AIエージェント、1工程85%でも8工程で27% ― 「複利で崩れる信頼性」が本番化を止める本当の理由

2026年、AIエージェントのベンチマークスコアは日々更新されている。「OSWorldで79.6%」「タスク完了率75.3%」――こうした数字だけを見れば、エージェントはもう十分に賢く、あとは導入するだけに思える。ところが現場では、デモでは完璧に動いたエージェントが、本番のワークフローに載せた途端に成果を出せず止まる、という事態が繰り返されている。ある調査は、デモで動いたエンタープライズ向けエージェントの88%が、実業務に載せると失敗するとまで報告している。

なぜ「賢い」はずのエージェントが本番で崩れるのか。技術的な答えははっきりしている。エージェントの信頼性は、工程を重ねるごとに「複利」で崩れていくからだ。本稿は、単発のベンチマークスコアが本番の信頼性を保証しない構造を解剖し、日本の大企業が「PoCは成功したのに本番化できない」という罠を抜け出すために、何を設計すべきかを整理する。

単発85%でも、8工程を通せば27%――「複利」の罠

各工程の成功率を85%としたとき、工程数が増えるほど通し成功率が85%から72%、52%、38%、27%へと複利的に低下することを示す棒グラフ

ベンチマークが測っているのは、多くの場合「1回のタスクを1回試したときの成功率」だ。だが実際の業務は、複数の工程を順に通すワークフローでできている。ここに、経営が見落としがちな数学が潜んでいる。

たとえば、リード選別を8つの工程に分けて自動化するとする。各工程で85%という、単体では悪くない精度が出ているとしよう。ところが、全工程を通して正しく完了する確率は、0.85を8回かけ合わせた値――およそ27%にしかならない。つまり、4回に3回は、どこかの工程で失敗している。 3工程のチェーンでも、各70%なら通し成功率は約34%だ。

これが「複利で崩れる信頼性」の正体である。各工程がどれだけ優秀でも、掛け算である以上、工程が増えるほど成功率は急降下する。 単発のベンチマークスコアは、この掛け算の「1回分」しか映していない。しかも問題は繰り返しで増幅する。ある検証では、単発では60%成功したタスクが、8回連続で実行すると成功率は25%まで落ちた。本番の業務は、同じ処理を1日に何千回と回す世界だ。単発で光るスコアと、本番で求められる「毎回きちんと動く」という一貫性は、まったく別の指標なのだ。

「完了した」は「信頼された」ではない

8128名調査で、タスク完了率は平均75.3%（最高86%〜最低65%で21ポイントのばらつき）だが、手動検索を信頼する人が54%・エージェントを信頼する人が34%という信頼の断層を示した図

信頼性のもう一つの落とし穴は、「完了率」という指標そのものにある。8,128名を対象にした2026年の調査では、主要なAIエージェントのタスク完了率は平均75.3%だった。悪くない数字に見える。だが同じ調査は、見過ごせない事実も突きつけている。完了率は、最高86%から最低65%まで、21ポイントも開いていた。どのエージェントを選ぶかで、信頼性は大きく変わる。

さらに重要なのは、「完了した」ことと「信頼された」ことは別だという点だ。同じ調査で、手動検索の結果のほうを信頼すると答えた人は54%。一方でエージェントの結果を信頼すると答えた人は34%にとどまった。技術に明るいユーザーほど、この差は大きかった。エージェントは「タスクを終わらせた」かもしれないが、ユーザーはその結果を「信じていない」。完了率が測るのは、あくまで終わったかどうかであって、その中身が使いものになるかではない。

なぜこうなるのか。実運用のインタラクションのうち、想定どおりに進む「ハッピーパス」は6〜7割にすぎず、残りの3〜4割は想定外のエッジケースだからだ。デモで見せるのは決まってハッピーパスだが、本番の信頼性を決めるのは、この3〜4割の例外をどう捌くかである。エッジケースを設計せずに本番投入することが、そのまま「信頼されないエージェント」を生む。

マルチエージェントは「境界」で壊れる

マルチエージェント失敗分類(MAST)の内訳。仕様・指示の不備が41.8%、エージェント間の不整合(境界での破綻)が36.9%、検証の欠落が21.3%を占めることを示した横棒グラフ

複利の罠は、単体のエージェントを複数つないで協調させる「マルチエージェント」構成でさらに深刻になる。工程の掛け算に加えて、エージェント同士の「受け渡し（ハンドオフ）」という新しい壊れどころが増えるからだ。

マルチエージェントの失敗を体系的に分類した研究（MAST: Multi-Agent System Failure Taxonomy）は、失敗の原因を3つに整理している。仕様・指示の不備が41.8%（役割・ゴール・制約が曖昧なまま渡される）、エージェント間の不整合が36.9%（引き継ぎでの文脈喪失、出力形式のズレ、矛盾する出力）、検証の欠落が21.3%（出力の正しさを誰も確かめない）。

注目すべきは、失敗の実に約37%が、個々のエージェントの能力ではなく「境界」で起きていることだ。「あなたはリサーチャーです」といった曖昧な役割定義のまま複数のエージェントをつなぐと、担当範囲が重複したり、逆に誰も拾わないタスクが生まれたりする。モデルを賢いものに差し替えても、この境界の設計が甘ければ信頼性は上がらない。 マルチエージェント化は自動的に賢くなる魔法ではなく、「境界の設計」という新たな作り込みを要求する選択なのだ。

一度作った精度は、放っておくと劣化する

AIエージェントの精度が導入1ヶ月目の94%から6ヶ月目の79%へと右肩下がりに劣化する様子を示した折れ線グラフ。モデル更新・API変更・利用行動の変化が原因

さらに厄介なのは、信頼性は「一度作れば終わり」ではないという点だ。仮に苦労してエッジケースまで作り込み、本番で高い精度を出せたとしても、それは静かに劣化していく。

ある報告は、導入1ヶ月目に94%の精度で動いていたエージェントが、6ヶ月目には79%まで落ちたケースを挙げている。原因は、裏側で使うモデルのアップデート、連携先APIの仕様変更、そしてユーザーの使い方そのものの変化だ。AIエージェントの信頼性は、環境の変化に晒され続ける「生もの」なのである。

これが意味するのは、本番化とは「作って納めて終わり」の一発仕事ではない、ということだ。継続的なeval（評価）で精度を監視し、業務水準を割り込む前に手を打つ運用がなければ、せっかく本番化したエージェントも、いつの間にか「信頼されないもの」に戻る。日本の大企業でありがちな「導入プロジェクトは終わった、あとは現場で使うだけ」という発想は、この劣化の前では通用しない。

「複利で崩れる」を「複利で積み上げる」に変える3つの設計

信頼性を作る3つの打ち手。①工程ごとのeval設計は品質の壁、②失敗前提のアーキテクチャは品質・ガバナンスの壁、③本番初日からの継続observabilityは横展開の壁に対応することを示した図

ここまでの構造――複利の崩壊、完了と信頼の断層、境界での破綻、時間による劣化――に共通するのは、いずれもモデルの賢さでは解決しないということだ。埋めるべきは、モデルの外側にある設計と運用の空白である。私たちはAIの本番化を阻む構造を「4つの壁」（品質／ガバナンス／横展開／人材）として整理しているが、信頼性を積み上げる打ち手は、そのうち3つの壁への具体的な処方箋になる。

① 工程ごとにevalを設計する（品質の壁）。 通し（end-to-end）の成功率だけを見ていると、どの工程が足を引っ張っているのか分からない。各工程の成功率を個別に測り、最も弱い工程を特定して作り込む。複利は掛け算だからこそ、一番低い工程を1つ引き上げるだけで、通し成功率は大きく改善する。単発スコアではなく「工程別の実測」こそが、信頼性設計の出発点だ。

② 失敗前提のアーキテクチャを組む（品質・ガバナンスの壁）。 ハッピーパスだけでなく、実運用の3〜4割を占めるエッジケースを洗い出して検証する。そして失敗を「起きないもの」ではなく「起きるもの」として扱い、失敗時の復旧手順、人間へのエスカレーション、監査ログを最初から組み込む。止まらないエージェントを目指すのではなく、止まったときに安全に人へ返せるエージェントを設計する。

③ 本番初日から継続observabilityで監視する（横展開の壁）。 精度ドリフトは、放っておけば必ず起きる。だからこそ本番リリースの初日から観測（observability）を仕込み、劣化を検知して手を打つ。そしてこの継続的な計測は、副産物として「このエージェントは今も業務水準で動いている」という数字での証明を生む。その数字こそが、次の部門への横展開と継続投資を通すための、最も確かな燃料になる。

まとめ ― 信頼性は「モデル」ではなく「設計」で作る

2026年、AIエージェントをめぐる問いは「モデルは十分に賢いか」から「その賢さを、本番で毎回きちんと発揮させ続けられるか」へと移った。1工程85%が8工程で27%に崩れる複利の罠、完了率と信頼の断層、境界で壊れるマルチエージェント、時間とともに進む劣化――これらはどれも、より賢いモデルを待っていても解決しない。信頼性は、モデルの性能ではなく、その外側に置く設計と運用でしか作れない。

裏を返せば、この設計をやり切った企業だけが、崩れる複利を「積み上がる複利」に変えられる。工程ごとのeval、失敗前提のアーキテクチャ、継続的な観測――この地味な作り込みの積み重ねが、デモ止まりのエージェントと、本番で成果を出し続けるエージェントを分ける。

Wizitは、この「PoCで止まったAIを、本番運用とROIまで動かし切る」工程――工程別のeval設計とcontext engineering、エッジケースまで想定した本番アーキテクチャ、そして本番後の継続evalによる信頼性の証明――を、現場で手を動かしてやり切る実装パートナーだ。問われているのは「このエージェントは賢いか」ではなく、「このエージェントは、6ヶ月後も、1日千回でも、信頼できるか」である。 その答えを数字で示せるかどうかに、本番化の成否はかかっている。

---

出典:

• Fiddler AI「AI Agent Failure Rate: Why 70-95% Fail in Production」（本番失敗率70〜95%、デモで動いた企業向けエージェントの88%が実業務で失敗、3工程各70%で通し成功率約34%、単発60%→8回連続実行で25%、MIT: 生成AIパイロットの95%がP&L効果を出せず）
• Inovabeing「Why AI Agents Fail in Production: The Reliability Gap in 2026」（各工程85%×8工程で通し成功率約27%、ハッピーパスは実運用の60〜70%・残り30〜40%がエッジケース、精度が1ヶ月目94%→6ヶ月目79%へ劣化）
• DigitalApplied「AI Agent Task Completion in 2026」（8,128名調査／5エージェント平均完了率75.3%・最高86%〜最低65%で21ポイントのばらつき、手動検索を信頼54%・エージェントを信頼34%）
• MAST: Multi-Agent System Failure Taxonomy（マルチエージェント失敗の内訳: 仕様・指示の不備41.8%／エージェント間の不整合36.9%／検証の欠落21.3%）
• Gartner（2026年末までにエンタープライズアプリの40%がエージェントを組み込むと予測、2027年までにエージェントAIプロジェクトの40%超が中止リスク）