Gartnerが、エージェント型AIの導入事例107件を分析し、成果が出た事例の共通点をまとめました。その中に、部品の発注を受け持つエージェントで、技術者に9万時間を戻したという米国の会社があります。この会社のCIOは、AIの使い道を25個出したうえで、一つに絞ったと話しています。
① 事実
米国の調査会社Gartnerは2026年9月、公開されているエージェント型AIの導入事例を比べた分析の要点を公開しました。成果が出た事例として挙げた一つが、米国の産業サービス会社の、部品の発注を受け持つエージェントです。Gartnerは社名を書いていませんが、同じ数字の事例を、業務ソフトの会社IFSが自社の顧客として公表しています。その会社のCIOが、何を選んだかを壇上で話しています。
Gartnerは、エージェント型AIの導入107件を分析しました
Gartnerは2026年9月10日、「Mastering Agentic AI: Multimillion-Dollar ROI Lessons」という記事を公開しました。エージェント型AI（人が逐一指示しなくても、自分で手順を判断して作業を進めるAI）の導入107件を分析した、有料レポートの要点です。
Gartnerは、2028年までに、エージェント型AIで実際に出るROI（投資対効果）の80%が、何でもこなす汎用のエージェントより、特定の業務に絞って作った<strong>特化型</strong>のエージェントから生まれると予測しています。
Gartnerが挙げた成功例の共通点は「実行」でした
Gartnerは、部品の補充、製造の分析、設備の診断などで、エージェントがうまく使われていると書いています。そのうえで、成功例の共通点を「実行に焦点があること」とまとめています。エージェントが社内の業務の流れの中で作業を最後まで終わらせ、測れる成果を出しているという意味です。
同じ記事は、成果を止める落とし穴を6つ挙げています。その一つが、データやシステムの土台の弱さです。
部品の発注を受け持つエージェントで、9万時間を戻した会社があります
Gartnerが挙げた例の一つは、ある産業サービス会社です。部品の発注を自動化したエージェントで、<strong>年300万ドルのROIと、技術者への9万時間</strong>を生んだと書いています。
同じ数字の事例を、IFSが2026年4月の発表で、Kodiak Gas Servicesとして紹介しています。天然ガスをパイプラインで送るための圧縮設備を、米国全土で動かしている会社です。現場の技術者は800人います。技術者が話しかけるだけで部品を探して注文できるエージェントを入れた、と書かれています。
KodiakのCIOは、25個の使い道から部品探しを選んだと話しています
KodiakのCIO（情報システムの最高責任者）、Pedro Buhigas氏は、2025年11月にIFSのイベントに登壇しました。業界誌ERP Todayの報道によると、Kodiakは同年8月にIFSの基幹システムに移り、その8週間後にエージェントを入れています。
Buhigas氏は「できそうなことを出し合ったら、25の用途が出た。私たちは部品探しに絞った」と話しています。
それまで技術者は、部品が要るたびに、システムの部品カタログを検索するか、同僚に電話して在庫を訊いていました。エージェントは、この一往復を少なくとも15分縮めるそうです。
300万ドルは、Buhigas氏の試算です。技術者全員が、同僚に訊く手間を1日1回省けば、300万ドルに相当するという言い方でした。実績として話したのは、導入から2か月足らずで9万時間を省いたという数字です。9万時間がどう数えられたかは、公表されていません。
出典：
- Gartner「Mastering Agentic AI: Multimillion-Dollar ROI Lessons」（2026年9月10日） https://www.gartner.com/en/articles/agentic-ai-roi
- IFS「IFS Loops launches Agent Studio」（2026年4月23日） https://www.ifs.com/en/insights/news/ifs-loops-launches-agent-studio
- ERP Today「IFS Loops Unveils Agentic AI-Driven Digital Workers for Industrial Operations」（2025年11月14日） https://erp.today/ifs-loops-unveils-agentic-ai-driven-digital-workers-for-industrial-operations/
② 構造
Kodiakが25個の候補から選んだ部品探しは、技術者全員に毎日起きる、短くて形の決まった作業でした。探している答え（部品の番号と在庫）は、入れ替えたばかりの基幹システムの中にありました。Gartnerが成功例の共通点に挙げた「実行」は、この条件がそろった作業だから成り立ったと読めます。AIの性能より、どの作業を選んだかが効いた事例だと読めます。
Kodiakが選んだのは、毎日、全員に起きる15分の作業でした
Buhigas氏の話から読むと、部品探しには条件がそろっていました。800人の技術者全員に、毎日起きます。1回は15分ほどです。探すものは部品の番号と在庫で、形が決まっています。終わりは注文が出ることで、はっきりしています。
1回あたりは小さくても、人数と回数を掛けると大きくなる作業です。300万ドルの試算も、この掛け算でできています。
部品探しの答えは、8月に入れ替えた基幹システムの中にありました
技術者が同僚に電話していたのは、カタログを引くより早かったからだと推測できます。Kodiakは8月に基幹システムを入れ替え、その8週間後にエージェントを入れました。エージェントが部品を探して注文まで終えられたのは、部品と在庫の記録が、エージェントの届く場所に入っていたからだと読めます。
Gartnerは落とし穴の一つに、データとシステムの土台の弱さを挙げていました。Kodiakの部品探しは、その逆の状態で始まっています。答えが人の頭の中や、ばらばらの表にあると、エージェントは提案で止まり、注文までは進めません。
残りの24個がどうなったかは、分かりません
本紙はVol.74で、AIをどこに当てるかを見つけることを、研究者が「マッピングの問題」と呼んでいると書きました。同じAIを配られても、当てる場所が見えない会社は成果が出ない、という実験です。Kodiakの25個の候補は、この見つける作業にあたります。
Kodiakは、見つけた25個から一つに絞って始めました。残りの24個がその後どうなったかは、公表された発言からは分かりません。
本紙はVol.73で、外の技術者が作ったエージェントの7割が、2028年までに手放されるというGartnerの予測を取り上げました。今回のGartnerの分析は、その反対側で成果が出た事例を集めたものです。