通信回線の開通が遅れる原因は、設備の工事だけとは限りません。注文内容の変更を担当者が取り出し、古いシステムに入力し直し、次の担当者へ戻すという社内処理も、顧客を待たせる要因になります。米通信大手AT&TがAIエージェントで変えようとしているのは、こうした業務のつなぎ目です。社員一人ひとりの作業を速める段階から、サービスを届けるまでの業務全体を組み替える段階へと、取り組みを広げています。

AT&T Businessでデジタル変革とAIを担当するアシスタント・バイスプレジデントのルーク・コービン氏によると、同社では約500のエージェント型ワークフローがすでに本番稼働しています。2027年には、その数を3倍に増やす計画です。全社で処理するAIトークンは1日約450億に達し、エージェント型AIのプラットフォームは月間100万件を超える処理を担っていると説明しています。



トークンは、AIが文章などを扱う際の処理単位です。ただし、トークン数、処理件数、ワークフロー数は、それぞれ異なる規模を表しています。450億トークンという数字だけで、顧客対応の件数や削減できた労働時間を読み取ることはできません。業務上の成果を判断するには、何の処理が、どの程度改善されたかを見る必要があります。

注目したいのは、利用量の多さよりも導入の単位です。同社は、顧客向けサービスの開通処理から営業候補の選別までを対象にしています。生成AIを文章作成や情報検索の補助として置くのではなく、複数の工程を進める仕組みに組み込んでいる点が、この取り組みの中心にあります。

AT&Tは2025年初め、各事業部門と連携する組織「Business Agent Foundry」を設立しました。Foundryは工場や鋳造所を意味しますが、ここではAIエージェントを使った業務変革を形にする専門組織の名称です。社員から個別の自動化アイデアを募って実装するだけではなく、業界の業務整理の枠組みを使い、業務プロセス全体を可視化する役割を担っています。

その際に探すのは、AIで代行できる作業だけではありません。そもそも不要な手順、組織間の引き継ぎ、古いアプリケーションへの依存も見直しの対象です。ある入力作業を高速化しても、その後の承認待ちや別部署への転記が残れば、顧客に届くまでの時間は十分に縮まりません。業務全体を描くことには、個々の担当者の作業からは見えにくい停滞を探す意味があります。



初期の取り組みには、基幹処理を担う大型コンピューター「メインフレーム」とのやり取りの自動化がありました。光回線の設置注文を変更する際、以前は社員が処理待ちのチケットを取り出し、記録を手作業で更新してから、業務の流れへ戻していました。AIエージェントによって、その手作業の一部が不要になり、遅延の削減とサービス提供の迅速化につながったといいます。

別の事例では、すでに光ファイバー設備が入っている建物で、専用インターネット回線の開通処理に要する時間を半減しました。これは設備が整った建物での成果であり、あらゆる回線工事の期間が半分になったという意味ではありません。日本企業が応用を考える場合も、設備や制度などの前提条件をそろえたうえで、社内処理のどこを短縮できるかを検討すると、導入効果を具体化しやすくなるでしょう。

AT&Tの設計は、専門分野ごとに独立したエージェントを大量に用意する方式とは異なります。比較的少数のエージェントが、中央で管理する業務ロジックに沿ってワークフローを実行する構成です。コービン氏は、業務ロジックをコンテキストやメモリーに保持すると説明しています。ここでいうコンテキストやメモリーは、エージェントが処理を進める際に参照する情報や記憶の仕組みを指します。

役割の分担もあります。検索を担うエージェントは、その業務に適用すべき知識を探します。計画を担うエージェントは、作業の完了に必要な行動、ツール、データを判断します。AIが自由に判断するというよりも、必要な知識と実行手段を業務に結び付ける設計として捉えると、仕組みを理解しやすいでしょう。ただし、具体的な製品構成や保存方式までが明らかにされているわけではありません。



この構成を企業の運用という視点から見ると、業務ルールの変更をどう反映するかが論点になります。独立した仕組みが増えるほど、それぞれに同じ変更を適用し、整合性を確認する負担が生じます。共通管理には、その負担を抑える狙いがあると考えられます。ただし、AT&Tがルール更新の工数をどれだけ減らしたかという数値は示されていません。

日本企業でも、部署ごとにAIツールを導入した後で、参照する規程や顧客情報の違いが課題になる可能性があります。検討すべきなのは、エージェントの数だけではないでしょう。どの情報を正しい基準として扱い、誰が業務ルールを更新し、変更後の挙動をどう確かめるかまで定めておく必要があります。AIの構成と業務管理の責任を一緒に設計することが、横展開の土台になります。

AT&Tは、社員が個人の生産性向上に使うエージェントと、顧客や事業に影響するワークフローを区別しています。個人向けのエージェントは社員が独自に作成できますが、顧客に関わる業務はBusiness Agent Foundryを通し、セキュリティー、プライバシー、コンプライアンスの審査を受けなければなりません。利用の裾野を広げることと、本番業務の実行権限を与えることを、別の判断として扱っています。

本番運用に入るワークフローにも、当初は必ず人の監督を組み込みます。コービン氏によると、許容できるリスクの範囲内で正確性が90％台半ばから後半に達してから、自律的な運用を認めます。移行後も継続的に性能を監視し、挙動や精度の変化を検知する仕組みを設けています。



この正確性の水準は、あらゆる業務にそのまま当てはめられる合格基準ではありません。何を正解として数えているか、誤りが起きたときの影響がどこまで及ぶかによって、数字の意味は変わります。社内向けの情報整理と、顧客の契約内容を変更する処理では、同じ正確性でも受け入れられるリスクが異なるでしょう。AT&Tの説明でも、数値だけでなく、許容できるリスクの範囲が条件になっています。

企業が自律運用を検討する際は、平均的な成功率に加えて、失敗時に何が起こるかを確認する必要があります。例えば、判断できない案件を人へ戻せるか、誤った更新を修正できるか、処理の経緯を追えるかといった観点です。これらは導入を検討するための一般的な確認事項であり、AT&Tが公表した個別仕様ではありません。人が介入する場所を先に決めることで、自動化できる範囲も明確になります。

AT&Tは、AIの成果を労働時間の削減だけで評価していません。売上の創出、運用コスト、顧客満足度も指標に含めています。コービン氏は、本番運用に投入したAI投資が1年以内に5倍のリターンを生んでいると説明しています。ただし、算定対象や費用の内訳、案件ごとの違いまでは明らかにされていません。他社の投資計画へ、その倍率をそのまま当てはめることはできないでしょう。

効果が生まれる背景として、同氏は長年にわたり蓄積された業務やアプリケーションの維持負担を挙げています。既存システムには、保守費用だけでなく、社員が操作を覚え、複数の画面や工程を使い分ける負担もあります。生成AIを用いた簡素なワークフローで、その一部を軽減できれば、処理時間以外にも投資を支える理由が生まれます。



営業候補の選別は、具体的な活用先の一つです。エージェントが見込み客の所在地を確認し、光回線を提供できるかを調べてから、営業担当者が商談に時間を使います。ここで価値を生むのは、営業向けの文章を作る能力だけではありません。提案先の条件と、実際の提供可能範囲を照合することで、営業活動の進め方を変えています。

その前提となるのが、データの整備です。買収や合併を重ねてきたAT&Tでは、分断されたデータを統合し、データセンター、クラウド、移動しながら働く社員の間で、信頼できる接続を確保する必要がありました。AIモデルだけを高性能にしても、参照情報が欠けたり、必要なシステムに届かなかったりすれば、処理は完了しません。投資を見積もる際には、モデルの利用料に加え、データの整理や接続、運用監視に必要な費用も含めて考えることが欠かせません。

AT&Tは、既存業務の改善から、サービスの立ち上げ、新市場への進出、新しい販売チャネルの支援へと焦点を移しつつあります。効率化で得た仕組みを、事業の拡張にも使おうとしている段階です。ただし、新たな取り組みの具体的な成果や規模は、今回示された情報からは判断できません。実績として説明されている業務改善と、今後の方向性を分けて受け止める必要があります。

組織面では、社員にエージェントの活用案を出してもらうことが、AIに仕事を奪われるのではないかという懸念を和らげる助けになったといいます。コービン氏は、業務への知識や思いを持ちながら、従来の手順には不満を感じていた社員が多いと説明しています。現場の参加は、導入への理解を得るためだけではなく、どの工程に無駄があるかを見つけるうえでも意味を持ちます。



同氏が長期的に目指すのは、専門組織へ変革の責任を集中させ続けることではありません。Business Agent Foundryの役割を組織全体へ分散させ、各部門が担える状態です。これは、立ち上げ時に共通の審査や設計を整える役割と、日々の業務改善を現場が引き受ける役割を、時間をかけて移していく構想として理解できます。

日本企業が着手するなら、複数部門をまたぎ、顧客を待たせている業務を一つ選ぶとよいでしょう。担当者が実際に行っている入力、確認、転記、引き継ぎを描き、待ち時間が生じる場所と、その理由を確かめます。そのうえで、削除できる工程、人の判断を残す工程、エージェントへ任せる候補を整理します。現状の所要時間と誤りの発生状況を記録しておけば、導入後の比較も可能です。最初の判断材料はエージェントの導入数ではなく、その一つの業務を、どの条件なら安全に短くできるかという具体的な設計になります。