一言で言うと
AIエージェントを最新の業務環境に合わせ続けるには、これまで専門家による継続的な調整が必要だった。富士通の今回の技術は、その調整作業をAI自身が担う仕組みだ。AI活用の障壁が「AIを作ること」から「AIに何を学ばせるかを設計すること」へ移りつつある。
何が起きているのか
富士通は2026年5月25日、「自己進化マルチAIエージェント技術」の開発を発表した。
従来のAIエージェントは、与えられた指示に対して処理を行う一方で、失敗の原因を自ら整理して次の業務に反映することが難しかった。法改正や仕様変更が発生するたびに、専門家がプロンプトや検索方法、評価基準を書き直す必要があった。
今回の技術は、複数のAIエージェントがチームとして業務を実行しながら、日々の成功・失敗結果や人のフィードバック、制度改定・仕様変更などの変化を継続的に取り込んで自律的に学習する。改善案を生成した後、品質と安全性を検証し、有効なものだけを採用する仕組みを組み込んでいる点が特徴だ。
実証結果として、業務特化型LLM（業務用途向けに訓練した大規模言語モデル）「Takane」を製造・医療・金融・行政の複数の領域に適用し、本技術を使って継続改善を行った結果、業務特化前と比べて平均28ポイントの精度向上を確認したと同社は報告している（自社評価）。
また、大中規模病院向け電子カルテシステム「HOPE LifeMark-HX」と地方自治体向け住民記録システム「MICJET住民記録」の設計仕様書検索にも適用した。法改正や制度改定に伴い影響範囲を特定する作業は、従来は制度とシステム構造の両方を深く理解した熟練者に依存していた。AIエージェントが過去の検索結果や失敗事例から「熟練者の探索のコツ」を自律的に学習し、専門家が試行錯誤して構築していた検索ロジックを改善したと報告している。
今後は、同社のAIプラットフォーム「Fujitsu Kozuchi Enterprise AI Factory」に組み込み、顧客企業への提供を予定している。カーネギーメロン大学との共同研究で省メモリ・省電力化も進めており、クラウドだけでなくオンプレミスやエッジ環境への展開も目指している。
AI業界の文脈では
「AIを業務に定着させるにはAI専門家が継続的にチューニングしなければならない」という見方は広く共有されている。その前提の上で、AIの維持コストや専門人材不足が導入の壁として語られてきた。
富士通の発表はその前提に対して、別の答えを出そうとするものだ。AIが自分で失敗を整理し、次に活かす形に変換する。専門家がやっていた調整作業の一部をAI自身が担う。
この発表が特徴的なのは、外向きの製品発表の前に自社業務で先行実証している点だ。電子カルテと自治体システムは、法改正への対応が頻繁に発生し、かつ熟練者の暗黙知への依存が大きい領域だ。ここで動作確認した上で製品化を進めるのは、「日本企業の顧客に対して机上の空論ではなく現場の事例で語れる」という意図があると読める。
私の見立て
私の見方として、この技術が示す変化の本質は「AIが賢くなった」ではなく「AIの維持コスト構造が変わろうとしている」という点だと思う。
これまでAI活用の実質的な障壁は、導入後の維持にあった。法改正のたびに専門家がプロンプトを書き直す。評価基準が古くなるたびに調整する。この繰り返しを担う人材が確保できない企業が多く、AIが「作ったが使われない」状態に陥る原因の一つになってきた。AIが自分でこの調整をできるなら、その障壁が下がる。
ただし、いくつか確認が必要な前提がある。「有効なものだけを学習する」安全検証の仕組みが、業務で本当に誤った判断を排除できるかは、外部評価が出るまで分からない。また、平均28ポイントの精度向上は自社評価であり、独立した検証はまだない。
「属人化した業務知識の継承」という日本固有の問題へのアプローチとしての可能性はある。熟練者の探索のコツをAIが文書化・学習していくなら、その人が異動や退職をしても知識が組織に残る。これは製造・医療・行政の現場では切実な問題だ。
AI活用の壁が「AIを作ること」から「AIに何を学ばせるかを設計すること」に変わるとしたら、必要なスキルセットも変わる。技術者よりも、業務の判断基準を言語化できる現場の専門家が、AIの進化を設計する役割を担うようになる。
→ 何が変わるか: AIの維持コストが下がるなら、これまでAI専門人材を確保できなかった中堅企業でも自律的に改善するAIを持てるようになる。大企業と中堅企業のAI活用の格差が、今後数年で縮む可能性がある。
→ 何をすべきか: AI活用を進めている企業にとって今週できることは、「自社のAIが陳腐化するのはどの変化が起きたとき（法改正・人事・仕様変更）か」を書き出してみることだ。その変化への適応を誰がどのように担っているかを把握することが、自己進化型AIの設計に必要な出発点になる。