エージェントが何をするか、どこで動作するかが決まったら、次に大切な質問をしましょう。

この課題は本当にエージェントが必要ですか？

すべてのプロジェクトにエージェントが必要なわけではありません。自動化プロジェクトですら、必ずしも必要とは限りません。シンプルなワークフローやスクリプト、ルールベースのプロセスの方が適している場合もあります。この違いを理解することで、後々の時間やコスト、混乱を防げます。

AIエージェントは、単に指示を実行するだけでなく、自然言語で読み書きや会話ができます。意図を解釈し、知識を活用し、不確実な状況で判断を下します。この柔軟性が強みですが、同時に複雑さも増します。LLMの呼び出しにはトークン、時間、リスクがかかるため、本当に推論や言語理解が必要な場合だけエージェントを使うのが合理的です。

タスクが決まった入力と決まった出力を持つ決定論的なものであれば、ワークフローや自動化ツールの方が通常は適しています。（ちなみに、Botpressはどちらも対応しています！）

タスクに文脈や解釈、会話が関わる場合は、AIエージェントが適しています。

Terminal Roastがどのようにこれに取り組んでいるか見てみましょう。

Tarynのチームは最初のタスクを定義しました。それは新しいコーヒーフレーバーやレシピについて顧客からフィードバックを集めることです。リードバリスタのAdrianは、エージェントがこれを処理する2つの方法を提案しました。

1つ目は会話型です。エージェントがなぜ顧客がそのドリンクを好きか嫌いかを尋ね、その理由を理解しようとします。これは微妙なニュアンスや解釈、記憶が必要で、エージェントに適したタスクです。

2つ目はプログラム的な方法です。エージェントが新しいレシピのリストを提示し、顧客に「はい」か「いいえ」で答えてもらいます。このやり取りには推論は不要で、自動化に最適です。

この2つのフローを分けることで、チームはシステムをより効率的にできます。言語理解が必要な部分にはエージェントを、論理だけで十分な部分にはワークフローを使います。

多くのチームはこの区別を曖昧にしがちです。質問への回答、データ取得、記録の更新、取引管理など、すべてを1つのエージェントでやろうとします。しかし、機能が増えるほどコストや遅延、保守の負担も増します。より良い方法は、エージェントとワークフローを組み合わせることです。

構造や信頼性にはワークフローを、知能や柔軟性にはエージェントを使いましょう。

エージェントはユーザーを理解する「最前線」のインターフェースと考え、その後に自動化システムへ構造化されたアクションを渡して正確に実行させます。この2つのシステムが明確に定義されていれば、より安定し、拡張性が高く、透明性のある結果が得られます。

簡単なテスト方法があります。

自問してみてください：このタスクは自然言語の理解が必要ですか？それともシンプルなルールセットで対応できますか？もし理解が必要（例：意図の特定、曖昧さの処理、知識の参照など）ならエージェントが必要です。そうでなければ、ワークフローとして構築しましょう。

明確なロジックやデータが整った後で、必要に応じてエージェントを追加することもできます。動作するワークフローを知的なものに拡張する方が、複雑で過剰なエージェントをデバッグするよりずっと簡単です。

Terminal Roastのアプローチ（会話型タスクとプログラム型タスクの分離）は良いモデルです。各部分が最も得意なことだけを行う、無駄のないシステムになります。

ここでの明確さは、後々の保守性やコスト、パフォーマンスに大きく影響します。

アクション： 提案しているエージェントのタスクを見直し、本当に言語理解が必要なものを特定しましょう。

そのようなタスクだけをエージェントに任せ、それ以外は標準的なワークフローで自動化する計画を立てましょう。

‍