
RAGLLM＋外部文書検索社内文書を踏まえた回答社内ナレッジ Bot
AIエージェントLLM＋メモリ＋ツール＋自律実行目的→道具→手順を自律実行自動リサーチ・自動オペレーション

詳細な概念解説は AIエージェントとは に整理しています。本記事は概念から作り方への橋渡しなので、ここでは「3 部品の自律実行」だけ押さえて先に進みます。

作り方の全体像：4 ルート俯瞰 + 補足 1 ルート

作り方は 4 ルート＋補足 1 ルート に整理できます。SERP 上位の競合は「ノーコード○選」「LangChain チュートリアル」「Copilot Studio 単独」のどれかに偏りがちですが、目的（個人で試す／業務に組み込む／組織展開する）によって最適ルートが違うため、実際にはこの 4 ルートを使い分けるのが現実的です。

ルート向く読者主な道具学習コスト月コスト目安私の使用状況
A. Python + LangChain / LangGraphエンジニア／コードを学んでいる方Python、Anthropic / OpenAI / Google SDK、AWS Bedrock中（1-3 ヶ月）API 数百円〜数千円業務で常用
B. ノーコード（Dify / n8n / Make / Zapier 等のいずれか）非エンジニア／PoC を早く回したい方ブラウザの GUI低（1-2 週間）Free〜数千円業務で常用
C. Microsoft Copilot Studio社内 IT 部門／全社展開担当Microsoft 365 連携、GUI 中心中（1-2 ヶ月）M365 ライセンス連動業務で常用
D. Claude Projects / ChatGPT GPTsコードを書かない簡易構築をしたい方Claude.ai / ChatGPT 上の機能極低（30 分〜半日）Pro プラン $20/月〜業務で常用
補. ローカル LLM（Ollama / Llama / Mistral 等）機密データ／オフライン／コスト最適化自分の PC or 社内サーバ高（GPU 環境構築）ハード次第本番では未使用（手元で試した範囲）

Google サジェストの「python」「ノーコード」「copilot」「claude」「chatgpt」「gemini」「ローカル」はこの表の各ルートに対応し、残る「個人」「初心者」「無料」は個人開発者の壁の章でまとめて吸収します。エディタ環境として Claude Code 使い方 や Cursor 使い方 を併用すると、特にルート A の学習が加速します。

ルートA：Pythonで最小サンプルを書く｜SDK直叩きとLangChain経由

ルート A は Python で LLM の API を直接叩く道です。私の業務メインスタックで、本格的な内製はほとんどここから入ります。最小サンプルは 20〜50 行で動きます。

ルート A には 2 パターンあります。(1) 公式 SDK を直接叩いてループも自前で書くパターンと、(2) LangChain / LangGraph 経由で書くパターンです。私は(1)をメインに(2)も部分的に使っており、どちらが正解という話ではなく目的次第です。LangChain の役割と使い分けは LangChain とは、一直線に連結する LangChain と状態を持って分岐・ループを組める LangGraph の違いは LangGraph とは｜LangChain との違い に分けて整理しています。

パターン(1)：公式 SDK 直叩き + 自前ループ

まず最小サンプルから。Anthropic Claude を例にした 1 ツール（電卓）エージェントです。

# anthropic_agent_min.py
# 公式 SDK 直叩き + 自前ループの最小サンプル（30 行強）
import os
import anthropic

client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])

# エージェントに渡す「道具」の定義（電卓 1 つ）
tools = [{
    "name": "calculator",
    "description": "数式を受け取って計算結果を返す電卓",
    "input_schema": {
        "type": "object",
        "properties": {"expression": {"type": "string"}},
        "required": ["expression"],
    },
}]

def use_tool(name: str, args: dict) -> str:
    # 道具の中身（本番はここに業務ロジックを入れる）
    if name == "calculator":
        return str(eval(args["expression"]))
    return "未対応の道具です"

# エージェントのループ：考える → 道具を使う → 結果を渡す → 続きを考える
messages = [{"role": "user", "content": "123 * 456 + 789 を計算して"}]
while True:
    resp = client.messages.create(
        model="claude-3-5-sonnet-latest",
        max_tokens=1024,
        tools=tools,
        messages=messages,
    )
    if resp.stop_reason == "end_turn":
        # 道具を使い終わって、最終回答が返ってきた
        print(resp.content[-1].text)
        break
    # 道具呼び出しが返ってきたら、結果を作ってループに戻す
    tool_use = next(b for b in resp.content if b.type == "tool_use")
    result = use_tool(tool_use.name, tool_use.input)
    messages.append({"role": "assistant", "content": resp.content})
    messages.append({"role": "user", "content": [{
        "type": "tool_result",
        "tool_use_id": tool_use.id,
        "content": result,
    }]})

動かす前提は Python 3.10 以上、pip install anthropic の 1 行と、Anthropic コンソールで取った API キーを環境変数 ANTHROPIC_API_KEY にセットすることだけです。これを業務メインに置く理由は、(1) 依存が最小でデバッグが楽、(2) ループの中身が全部見えるので想定外の動きを追える、(3) API 仕様が変わっても影響範囲が局所化される、の 3 つです。

API キーの取得方法は Claude 側が Claude 使い方、ChatGPT 側が ChatGPT 始め方 に分けています。

パターン(2)：LangChain / LangGraph 経由

同じ電卓エージェントを LangChain / LangGraph で書くと、定型部分（ループ・ツール呼び出しの繋ぎ込み）を省略できます。最小サンプルはこんなイメージです。

# langgraph_agent_min.py
# LangGraph 経由の最小サンプル（おおむね 20 行で動く）
from langchain_anthropic import ChatAnthropic
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

@tool
def calculator(expression: str) -> str:
    """数式を受け取って計算結果を返す電卓"""
    return str(eval(expression))

llm = ChatAnthropic(model="claude-3-5-sonnet-latest")
agent = create_react_agent(llm, tools=[calculator])

result = agent.invoke({
    "messages": [("user", "123 * 456 + 789 を計算して")]
})
print(result["messages"][-1].content)

pip install langchain langchain-anthropic langgraph の 1 行で入ります。コード量は減りますが、LangChain / LangGraph の概念（Runnable・StateGraph・Node など）を覚える学習コストが乗ります。フレームワークを選ぶ判断軸は、(1) 複雑なワークフロー（並列実行・条件分岐・人手介入）を組む、(2) 複数 LLM を同じインターフェースで切り替える、(3) チーム内に既存の LangChain 資産がある——の 3 つ。これらに当てはまらないシンプルなエージェントは、公式 SDK 直叩きのほうが結局シンプルです。

なお AWS Bedrock 経由で Claude を呼ぶ選択肢もあり、(1) AWS の IAM と統一できる、(2) VPC 内通信で社外にデータを出さない構成が組める、(3) AWS の課金体系に統合できる、が判断材料です。ただし業務本番運用の細部や料金最適化は私も限定的な範囲しか触れていないため、深掘りは控えます。

無料クレジットは Anthropic / OpenAI とも新規アカウントに付与される運用で（金額・条件は各社公式ページで確認）、最小サンプル 1 回の実行コストは現行価格帯で数円〜十数円程度の感覚です。RAG エージェントへの発展は RAG とは に基礎をまとめています。

コードを書かない3ルート｜ノーコード・Copilot Studio・Projects/GPTs・ローカル

ルート A 以外の「あまりコードを書かない道」を、ここでまとめて見ます。ノーコード（B）、Microsoft Copilot Studio（C）、Claude Projects / ChatGPT GPTs（D）、そして補足のローカル LLM です。

ルート B：ノーコードで作る（Dify / n8n / Make / Zapier 等）

ルート B は ノーコード構築プラットフォームで作る道で、「コードを書きたくない」「PoC を早く回したい」「業務フローに組み込みたい」にハマります。代表ツールは Dify / n8n / Make / Zapier の 4 系統。私はこのうちのいずれかを業務常用していますが、案件の都合で個別ツール名は伏せます。位置づけは下表のとおり。

ツール特徴向く用途
DifyLLM アプリ構築 OSS。GUI でチャットボット/エージェント/ワークフロー、RAG 内蔵、公開 API 化まで完結。Cloud 無料プランありPoC を早く回す／公開 API として呼ぶ
n8nOSS のワークフロー自動化。Self-Hosted 運用可。AI ノードから LLM を呼べ、社内 DB/API に柔軟接続社内ワークフローを内製で持つ／SaaS 非依存
Make（旧 Integromat）SaaS 連携自動化。500+ アプリ統合、視覚的シナリオエディタ複数 SaaS を跨ぐ自動化が中心
Zapier最古参の SaaS 連携。AI Actions で LLM 統合、Free プランあり既存スタックが Zapier 中心／とにかく簡単に始めたい

どれが一番いいという話ではなく、目的に合うものを選ぶのが結局いちばん早い、というのが私の感覚です。非エンジニアの最初の一歩は、Dify Cloud の Free プランがいちばん入りやすい型です。

  1. Dify Cloud にアカウント登録（無料）
  2. 「新しいアプリ」→「チャットボット」を選ぶ
  3. プロンプト（指示文）を 1 つ書く：例「ブログ記事の構成案を 3 つ提案してください」
  4. LLM プロバイダー（OpenAI / Anthropic / Google など）を選ぶ
  5. テストチャットで動かす → 公開リンクを発行

ここまでで 30 分 あれば自分専用の AIエージェントを 1 つ公開できます。最初は肩透かしを食うかもしれませんが、業務エージェントもこの延長線上にあります。ノーコードでよく詰まる失敗を 3 つ挙げます。

  • (1) 応答品質はプロンプト次第：雑なプロンプトは結果も雑。5〜10 回練り直す前提で取りかかるとラク。
  • (2) ツール接続の認証で詰まる：API キー取得、OAuth 認可、IP 制限など、業務システム接続で時間を取られがち。
  • (3) 本番には監視・エラー処理の設計が要る：「動いた」と「本番に乗せられる」は別物。通知・リトライ・ログ保管はノーコードでも設計対象。

他ツールと組み合わせる視点は AI 業務効率化 ツール に整理しています。

ルート C：Microsoft Copilot Studio で作る（組織向け）

ルート C は Microsoft Copilot Studio で組織向けエージェントを作る道です。私も業務常用しており、社内文書参照型 Bot・Teams 連携・社内ナレッジ Q&A を組むときの主軸のひとつです。サジェストの「copilot」は Copilot Studio の業務需要と GitHub Copilot との混乱 の両方を含みますが、この 2 つは完全に別製品です。

項目Microsoft Copilot StudioGitHub Copilot
用途組織向けエージェント構築エディタ内のコード補完
対象社内 IT 部門／全社展開担当個人開発者／開発チーム
環境Microsoft 365 / Power Platform 連携VS Code / JetBrains などのエディタ
料金体系M365 ライセンスや従量課金と連動個人 $10/月から
アウトプット業務エージェント・チャット Botコード補完・コード生成

エディタ環境の話は Claude Code 使い方 や Cursor 使い方 と合わせて読むと位置づけが見えます。本章は Copilot Studio に絞って 整理します。

項目Microsoft Copilot StudioGitHub Copilot
用途組織向けエージェント構築エディタ内のコード補完
対象社内 IT 部門／全社展開担当個人開発者／開発チーム
環境Microsoft 365 / Power Platform 連携VS Code / JetBrains などのエディタ
料金体系M365 ライセンスや従量課金と連動個人 $10/月から
アウトプット業務エージェント・チャット Botコード補完・コード生成

業務での使いどころは大きく 4 つ。(1) SharePoint や社内ナレッジに繋いだ社内データ参照型 Bot、(2) Teams 連携エージェント（社員が日常的に使う場所に置ける）、(3) Power Automate を呼ぶ Power Platform 接続（承認フロー・データ更新・通知）、(4) 部門別に最適化したエージェント配布。個人でも Microsoft 365 Personal/Family で Power Platform の一部に触れられますが、本領は テナント単位の組織展開 にあり、「会社で導入する立場」になったとき活きるツールです。

失敗しやすいのは、(1) M365 のテナント権限がないと検証しにくい（Trial ライセンスが要る）、(2) Copilot Studio 単体ではなく Power Automate 連携・DLP 設定・テナント承認など Power Platform 全体の学習コストが後から効く、の 2 点。組織展開では契約と権限の設計が効くので、社内 IT 部門と連携して進めるのがおすすめです。

ルート D：Claude Projects / ChatGPT カスタム GPTs（コードを書かない簡易エージェント）

ルート D は コードを書かずに Claude.ai や ChatGPT 上の機能で簡易エージェントを作る道です。「Python はまだ学習中」「Dify も早い」「Copilot Studio はテナントがない」への即答ルートで、私は Claude Projects と ChatGPT カスタム GPTs を両方常用 しています。

Claude Projects は「専用知識と専用指示を仕込んだ AI 相談相手」を作れる機能です。PDF・テキスト・コードをアップロードしておくとそれを前提に答え、カスタム指示で「○○の専門家として」「出力は箇条書きで」など振る舞いを固定でき、チーム共有も可能です。私の業務ユースケースを抽象化すると 3 つ。

  • (1) 社内ドキュメント要約用 Project：頻繁に参照する社内資料をまとめて入れておき、「○○の章を 3 行で」と聞くと整形して返す
  • (2) 議事録整形用 Project：「決定事項 / アクション / 課題」の出力テンプレートを仕込み、議事録メモを貼ると整形済みで返ってくる
  • (3) コードレビュー観点 Project：プロジェクトのコーディング規約・レビュー観点を仕込み、差分を貼って「指摘候補を出して」と頼む

ChatGPT カスタム GPTs も同じ思想ですが、Web 検索・コードインタプリタ・API 接続（GPT Actions）が標準で組み込まれているのが強みです。私の業務では、チーム内で配布する特定タスク特化 GPTs（例：「日報整形 GPTs」「リサーチ補助 GPTs」など）を作って配ることで、属人化を抑えながら AI 活用を広げる使い方をしています。

Projects と GPTs の使い分け は、こんな感覚です。

  • 精度重視（長文整形・複雑指示） なら Claude Projects（長文処理と指示遵守の安定感が私の業務感覚では高い）
  • Web 検索・コード実行が必要 なら ChatGPT GPTs（コードインタプリタと Web 検索が標準で組み込まれている）
  • 共有先のツール環境で選ぶ：チームが ChatGPT Plus 中心なら GPTs、Claude Pro/Team 中心なら Projects

なお、Claude Cowork（Claude Desktop 上でローカルファイルを操作する別系統のツール）と Claude Projects は、よく混同されますが別物です。Cowork は手元の PC のファイル・フォルダを Claude に直接触らせる用途、Projects は Claude.ai 上で「専用知識を持った相談相手」を作る用途、という棲み分けです。詳細は Claude Cowork 使い方 と Claude 料金プラン を参照してください。

「個人」「初心者」「無料」への即答はこうです。Pro プラン $20/月 で、コードを 1 行も書かずに 30 分で 1 個の Projects / GPTs を作れます。発展経路としても有効で、私はいきなり Python で内製せず、まず Projects / GPTs で「何を・どんな指示で任せるか」を固めてから Dify や Python に移行する型を採ることが多いです。要件定義の段階で動くプロトタイプを作れるのが強みです。

ただし Projects / GPTs を 「業務エージェント本番」と混同しない こと。機密データ取り扱い・SLA・監視の観点で本格エージェントとは別物です。商用利用条件は後段の法律・規約・セキュリティの章で整理します。

補足ルート：ローカルで動かす選択肢（Ollama + Llama / OSS LLM）

ローカル LLM について先に断っておくと、私自身は本番では使っていません（手元で試した範囲）。業務常用のルート A〜D とは関わり方が違う前提で読んでください。ローカル LLM とは、各社 API を使わず自分の PC や社内サーバで OSS LLM（Llama 3 系 / Mistral / Qwen 等）を動かす選択肢で、動機は主に 4 つです。

  • (1) 機密データを外部に出したくない：API 経由で社外にデータを送ることに制約がある業務領域
  • (2) クラウド非依存：外部サービスの障害・規約変更・価格改定に影響されない構成にしたい
  • (3) コスト最適化：高頻度・大量推論で、API 従量課金より自前サーバのほうが安く付くケース
  • (4) 検証用途：API キーの取得や課金登録なしに、まず動かしてみたい段階

最も簡単な Ollama なら、macOS は以下の 1 行で OSS LLM を動かせます。

# Ollama を入れて Llama 3 を動かす最小コマンド
brew install ollama
ollama run llama3

主なツールは Ollama（手元 PC で最も簡単）、LM Studio（GUI でモデル管理・実行）、vLLM（本番運用向け推論サーバ）の 3 系統です。個人検証で Ollama を触った範囲の正直な感想は、(1) インストールは 1 行であっけないほど簡単、(2) ただし商用 API（Claude / ChatGPT / Gemini）と同じ精度・速度を期待すると違和感がある、(3) GPU メモリ要件は無視できない（大きなモデルほど多くの VRAM を要求）——の 3 点。業務に乗せるには精度・運用負荷・モデルライセンスの壁が高く、私もまだ本番運用には至っていません。

事前に押さえたい落とし穴は、(1) 商用 API 級の精度は出にくい（用途を絞る・RAG で文脈を厚く渡す前提）、(2) GPU メモリ要件で手元 PC では動かないモデルもある、(3) Llama 3 の利用許諾・Mistral の Apache 2.0 などライセンスがモデルごとに異なる、の 3 つ。OSS LLM の系統別整理は LLM とは で扱っています。

「作ったエージェントをどこで動かし続けるか」も一度だけ補足します。最小サンプルの段階は手元の PC や API 無料枠で十分回せます。区切りが来るのは「PC を閉じている間も動かし続けたい」「外部から呼び出せる場所に置きたい」と思った段階で、そこでは月数百円〜千円台の VPS（自分専用の仮想サーバ）が現実的な選択肢になります。試す段階では不要、というくらいの感覚で大丈夫です。

LLM選びと最初の壁｜Claude/ChatGPT/Geminiの使い分けと未経験の越え方

ルートが決まったら、次は「どの LLM を載せるか」と「未経験者がつまずく壁」です。サジェストの「claude」「chatgpt」「gemini」「個人」「初心者」「無料」をここでまとめて吸収します。

LLM の選び方：Claude / ChatGPT / Gemini をどう使い分けるか

「どの LLM を選べばいいか」という分岐点です。私は 3 系統すべての API を利用しており、使い分けの感覚はこうです。

LLM提供元用途のイメージ
Anthropic Claude APIAnthropic業務エージェントの本命候補のひとつ
OpenAI ChatGPT API（GPT-4 系）OpenAI既存資産が OpenAI 系のチームと相性が良い
Google Gemini APIGoogle画像入力を扱う／Google 系業務との接続

迷ったときも 「絶対これがいい」とは言いません。用途・コスト・既存スタックで使い分けます。具体的には、ツール使用が複雑なら Claude API、既存コードが OpenAI SDK ベースなら GPT-4 系継続、画像入力を含むなら Gemini、コスト最優先なら各社の小型モデル（Claude Haiku / GPT-4o-mini / Gemini Flash 系）を比較。

AWS Bedrock 経由で Claude を呼ぶ選択肢は、直 API と比べ (1) AWS の IAM 連携、(2) VPC 内通信で社外にデータを出さない構成、(3) AWS の課金体系統合、が違いです。社内標準が AWS で機密データ要件がある領域では候補に上がりますが、料金最適化の細部は私も限定的にしか触れていないため概念整理に留めます。

料金は API 従量課金（入力＋出力トークン）が基本で、各社の料金ページは頻繁に更新されるため必ず公式で最新を確認してください。相場感だけ言うと、最小サンプル 1 回は数円〜十数円程度、本格運用は月数百〜数千円〜の範囲です。LLM 自体の輪郭は LLM とは、Claude 周辺は Claude 使い方、ChatGPT 周辺は ChatGPT 始め方 に整理しています。

個人開発者の最初の壁と乗り越え方

「個人」「初心者」「無料」は 「一人で、経験ゼロから、なるべくお金をかけずに始めたい」 という同じ気持ちのバリエーションです。私も営業から SES に未経験で入った最初の半年は、技術ブログもエラーメッセージも英語ドキュメントも目が滑り、「調べ方を覚える」だけで精一杯でした。エージェント開発でぶつかる壁を 5 つに整理します。

(1) API キー取得・課金設定：クレカ登録の心理的抵抗が最初の壁。私は 無料クレジット内の上限を明示的に設定してから登録し、うっかり数万円課金のリスクを潰しました（利用枠制限は各社ダッシュボードで設定可）。

(2) Python 環境構築：venv / poetry / uv の選択肢のうち、私は軽くて速い uv 推奨です。最小構成は次の通り。

# uv で Python プロジェクトを作る最小手順
brew install uv               # macOS の場合
uv init my-agent              # プロジェクトを作る
cd my-agent
uv add anthropic              # 必要なライブラリを足す
uv run python my_agent.py     # 実行

(3) プロンプト設計の難しさ：1 発で意図通りに動くことはほぼ無いです。5〜10 回の試行錯誤が前提 だと割り切ってから、私は気が楽になりました。「うまく動かない」のは設計が悪いというより、エージェント開発の標準工程です。

(4) ツール定義の JSON Schema：エージェントが道具を使うための定義で、最初は型の書き方で詰まります。"type": "string"、"required": [...] などの記法を、最初の 1 つを動かしながら覚えるのが結局いちばん早い、というのが私の感覚です。

(5) デバッグの難しさ：「なぜ意図と違う動き？」を追うのに時間がかかります。私の場合、エージェントの「考えた中身（reasoning）」「使った道具と引数」「返ってきた結果」を全部ログに残す習慣をつけてから、追いやすくなりました。

営業時代の 1 日約 60 件の訪問で覚えたのは 断られてからが本番 ということでした。エージェント開発も、1 発で動かないところから本番が始まると思って取り組むと気がラクです。

スタートライン別の即実行プランは 3 つ。完全コード未経験なら ルート D を Pro $20/月で 30 分 1 個、コード経験ありならルート A の最小 Python サンプルを無料クレジット内で、SaaS 連携好きなら ルート B（Zapier Free / Dify Cloud Free）で普段使う SaaS と繋ぐ。未経験から SE に入った体験談は 未経験エンジニア転職 にまとめています。

「最初の 1 体」をどのルートで組むと現実的か

4 ルートを踏まえ、「最初の 1 体」をどのルートで組むと現実的かを実際に組める型でまとめます。「誰でも稼げる」「生産性 3 倍」という話ではなく、結果は業務・個人差で変わります。共通して、完全自動化より「AI の出力＋人間の最終判断」の二段構えから始めるのが現実的でリスクも低い組み方です。

型ルート作る手間注意点
リサーチ要約B（Dify / n8n）半日・月 0〜1,000 円要約は OK でも表現の流用は NG、自分の言葉に咀嚼する工程を残す
問い合わせ 1 次返信B（GPTs＋Zapier）1 日誤返信の責任設計＝自動発射の範囲を絞り「1 次返信＋人手判断」から
請求書 PDF→仕訳 CSVA（Python）／n8nPython 1 週間／n8n 2 日OCR のレイアウト崩れは人手確認が要る
PR レビュー支援A（Claude Code＋Cursor MCP）—偽陽性があるので人間レビュアーの判断を必ず残す
  • 請求書 PDF → 仕訳 CSV エージェント：OCR で読み取り、決まった形式で出力。Python で 1 週間、または n8n の AI ノードで 2 日。※レイアウト崩れは人手確認が要る。
  • PR レビュー支援エージェント：差分から規約違反・潜在バグ・テスト不足を指摘候補に。Claude Code ＋ Cursor MCP（私は業務で常用）で組めます。※偽陽性があるので、人間レビュアーの判断を必ず残す。

どのルートを選ぶかは前半の 4 ルート比較に戻って、手元の道具とスキルに合うものを。私自身は PR レビュー支援がいちばん推進実感の強い使い方で、MCP の設定詳細は Cursor 使い方 に整理しています。職種別の事例集は AI 業務効率化 事例、ツール俯瞰は AI 業務効率化 ツール にあります。

失敗・YMYL・まとめ｜詰まる6パターン・法務6観点・今週の一手

最後に、運用で詰まりやすい失敗、業務・金銭に関わる YMYL の注意、そして今週踏み出す最小の一手をまとめます。

失敗パターンと対処

4 ルートを常用してきた中で見えた失敗を、業務体験から書ける範囲（1〜5） と、本番では使っていないローカル LLM の範囲（6） に分けます。

  • (1) 目的が曖昧なまま作り始める：「何を任せたいか」が先、技術選定は後。これが固まらないまま技術選定だけ進めると遠回りになる。
  • (2) ツール定義の権限を広げすぎる：最小権限から始め段階的に広げる。メール送信なら最初は「下書き保存のみ」、確認後に「送信権限」を追加。
  • (3) 評価設計を後回しにする：テストケースを 10〜20 個先に書いてから実装。エッジケースへの振る舞いを先に決めると運用後の調整がラク。
  • (4) ノーコードで複雑な分岐を組みすぎる：条件分岐を 10〜20 個重ねると可読性が落ちる。「組めるけど読めない」状態になったら Python に切替時期。
  • (5) Projects / GPTs を「本番」と混同する：機密データ・SLA・監視の観点で本格エージェントとは別物。PoC・個人ツール・部内配布までで使い、本番が要れば Python や Dify に移行。
  • (6) ローカル LLM に商用 API 級の精度を期待する（手元検証ベース）：違和感が出やすいので用途を絞る・RAG で文脈を厚く渡す前提で。詳細は補足ルートの章を参照。

評価設計は RAG でも同じ論点が出てきます。RAG とは の周辺で「RAG の評価」も近いテーマとして扱っています。

法律・規約・セキュリティの注意（YMYL ゾーン）

ここは YMYL（読者の人生・業務・金銭に影響しうる領域）なので、「絶対大丈夫」とは申し上げません。私は弁護士ではなく、最終判断は社内法務・コンプライアンス、必要に応じて弁護士へお願いします。業務で組むときに私が必ず押さえる 6 観点 はこうです。

  • (1) 利用規約の最新版確認：API プロバイダー／ノーコードツール／Copilot Studio／Projects・GPTs の規約は更新される。導入時だけでなく定期確認を。
  • (2) 機密情報を入力しない運用ルール：学習不使用の契約形態が一般的だがプラン（個人 / Team / Enterprise）で異なる。最も機密度の高いデータを入れて大丈夫かを、入れる前に必ず情シス・法務に確認。
  • (3) 生成物の商用利用条件：著作権の帰属・商用可否・第三者権利侵害の責任分界は案件ごとに確認。
  • (4) 外部に書き込む操作の責任設計：メール送信・SaaS 投稿・DB 更新など副作用のある操作は、「誰の指示で・何を・いつ・どの権限で」のログを最初から組み込む。
  • (5) OSS LLM ライセンス条項：Llama 3 の利用許諾、Mistral の Apache 2.0 など、商用可否・配布条件・トレーニング条項をモデルごとに確認。
  • (6) Copilot Studio の組織管理ポリシー：テナント承認・DLP 設定・社外共有可否は組織展開時の論点。個人試用と組織展開で設計レイヤーが変わる。

機密データ案件では AWS Bedrock 経由 / Azure OpenAI / ローカル LLM が候補に上がり、契約条件・運用要件が違うので情シス・法務と一緒に選定するのが一般的です。LLM 単体の YMYL 論点は LLM とは でも触れています。

まとめ：今週試す「最小の一手」

作り方を 4 ルート＋補足 1 ルート で整理してきました。ルート A〜D は業務で常用している領域、ローカル LLM だけは本番未使用（手元検証）という前提で書いた俯瞰が、本記事の持ち味です。重要なのは「比較を続ける」より「1 ルートを選んで手を動かす」こと。今週試せる最小の一手は次のとおり。

  • ルート A（Python）：API キー取得 → 公式チュートリアル 1 本を写経（30 分）。本記事のコードをそのまま動かすのもおすすめ
  • ルート B（ノーコード）：Dify Cloud Free に登録 → サンプルチャットボットを 1 個起動（30 分）
  • ルート C（Copilot Studio）：M365 で Trial を有効化 → ヘルプの最初のサンプルを動かす（1 時間）
  • ルート D（Projects/GPTs）：Claude.ai Pro / ChatGPT Plus 課金済みなら、今日 30 分で 1 個作って動かす

やってみると、自分の前提（コード経験・社内環境・扱うデータ）に合うルートが思ったより早く見えてきます。次に読むなら概念解説の AIエージェントとは が自然で、その後の深掘りは末尾の関連記事から目的に合わせて辿ってください。

よくある質問（FAQ）｜費用・初心者・LLM選び・機密情報

Q1. AIエージェントを作るのに、いくらかかりますか？

A. 最小サンプルなら無料クレジットで足ります。Anthropic / OpenAI ともに新規アカウントに無料クレジットが付与される運用で、1 回の実行コストは数円程度の感覚です。本格運用に乗せると月数百〜数千円〜の範囲。Dify Cloud / n8n Self-Hosted などノーコード派も Free プランで試せます。コードを書かない簡易構築なら、Claude Pro / ChatGPT Plus の月 $20 で Projects / GPTs が使えます。最新の金額は各社公式ページで必ず確認してください。

Q2. プログラミング初心者ですが、AIエージェントを作れますか？

A. ルート D（Claude Projects または ChatGPT カスタム GPTs）から始めるのが最も現実的だと私は考えています。コードを書かずに、Pro プラン $20/月で 30 分で 1 個作れます。次のステップとして、ノーコード（Dify Cloud / Zapier）→ Python と段階的に踏み出すのが、私の業務で観察した自然な流れです。完全コード未経験の方は、まずルート D で「動かす感覚」を手に入れるところから始めてみてください。

Q3. 個人開発で AIエージェントを作るのは、コスト的に大丈夫ですか？

A. 最小サンプルは API 無料クレジット内で完結します。本格運用に向けても、個人スコープなら月 1,000〜3,000 円程度から始められる現実感です。クレカ登録の心理的抵抗が最初の壁ですが、利用枠制限の設定で「うっかり数万円課金」を防げます。各社の API 料金ページは頻繁に更新されるので、最新の金額は公式ページで必ず確認してください。

Q4. ChatGPT / Claude / Gemini の API、どれを最初に選ぶべきですか？

A. 「絶対これ」とは申し上げません。私の業務では用途・コスト・既存スタックで使い分けています。個人で 1 つ選ぶなら、(1) 既に使っているチャットアプリのプロバイダーから始める、(2) 公式ドキュメントの読みやすさで決める、の 2 軸が現実的です。詳しくは LLM とは と Claude 使い方 を参照してください。

Q5. 業務で使うとき、機密情報の扱いはどうすればいいですか？

A. 「絶対大丈夫」とは申し上げません（私は弁護士ではありません）。一般論として、(1) API プロバイダーおよび Projects / GPTs / Copilot Studio のデータ取り扱いポリシーを事前確認、(2) 機密情報・個人情報を入力しない運用ルールを社内で合意、(3) 厳格な要件があれば AWS Bedrock / Azure OpenAI / ローカル LLM の選択肢、(4) 最終判断は社内法務・コンプライアンス部門へ——の 4 点が出発点になります。詳しくは法律・規約・セキュリティの注意を参照してください。

私自身、現役の生成AIエンジニアとして 4 ルート（Python＋LangChain・ノーコード・Microsoft Copilot Studio・Claude Projects／ChatGPT GPTs）すべてを業務で使い分けている立場から、ルート選びと最小サンプルを実体験ベースか公開情報ベースかを分けて整理しました（ローカル LLM のみ個人検証レベル）。エージェント開発のツール・料金体系・利用規約・法的論点は変動が早いため、実際の利用判断は最新の公式情報と利用規約、社内ルール、必要に応じて法務・コンプライアンス部門の判断を優先してください。本記事に対する質問・誤りのご指摘は send@bon-bon-tools.com までお願いします。

関連記事

出典

PR

この記事に関連するサービス

ConoHa VPS
手元の Mac で重いなら、GPU 付き VPS という手

ローカルLLM や自作 MCP サーバーを「常時動かす／重いモデルを回す」段階になると、手元マシンの限界が見えてきます。時間課金の VPS なら、必要なときだけ GPU を借りて検証できます。申し込み前に、料金プランとスペックだけ見比べてみてください。

まず料金とスペックを見てみる →
Xserver VPS
安定運用したいサーバー用途に

検証から一歩進めて「外から叩けるエンドポイントとして常時公開したい」段になったら、安定したVPSが要ります。RAG の社内検索 API や MCP サーバーの本番置き場の候補です。申し込み前に、プラン内容と料金だけ確認できます。

プランと料金を見てみる →
新しい記事のお知らせを受け取る → 登録（準備中）