AIエージェントのバトンリレーで商談〜請求を自動化——設計と3つの失敗を公開

マルチエージェントとは——なぜ「複数のAIエージェントを連携させる」必要があるのか

ここでは、シングルエージェントの限界と、2026年にマルチエージェント構成が一気に実用化された背景をわかりやすく解説します。

シングルエージェントの限界——1つのエージェントに全部まかせると何が起きるか

「営業メール作成→SFA入力→稟議→請求書発行」を1つのAIエージェントにまかせると、うまくいかないことが多いです。理由はシンプルで、1つのエージェントに渡す指示（コンテキスト）が長くなりすぎて、途中で指示を取りこぼしてしまうためです。

実際にある中堅企業で1エージェント構成を試した結果、商談〜請求書発行までの一連処理でエラー率が30%を超え、結局人が最後の確認に入らざるを得なくなった、というケースもありました。

エージェントに「営業のプロ」「経理のプロ」「承認者」という3つの人格を同時に演じさせようとするようなものだ、と考えるとわかりやすいです。

マルチエージェント構成は、役割を分割してそれぞれを専門化することで精度を維持します。「1人で全部やる」から「専門家チームがバトンリレーする」への発想転換だと考えてください。

2026年に普及が加速した理由——MCPとA2Aプロトコルの登場

マルチエージェントが2026年に一気に実用化段階に入った背景には、2つの標準化があります。

1つ目は2024年11月のAnthropicの発表から採用が広がったMCP（Model Context Protocol）による、エージェント⇔外部ツール間通信の標準化。2つ目は2025年以降広がってきたA2A（Agent-to-Agent）プロトコルによる、エージェント⇔エージェント間通信の標準化です。この2つがそろったことで、エージェント間の連携設計が現実的になりました。

構造面では、「3層階層型MAS（オーケストレーター→スーパーバイザー→実行エージェント）」がエンタープライズ標準アーキテクチャとして整理されつつあります。次世代社会システム研究開発機構は2026年3月発行の『マルチAIエージェント／マルチエージェント・プラットフォーム白書2026年版』で、この3層型について「タスク完了速度3倍・精度60%改善」という成果を報告しました（次世代社会システム研究開発機構 プレスリリース）。

実際に構築したマルチエージェント設計——商談から請求処理まで5エージェントの役割分担

このセクションでは、中堅企業で実際に構築した5エージェント構成の設計図と、期間・費用の目安を公開します。自社で組む場合のイメージを具体化してください。

全体設計図——5つのエージェントとバトンリレーの流れ

商談〜請求処理をつないだ実際の構成は以下の5段階です。

ポイントは、各エージェント間のデータを自然文ではなく構造化JSONで受け渡すことです。「商談要約200字＋次アクション3件＋金額」のようなスキーマを事前に決めておくと、後工程のエージェントが迷いません。

オーケストレーターエージェントの役割——全体を指揮する「司令塔」の設計

5つの実行エージェントの上位に、もう1つ「オーケストレーター」を置くのが定石です。オーケストレーターは「どのエージェントに、どのタイミングで、何のタスクを振るか」を判断する司令塔です。

オーケストレーターに実装すべき最低限の機能は3つあります。（1）タスク割り振り（ルーティング）、（2）エラー検知と再試行、（3）ヒューマン・イン・ザ・ループ（例外時に人へエスカレーション）。

このうち3つ目が特に重要で、「金額が100万円を超えたら自動で承認待ちに回す」「SFA入力で必須項目が欠けたら営業担当者に確認依頼をSlackへ送る」といった判定を組み込みます。

実装は LangGraph などのライブラリを使い、状態遷移を明示的にノードとして設計するとメンテナンスが楽になります。フロー図とコードが1対1対応するため、半年後に見直すときに迷いません。

実際にかかった構築期間と費用の内訳

構築期間と費用の目安はおおよそ以下の通りです（商談100件/月を処理する想定）。

なお、Cognizant Japanが本格提供開始した「Neuro® AI Multi-Agent Accelerator」では、医療審査処理時間25%削減・RFP作成効率40%改善という業種横断的な効果が報告されています（Cognizant Japan プレスリリース）。費用対効果が数字で語れる事例が増えてきました。

エージェント間連携で躓いた3つの失敗と対策

このセクションでは、実装段階で実際に起きた3つの失敗と、その対策を正直に共有します。同じ穴を踏まないためにご活用ください。

失敗①：エージェント間のデータ形式が揃わず、3週間の手戻り発生

初期実装で、商談分析エージェントが自然文でサマリーを出力し、SFA入力エージェントが構造化データを前提に組まれていたため、受け渡しが完全に崩壊しました。SFA側が「金額をどこから拾えばいいのか」を毎回推測する必要があり、入力精度が70%を下回りました。

解決策はシンプルで、エージェント間の入出力スキーマをJSON Schemaで事前に定義することです。以下のように最初に決めておけば、後工程で迷いません。

{ "meeting_id": "string", "customer_name": "string", "next_actions": ["string"], "estimated_amount_yen": "number", "proposal_deadline": "YYYY-MM-DD" }

原則として「最初に出力フォーマットを決める」ことを徹底してください。スキーマなしで走り出すと、連携の手戻りで開発期間が1.5倍になります。

失敗②：1つのエージェント停止で全体が止まる「単一障害点」問題

請求書生成エージェントが1件のイレギュラーデータ（全角記号を含む顧客名）で停止し、その日の処理150件が全停止したことがありました。エラーハンドリングが甘く、1件の例外で後続の149件まで詰まってしまったのです。

解決策は3つです。（1）各エージェントにリトライロジック（3回まで自動再試行）を実装する、（2）失敗した1件を脇に退避させ残件処理を継続させる、（3）退避データはSlack等に通知して人が判定する。「ハッピーパスだけ実装してリリース」はマルチエージェントでは特に危険で、障害点が5倍に増えると考えてください。

失敗③：APIコストがシングル構成の5倍に膨らんだ

5エージェントがそれぞれ独立してLLMを呼ぶため、単純計算でAPIコールが5倍になります。初月のLLM利用料が想定の5倍、月額50万円を超えて経営会議で問題になりました。

対策はモデルの使い分けです。データ抽出・フォーマット変換などの軽量タスクはGPT-4o-mini相当の安価なモデルに任せ、判断・意思決定が必要な場面だけ高精度モデルを使います。加えて、同じプロンプト・同じ入力が繰り返される処理（例：SFA入力のテンプレート変換）にはプロンプトキャッシュを効かせると、コストが30〜50%下がります。

「最初から高精度モデルを全エージェントに使う」は、ほぼ確実にコストが破綻します。段階的に差し替える設計にしてください。

マルチエージェントを「自社で内製するか・受託開発に依頼するか」の判断基準

最後に、マルチエージェントを自社内製するか、受託パートナーに依頼すべきかの判断軸を紹介します。選択を誤ると、開発期間が2倍・コストが3倍になることもあるため、最初に見極めてください。

内製が向いているケース

業務フローがシンプルで、エージェント数が3つ以内、かつ既存SaaSのAPIが整っている場合は内製が現実的です。自動化効果が月30万円未満のケースでも、シンプル構成なら2〜3か月で元がとれます。

ただし社内に「Python or TypeScriptが書ける人」「LLM APIの挙動を理解している人」が最低1名は必要です。まったくゼロから独学で作ろうとすると、設計の手戻りで6か月以上かかることが多く、結果的に受託の方が早いケースもあります。

受託開発が必要なケース

4エージェント以上の連携、基幹システム（ERPや会計システム）との接続、個人情報・機密情報を扱うケースは、受託開発パートナーにまかせる方が総コストが下がります。特にA2Aプロトコル対応やオーケストレーション設計は、2026年時点ではまだ専門知識が必要な領域です。

次のアクションとしておすすめなのは、「まず3エージェント以内でPoC（小規模実証）を自社または小規模受託で試し、効果が見えたら本番規模で受託依頼する」という段階アプローチです。いきなり5エージェント・基幹連携で始めると、検証もデバッグも困難になります。

よくある質問

まとめ

マルチエージェントは2026年に「設計できる企業だけが使いこなせる」フェーズに入りました。単純な自動化はシングルエージェントで十分ですが、複数業務の連携や判断の連鎖が必要になったらマルチエージェント構成の出番です。

成否の分かれ目は、ツール選定ではなく「スキーマ設計・エラー設計・モデル使い分け」の3点にあります。いきなり5エージェントで始めず、まず3エージェント以内のPoCから着手してください。設計が難しいからこそ、経験のあるパートナーと組む価値が出る領域でもあります。

RAG（社内情報検索）の次のステップが、このマルチエージェントです。情報を参照するだけでなく、業務を実行できるAIへ。2026年はその移行フェーズです。