会議要約の自動化からメール送信まで｜Domoで作るAIエージェント完全ガイド

Domoを使えば、会議の書き起こしから要約生成、アクションアイテム抽出、関係者へのメール送信までを完全自動化できます。ノーコードでAIエージェントを構築する手順と実践ワークフローをわかりやすく解説します。

従来の自動化ツールがあらかじめ設定されたルールに従って動作するのに対し、AIエージェントは学習し、適応し、リアルタイムで意思決定を行うことができます。
彼らは、人間の常時監督なしで複雑な複数ステップのタスクを管理するインテリジェントなアシスタントのような存在です。

このガイドでは、AIエージェントの構築に必要な知識をすべてご紹介します。
AIエージェントを構成する各要素を分かりやすく解説し、Domoを使ってあなた自身のAIエージェントを初めて作成するためのステップをサポートします。

AI エージェントとは?

AIエージェントとは何か、そしてなぜそれが次なる自動化の大きなステップと呼ばれているのかを理解することから始めましょう。
AIエージェントは、定義された目標と処理するデータに基づいて複雑なタスクを自律的に完了するソフトウェアシステムです。
これらは、知覚・推論・行動を組み合わせたもので、特に自然言語処理（NLP）モデルやさまざまな統合ツールによって強化された機械学習技術によって支えられています。

多くの点で、AIエージェントは人間のワークフローを模倣しています。たとえば、会議の議事録を作成するように設計されたエージェントであれば、通常あなたが行うようなプロセスに従います。
まず会議の書き起こしなどのインプットを受け取り、次に「誰が何を言ったか」を特定して文脈を理解し、アクションアイテムを抽出して情報を整理し、最後に要約メールを送信することで行動に移します。
この「理解して実行する」能力により、AIエージェントは従来の自動化ツールよりもはるかに強力な存在となっています。

*General workflow of an AI agent |* *Source*

AIエージェントには、その自律性のレベルや対応するタスクの複雑さに応じて、さまざまな形態があります。

以下は、一般的なAIエージェントのタイプです：

リアクティブエージェント（反応型エージェント）

これらのエージェントは「条件-行動」のルールに基づいて動作します。過去のやり取りを記憶せず、現在の入力に即座に反応します。

例：
ユーザーの質問を分析し、ナレッジベースから回答を引き出すFAQ対応のカスタマーサポートチャットボット。過去の会話を「記憶」することはありませんが、その場で適切な返答を提供します。

デリバレーティブエージェント（熟慮型エージェント）

これらのエージェントはメモリと推論能力を使って、特定の目標に向けて行動を計画します。過去のやり取りやデータを分析し、複数ステップの意思決定を行います。

例：
メール管理や予定のスケジューリングなど日常的なタスクをこなすAIエージェント。カレンダーを確認し、候補時間を提案し、招待を送信します。また、フィードバックから学習してスケジュールの衝突を避けることも可能です。

ラーニングエージェント（学習型エージェント）

経験から学び、時間とともにパフォーマンスを向上させることができます。新しい状況にも適応し、フィードバックを取り入れて行動を最適化します。

例：
マーケティングキャンペーンの最適化を行うAIエージェント。パフォーマンスデータを分析し、広告費を調整し、ユーザーのエンゲージメント傾向に基づいてコンテンツをパーソナライズします。

従来の機械学習（ML） vs 大規模言語モデル（LLM） vs AIエージェント

AIエージェントの価値を理解するには、それが従来の人工知能の進化段階である「機械学習（ML）」や「大規模言語モデル（LLM）」とどう異なるのかを見ることが有益です。これらはいずれも「データに基づく意思決定」を目的としていますが、情報の処理方法や結果の生成方法において大きな違いがあります。

従来の機械学習（ML）

MLモデルは**決定論的（デターミニスティック）**であり、特定の入力に対して常に同じ出力を返します。大規模なデータセットで訓練され、パターン認識や予測には優れていますが、自ら意思決定をしたり行動を実行することはできません。

大規模言語モデル（LLM）

GPTやClaudeのようなLLMは、**非決定論的（ノンデターミニスティック）**です。同じ入力に対しても出力が異なる場合があります。大量のテキストデータで訓練され、文脈理解、人間らしい文章生成、話題をまたいだ推論などに長けています。しかし、LLMは基本的に「受動的」であり、あくまで与えられたプロンプトに応じて応答を生成するだけで、自律的に外部システムとやり取りしたり、生成した情報に基づいてアクションを実行することはできません。

AIエージェント

AIエージェントは、LLMの推論力と言語理解能力を活用しつつ、ツールを使って実際にアクションを実行できるように構成されています。
目標を自動で解釈し、それを細かいステップに分解し、必要なアクションを決定し、APIやデータベース、その他のソフトウェアツールを使用して実行します。

エージェントとは「インテリジェントなワークフロー」

AIエージェントによる複雑なタスク実行や意思決定は抽象的に感じられるかもしれませんが、本質的には「目標指向のタスク実行システム」です。

従来のワークフローは、「請求書の承認ルーティング」のように、事前に定義されたステップを順番に実行して最終目的を達成します。これらはルールベースで静的、そして文脈に関係なく同じ処理を行います。

一方、AIエージェントもタスクを順序立てて実行する点では同様ですが、大きな違いは「コンテキストに応じて柔軟に対応できる」点です。
行動の結果を評価し、新たな情報を取り入れ、必要に応じて計画や次のステップをその場で調整し、目標達成に向けて進み続けることができます。

*Payroll processing AI agent |* *Source*

‍

タスクの実行方法は、目的やデータによって変わることがあります。しかし全体的なプロセスは、エージェントの知能によって開始・管理される 一連の構造化されたステップ という点で共通しています。AIエージェントとその種類を理解したところで、次は「AIエージェントとは何で構成されているのか」を見ていきましょう。AIエージェントの持つ“インテリジェントなワークフロー”を理解するために、その主要コンポーネントを探っていきます。

AIエージェントの構成要素

AIエージェントは、動的な環境の中で 自律的に知覚し、推論し、行動し、学習 します。その効果性は、これらのコンポーネントが円滑に統合され、エージェントの知能と適応性を高めることに依存しています。

Perception（知覚）：インプットの収集と構造化）

知覚はエージェントの「感覚器官」にあたります。API、センサー、ユーザー入力など、さまざまなソースからデータを受け取り、テキスト、画像、音声などの構造化・非構造化データを処理します。

これにより、エージェントは現在の状況を理解するための 文脈（コンテキスト） を手に入れます。

Large Language Models（LLM）：文脈の形成と推論）

エージェントがデータを処理し、状況を理解した後、意思決定のための推論 を行います。この推論エンジンとして、GPT や Claude のような 大規模言語モデル（LLM） を使用し、入力された情報を具体的な「行動方針」へと変換します。

ツール：アクションの実行

LLM が「どのようなアクションが必要か」を判断した後、そのアクションを実行する役割 を果たすのが「ツール」です。
これらのツールは、さまざまな外部システムや機能との接続を含む場合があります：

データベースコネクタ：データベースからの読み取り、または書き込みを行う
API 連携：他のアプリケーションとの連携（例：メール送信、メッセージ投稿、CRMレコードの更新、外部データサービスへのアクセス）
コードインタープリタ：コードを実行して計算やデータ変換を行う
検索機能：オンラインまたは特定のナレッジベース内の情報を検索する

LLM は、ワークフロー内の各ステップに どのツールが必要かを判断 し、
そのツールを使って 定義されたアクションを実行 します。
このようなツールアクセスにより、エージェントは単なるテキスト生成にとどまらず、デジタル環境における実際の行動 が可能になります。

‍記憶（Memory）：継続性の維持

AIエージェントが複数のステップにわたるタスクを処理したり、会話やプロセスの一貫性を保つためには、「記憶」が必要です。
記憶は、過去のやり取り、観察内容、意思決定などの情報を保持することで、より賢く柔軟な対応を可能にします。

短期記憶（コンテキストウィンドウ）：
　現在進行中の会話履歴や、単一のタスク内で最近実行したステップを保持し、次の判断の文脈として機能します。
長期記憶：
　重要な事実、ユーザーの好み、過去タスクの結果、フィードバックループなどを蓄積し、将来の判断に活用したり、パフォーマンスを継続的に改善するために使われます。

AIエージェントの構築方法

AIエージェントを構築するには、タスクの自動化、インサイト提供、現実の問題解決に向けた体系的なアプローチが必要です。
以下では、構想からデプロイまでの主なステップを紹介します。

1. エージェントの目的と範囲を定義する
‍AIエージェントの目的と期待される成果を明確に定義することで、成功の基盤を築きます。
目標の明確化により、ビジネスニーズとの整合性が取れ、成果を評価する指標を確立できます。

解決すべき課題の特定：
例：よくある問い合わせへの自動応答、日次売上レポートの要約、システムログの異常監視など。
スコープと制限の定義：
エージェントが対応する範囲と、担当しない領域を明確にすることで、安全かつ効果的な運用が可能になります。

2. トレーニングデータの収集と準備
‍データはAIエージェントの“燃料”です。適切なデータを収集・整備することで、学習と実行の精度が高まります。
このステップでは、主に以下2つの種類のデータが関与します：

トレーニングデータ（必要な場合）：
　プリトレーニング済みLLM以外に、特定のMLモデルを学習させる場合には、そのモデルに適したデータセットが必要です。
運用データ：
　エージェントが本番運用中にリアルタイムで認識・活用するデータ（例：顧客からの問い合わせ、売上データ、ログなど）。

このプロセスでは、複数のソースからデータを集め、不備を修正し、整形し、アクセスしやすい形に整理します。
データの品質が結果を左右することを忘れずに。

3. AI/MLアプローチを選定する
‍このステップでは、エージェントの意思決定や行動を支える中核的なAIエンジンを選びます。

LLMの選定：
　自然言語の理解、推論、計画を担う“脳”にあたる大規模言語モデルを選びます。
その他のMLモデルの検討：
　感情分析や画像認識など、タスクによっては特化型MLモデルの統合が必要になる場合もあります。

4. エージェントのアーキテクチャを実装する
‍選択したAI/MLアプローチに基づいて、構成要素を統合するフレームワークを構築します。

知覚レイヤーの構築：
　APIやコネクタ、データフィードなど、外部から情報を受け取り処理するためのインターフェースを作成。
推論エンジンの統合：
　選んだLLMや他のAIモデルをエージェントのワークフローに接続。
アクションツールの開発／接続：
　外部システムとのAPI連携や機能呼び出しを実現するツール群を構築または統合。
エージェントループの設計：
　知覚 → 推論 → 行動 → 記憶の各ステップを制御するロジックを構築し、自律的な動作を実現。

5. エージェントの学習と最適化
‍モデルの学習が必要な場合は、準備したデータで学習を実施します。
また、事前学習済みLLMを使う場合でも、全体のパフォーマンス向上を目指して最適化を行います。

モデル学習（必要な場合）：
　カスタムMLモデルを対象データで学習。
プロンプトエンジニアリングと改善：
　LLMベースのエージェントでは、指示やプロンプトの調整により望ましい出力を得られるよう最適化します。
テストと反復改善：
　さまざまな入力・シナリオで徹底的にテストし、出力と挙動を検証。
　エラー、バイアス、非効率を特定し、設計・プロンプト・モデルを改良します。

6. エージェントのデプロイとモニタリング
‍テストと改善を終えたら、いよいよ実運用フェーズです。

デプロイ：
　対象環境にエージェントを統合。アプリケーション内、サーバー、またはクラウド上に展開可能です。
モニタリング：
　エージェントの活動、パフォーマンス指標、エラーや異常挙動を常時監視。
保守とアップデート：
　エージェントは継続的なメンテナンスが必要です。モデルやツールの更新、実環境でのパフォーマンスに基づく調整を行います。

これらのステップを実践することで、現実の業務課題に対応し、環境に適応できるAIエージェントを構築できます。
ただし、すべてのステップを自力で統合するのはやや複雑で、ある程度の技術的な知識が求められる場合もあります。

でも、Domo の Agent Catalyst なら話は別です。

適切なプラットフォーム、たとえば DomoのAgent Catalyst を使えば、構築プロセスは 想像よりずっと簡単 になります。

使いやすいインターフェース
柔軟なLLMオプション
データ統合も簡単
企業レベルのセキュリティ
ノーコード／ローコードで非エンジニアでも構築可能

ケーススタディ：DomoでAIエージェントを構築する

📌 課題

マーケティングチームが、毎週の戦略会議後のフォローアップを自動化したい。
現在はチームメンバーが何時間もかけて議事録を書き、アクションアイテムを抽出し、要約をメール送信しています。このプロセスは時間がかかり、ミスも発生しやすい。

✅ 解決策

Domoを使って、フォローアップ作業を自動化するAIエージェントを構築。
時間を大幅に節約し、責任の明確化（アカウンタビリティ）も向上。

ステップ1：データソースの作成または特定
‍エージェントを構築する前に、どのデータにアクセスし、操作するか を決めます。

このユースケースでは、DomoのData CenterのWebフォームを使って、
「名前」「メール」「役職」を含むシンプルなデータセットを作成します。

手順：

Domoの Data Center に移動
「Connect Data」をクリック
「Connectors」を選択

“webform” を検索 (手順 4)、そして “Domo Webform” をクリック (手順 5)

ステップ6：Webform に名前とカラムを設定する「email distribution list（メール配信リスト）」など、わかりやすい名前をWebformに付けましょう。
次に、以下のような必要なカラムを定義します：
- メールアドレス（email address）
- 氏名（name）
- 役職（role）
※ スクリーンショット内では、メールアドレスはダミー（プレースホルダー）に差し替えています。
エージェントを作成する際には、実際に使用可能なメールアドレスに置き換えるようご注意ください。

ステップ7：サンプルデータの入力と保存
いくつかの**サンプル行（例：チームメンバー3～5名分）**のデータを入力し、
最後に [保存] をクリックして Webform を保存します。
このデータセットは、AIエージェントが参照する基礎情報として使用されます。

ステップ2：ワークフローへのアクセス

Domo画面の 「その他（More）」ボタン（①） をクリックし、
表示されたメニューの中から 「Workflows（ワークフロー）」セクション（②） を選択します。

ステップ3：新しいワークフローの作成

「Workflows」セクションに移動したら、まず ［新規作成］（①） をクリックし、続いて ［空のワークフロー］（②） を選択して、新しいワークフローを作成します。

ステップ4：ワークフローに名前と説明を設定

作成したワークフローに、「Process Meeting Transcripts(会議記録要約エージェント)」 などのわかりやすく説明的な名前を付けましょう。必要に応じて、任意の説明文（③）も追加できます。名前を設定したら、［保存］ボタン（④） をクリックしてワークフローを保存します。

ステップ5：カスタマイズされたスタートフォームの追加

ワークフローは、最初に デフォルトの「Start」シェイプ から始まります。

キャンバス上の「Start」シェイプ（①） をクリックします。
画面右側のサイドパネルに表示される 緑色の「Customize Start Form（スタートフォームをカスタマイズ）」ボタン（②） をクリックします。

ステップ6：スタートフォームの命名と質問の追加
1. スタートフォームに名前を付けます（例：「Meeting Transcription（会議の書き起こし）」）（③）
2. エージェントが必要とする情報を収集するために、質問項目を追加します（④）
  　→ 例として「Transcription（書き起こし）」という質問が追加されています（⑤）
3. 質問には適切な入力形式を選択します。
  　この例では 「段落（paragraph）」 を選択しています（⑥）
  　→ 長文テキストの入力に適しています。
4. すべての質問が追加できたら、**［保存］ボタンをクリック（⑦）**してフォームを保存します。

ステップ7：スタートフォームの入力を変数にマッピング

スタートフォームで入力された値は、ワークフロー変数として保持する必要があります。

ワークフローキャンバスの右下にある ［Parameters（パラメータ）］セクション を確認します。
パラメータ名の ドロップダウン（①） をクリックし、先ほど作成した フォームを選択（②） します。

6ステップ8：AIエージェントタスクの追加

ここが、AIエージェントのロジックを実行する中核ステップとなります。

ワークフローキャンバス上の 「＋（プラス）」ボタン（①） をクリックして、新しいステップを追加します。
表示されるステップ一覧の中から 「AI Agent task（AIエージェントタスク）」（②） を選択します。

このタスク内で、エージェントが入力データを処理し、指示されたアクション（要約生成など）を実行します。

ステップ9：AIエージェントタスクの設定

キャンバス上の AIエージェントタスクのシェイプ（①） をクリックします。
ダブルクリックするか、画面右側のサイドパネル（②）でタスクに タイトルを付けたり設定を行ったり できます。
右側のサイドパネルにある ［Configure AI Agent（AIエージェントを設定）］ボタン（③） をクリックします。

ステップ10：エージェントに指示を与える

指定されたテキストエリアに、エージェントに実行してほしい内容を明確に記述してください（④）。

例文：

あなたは、チーム会議の書き起こしを処理するAIエージェントです。
あなたの目的は、議論の要約、主要ポイントの抽出、完了済み・未完了のタスクの整理、データセットからチームメンバー情報の取得、そして各メンバーに対し、名前付きで会議の要約を含むパーソナライズされたメールを送信することです。
以下のステップに従ってください：

会議の書き起こしにアクセスする
会話を要約する
チームメンバー情報を取得する
メンバーごとにパーソナライズされたメールを送信する
その他の指示があれば実行する

モデルの選択

次に、使用するAIモデルを選択します。
デフォルトでは、DomoのAIサービスレイヤーで定義された DomoGPTモデル が使用されます。

入力パラメータの定義

画面右側の 「Input Parameters（入力パラメータ）」セクション にて、
エージェントに渡すデータを カスタムパラメータとして追加します（⑤）。

パラメータ名を入力して追加
対応する ワークフロー変数 を選択・挿入します（⑥）

これにより、たとえば「Transcription（書き起こし）」の入力内容が、プロンプト内でエージェントに渡されるようになります。

‍

ツールの提供エージェントが指示されたタスクを実行するには、ツール（コードエンジンのパッケージや関数など）へのアクセス権限が必要です。
1. 画面上部の 「Tools（ツール）」ページ（⑦） に移動します。
2. そこで、「Add Tools（ツールを追加）」（⑧） をクリックします。
これにより、エージェントが以下のような操作を実行できるようになります：
- コードの実行
- データの加工や変換
- APIとの通信
- メールの送信など

必要な関数（ツール）を検索して追加する
1. 「Search（検索）」バーを使って、必要な関数やツールを検索します（⑨）。
2. 今回のユースケースでは、「Domo DataSet」パッケージを使用しました（⑩）。
このパッケージを追加することで、エージェントは以下のような操作が可能になります：
- Domo内のデータセットから情報を検索（例：チームメンバー情報の取得）
- データを更新・書き込み
- 条件に応じたデータ抽出

「Domo DataSet」パッケージから “Query with SQL” を選択
1. 追加した 「Domo DataSet」パッケージの中から、「Query with SQL」（SQLによるクエリ） を選択します（⑪）。
  　この関数は、SQLを使ってDomo内のデータセットを検索・抽出するために使われます。
2. 選択後、画面右下の ［保存］ボタン（⑫） をクリックして、関数をエージェントに追加します。