AIエージェントの作り方7ステップ|ツール選び・費用・止め方まで

AIエージェントは「業務を決める→作り方を選ぶ→LLMの動かし先を決める→指示文を設定する→人の確認を入れる→テストする→小さく公開する」の7ステップで作れます。手順が毎回同じ業務なら、AIエージェントにせず「ワークフロー」で足ります。

AIエージェントの作り方 7ステップとツール選び・費用・止め方

総務省「令和8年版 情報通信白書」(2026年)によると、業務で生成AIを利用する日本企業は86.4%です(活用方針の設問で「わからない」を除いた割合)。一方、AWSの委託でStrand Partnersが実施した調査(2026年11月)では、エージェント型AIに精通する企業でも完全導入は6%です。

この記事の結論
データを社外に出してよいなら、LLMは外部のAPIで足ります。送信・決済・削除・公開の前には、人の確認を入れます。

AIエージェントの作り方は7ステップ(全体像)

AIエージェントを作る7ステップの図解。①業務②作り方③LLMの動かし先で方針を決め、④指示・文書・ツール⑤確認・停止で動きと制限を設定し、⑥テスト⑦小さく公開・改善で試してから広げる

AIエージェントは、任せる業務を決めてから小さく公開するまでの7ステップで作ります。後から変えると手戻りが大きいのは、費用の構造を決めるステップ3と、業務の流れを決めるステップ5です。

ステップ

決めること

成果物

1. 業務と範囲を決める

対象業務、社内ルール、指標

業務と指標の一覧

2. 作り方を選ぶ

ノーコード・ローコード・コード

使うツール

3. LLMの動かし先を決める

外部のAPIか自社環境のGPUか

月額の見積もり

4. 指示文・ナレッジ・ツールを設定する

指示文、参照する文書、ツール

各種の設定

5. 人の確認と停止条件を入れる

承認する操作、止める条件、ログ

確認と停止のルール

6. テストして評価する

テストケース、合格の基準

テスト結果

7. 小さく公開して改善する

公開範囲、監視する項目

監視の記録

出典:HelloCloud編集部作成

ポイント:
LLMの動かし先(ステップ3)と人の確認・停止条件(ステップ5)は、作り始める前に方針を決めます。

AIエージェントとワークフローの違いを先に確認

ワークフローとAIエージェントの違いの図解。ワークフローは人が手順を設計し、AIエージェントはLLMが次の手順を選ぶ

AIエージェントとワークフローの違いは、手順を人が事前に決めるか、LLMが自分で決めるかです。

Anthropicは「Building effective agents」(2024年12月)で、決められた手順で動く仕組みをワークフローと呼びます。LLMが手順を自ら決める仕組みは、エージェントです。

項目

ワークフロー

AIエージェント

手順を決める主体

人(事前に設計)

LLM(状況に応じて選ぶ)

向く業務

手順を事前に決められる業務

手順の数や順番を決められない業務

速さと費用

予測しやすい

遅く、高くなりやすい

出典:Anthropic「Building effective agents」(2024年12月19日公開、確認日2026-11-18)をもとに作成

手順が決まっている業務はワークフローで足りる

手順が毎回同じ業務は、ワークフローで自動化すれば足ります。Anthropicは、最も単純な方法から始め、必要なときだけ複雑にすることを勧めています。エージェントは、遅延と費用の増加と引き換えに性能を上げる仕組みで、誤りが積み重なるおそれもあるという説明です。

ワークフローの5つの型と自律型を使う場面

ワークフローは、Anthropicが示す5つの型から選びます。

  • Prompt chaining(連鎖):作業を順に分け、前の出力を次の入力にする

  • Routing(振り分け):入力を分類し、種類ごとに別の処理へ回す

  • Parallelization(並列化):作業を同時に実行し、結果をまとめる

  • Orchestrator-workers(指揮役と作業役):指揮役のLLMが作業を割り振る

  • Evaluator-optimizer(評価と改善):生成と評価を別のLLMで繰り返す

手順の数を予測できない問題には、自律型のエージェント(Autonomous agent)を使います。

AIエージェントを構成する5つの要素

AIエージェントは、LLM(大規模言語モデル)、指示文、ナレッジ(根拠にする文書)、ツール(外部の機能)、記憶(会話の履歴)の5つで構成されます。

ポイント:
手順を事前に決められる業務はワークフローで足り、AIエージェントが必要になるのは手順を決められない業務です。

ステップ1:AIエージェントに任せる業務と範囲を決める

ステップ1の図解。対象の業務、データと利用範囲、成果の指標を決め、最初は1つの業務で効果を確かめる

ステップ1では、任せる業務を1つに絞り、入力してよいデータ、人が判断する範囲、成果の指標を決めます。業務を絞らないと、テストの範囲が広がり品質を確かめにくくなります。

最初に任せる業務の選び方

最初の業務は、件数が多く、入力と出力の形が決まっていて、誤りを人が直せる業務から選びます。総務省「令和8年版 情報通信白書」(2026年)による、生成AIの業務別の活用率は次のとおりです。

  • 議事録・メール作成補助:約7割

  • 営業・販売:約6割

  • 社内ヘルプデスク:約5割

出典:総務省「令和8年版 情報通信白書」(2026年、確認日2026-11-18)

送金や契約の締結のように、誤りを取り消せない業務は最初の対象から外します。

社内ルールと利用範囲を先に決める

社内ルールでは、入力してよい情報、使ってよいアカウント、人が確認する出力の範囲を先に決めます。

総務省「令和7年版 情報通信白書」では、生成AIの活用方針を定める日本企業は2024年度で49.7%(2023年度は42.7%)です。中小企業では約半数が定めていません。方針がない会社では、個人情報を入力してよいかを担当者が個別に判断することになります。

出典:総務省「令和7年版 情報通信白書」(2025年、確認日2026-11-18)

成果を測る指標を決める

成果の指標は、作業時間、処理件数、正答率、人に回した件数の4つが基本です。作る前の数値を測っておくと、ステップ6・7で同じ数値と比べられます。

ポイント:
最初の業務は、件数が多く誤りを人が直せるものを1つ選び、作る前の作業時間や件数を測っておきます。

ステップ2:AIエージェントの作り方を選ぶ(ノーコード・コード)

ステップ2の図解。ノーコードは画面で設定、ローコードは業務の流れを組む、コードは独自の処理を実装する

AIエージェントの作り方は、ノーコード・ローコード・コードの3つです。プログラミングをしないならノーコード、業務の流れを画面で組むならローコード、社内システムとの細かな連携が必要ならコードを選びます。

プログラミングなしで作れる?3つの作り方の違い

プログラミングの知識がなくても、ノーコードのツールでAIエージェントを作れます。ChatGPTのGPT、GeminiのGem、Claudeのプロジェクトは、画面で指示文を書き、ファイルを追加して設定します。

作り方

必要なスキル

自由度

向く業務

代表的なツール

ノーコード

指示文を書ける

低い

個人・チームの定型作業

GPT、Gem、Claudeのプロジェクト

ローコード

業務の分解、APIの基本

中程度

複数のサービスをまたぐ業務

Copilot Studio、Dify、n8n

コード

Pythonなど

高い

社内システムとの連携

OpenAI Agents SDK、LangChain

出典:HelloCloud編集部作成(Copilot Studioの分類はMicrosoft公式の説明による。確認日2026-11-18)

迷ったらノーコードで試し、外部連携が必要になった時点でローコードやコードに移ります。

個人で作る場合と会社で作る場合の違い

個人と会社の違いは、データの扱いとアカウントの管理です。個人なら自分のメモで試せますが、会社では会社が契約したアカウントで作り、入力する情報を社内ルールに合わせます。個人のアカウントで作ると、異動や退職の際に引き継げないおそれがあります。

ポイント:
作り方はスキルと連携の範囲で選び、会社で使う場合は会社が契約したアカウントで作ります。

ステップ3:AIエージェントのLLMをどこで動かすか決める

ステップ3の図解。外部のLLM APIは送信条件と入出力量を、自社が選ぶGPU環境はモデル要件と稼働時間を確認し、ツール費用と運用工数も見積もる

LLMの動かし先は、外部のLLM APIか、自社環境のGPUかの2つです。データを社外に出してよく、モデルを自社で調整しないなら、外部のLLM APIで足ります。

項目

外部のLLM API

自社環境(GPU)

データの所在

API提供事業者の環境

自社が選んだ環境

初期準備

APIキーの発行

GPUの用意、実行環境の構築

課金の単位

入力・出力のトークン数(LLMが文章を処理する単位)

時間単価×稼働時間×台数(時間課金の場合)

出典:Claude API料金(確認日2026-11-18)、HelloCloud公式サイト(確認日2026-11-18)をもとに作成

注意:
時間課金のGPUは、処理がない時間の扱いで月額が変わるため、課金の条件を事前に確認します。

外部のLLM APIで足りるケース

データを社外に送ってよく、モデルを調整せず、推論(学習済みモデルで回答を作る処理)の量がAPI利用料で見合うなら、外部のLLM APIで足ります。

音声の文字起こしを組み込む場合は、音声認識APIの無料枠と超過後の料金も比べておくと費用を見積もりやすくなります。

自社環境(GPU)でモデルを動かすケース

自社環境のGPUを検討するのは、データを国外に出せない、推論を常時大量に動かす、モデルを追加学習する、の3つの場合です。

国内で処理する場合も、個人情報の取り扱いは個人情報保護委員会のガイドライン(通則編)で確認します。

費用の比べ方:API従量とGPU時間課金の計算式

API従量とGPU時間課金の費用は、次の2つの式で見積もります。

  • API従量の月額=(月間の入力トークン数×入力単価)+(月間の出力トークン数×出力単価)

  • GPU時間課金の月額=時間単価×月間の稼働時間×台数

1件あたり入力3,000トークン・出力500トークンの処理を、月1万件行う例です。

呼び出し先

単価

月間の量

月額の目安

Claude Sonnet 5.5(API)

入力$2・出力$10/100万トークン

入力3,000万・出力500万トークン

$110(1ドル=150円と仮定して約16,500円)

RTX 6000(HelloCloud、常時稼働)

¥380/時間

720時間×1台

¥273,600

RTX 6000(HelloCloud、平日日中)

¥380/時間

160時間×1台

¥60,800

出典:Claude API料金(確認日2026-11-18)、HelloCloud公式サイト(確認日2026-11-18)。HelloCloudの料金は1インスタンスあたりの参考価格で、税込・税別の記載なし

この条件ではAPIの方が安く、月約16.6万件を超えると常時稼働のGPU 1台の方が安くなります(GPU 1台で処理できる場合)。

式は人の工数や時間単価以外の費用を含まないため、HelloCloudの詳しい条件は資料請求で確認できます。

ポイント:
自社環境のGPUを検討するときは、2つの式で月額を比べ、推論量がどこで逆転するかを確かめます。

自社環境でモデルを動かす費用を見積もりたい方へ
HelloCloudの特徴と料金、導入の進め方がわかる資料を配布しています。HelloCloudのGPUは、使った分だけ支払う従量課金です。
資料請求(HelloCloudの特徴と料金)

ステップ4:AIエージェントの指示文・ナレッジ・ツールを設定

ステップ4の図解。指示文、参照する文書、実行する機能の3つの設定でAIエージェントの動きを決める

AIエージェントの動きは、指示文・ナレッジ・ツールの3つの設定で決まります。ツールは実際にメール送信などを行うため、実行前に人の同意を得る設定を入れます。

指示文(プロンプト)に書く4つの項目

指示文には、役割・制約・出力形式・わからないときの対応の4つを書きます。

  1. 役割を書く:例「社内の経費精算の質問に答える担当です」

  2. 制約を書く:例「社内規程だけを根拠にし、推測で答えない」

  3. 出力形式を書く:例「結論を1文で示し、根拠の条番号を添える」

  4. わからないときの対応を書く:例「判断できない質問は経理部の窓口を案内する」

Difyの公式ドキュメントも、指示に役割・出力形式・制約を書くよう案内しています。

社内文書をナレッジとして参照させる

社内文書を参照させるには、規程やマニュアルをナレッジとして登録し、検索した文書をもとに回答させます(RAG:検索拡張生成)。古い版や下書きは登録から外し、利用者全員に見せられない文書は入れません。

ChatGPTのGPT作成ヘルプも、アップロードしたファイルの内容が出力に現れる可能性があると注意しています。

外部ツールをつなぐ(MCPと安全な使い方)

外部ツールをつなぐ共通の仕様が、MCP(Model Context Protocol:AIと外部ツール・データをつなぐ共通の仕様)です。

MCPの仕様(2026-07-28版)では、Host(LLMアプリ)・Client(接続部)・Server(提供側)がJSON-RPC 2.0で通信します。ServerはResources(データ)・Prompts(定型の指示)・Tools(実行する機能)を提供します。

注意:
MCPの公式仕様は、ツールの実行前に利用者の明示的な同意を得ること、信頼できないServerのツール説明を信用しないことを求めています。

ポイント:
指示文には4項目を書き、ナレッジは最新の文書に絞り、ツールは実行前に人の同意を得る設定にします。

ステップ5:AIエージェントに人の確認と停止条件を入れる

ステップ5の図解。実行前に人が確認し、呼び出し回数・費用・処理時間の上限で停止し、入力・参照文書・ツール・結果・承認者をログに記録する

AIエージェントには、送信・決済・データの更新や削除・公開の前に人の確認(Human in the Loop)を入れ、止める条件、権限、ログの項目を決めます。取り消せない操作は、AIエージェントだけで実行させません。

操作

人の確認

止める条件

再開の条件

メール・メッセージの送信

社外宛ては送信前に承認

登録外の宛先、送信数の上限超え

宛先と本文を確認

決済・発注

金額にかかわらず承認

上限金額の超過、短時間の重複

承認者が金額を確認

データの更新・削除

削除は必ず承認

一度に更新する件数の上限超え

バックアップを確認

公開(Webサイト・SNS)

公開前に承認

禁止語句、出典のない数値

担当者が修正・確認

出典:HelloCloud編集部作成(ツール実行前の同意はModel Context Protocol「Specification」(仕様版2026-07-28、確認日2026-11-18)による)

人の確認を入れる操作(送信・決済・削除・公開)

人の確認を入れるのは、取り消せない操作と、社外に影響が出る操作です。下書きの作成や社内文書の検索のような読み取り中心の操作は、人が後から直せるため任せられます。確認は、AIエージェントが実行内容を示し、担当者が承認してから実行する流れにします。

止める条件と権限の絞り方

権限は読み取りだけから始め、書き込みや送信は必要な操作に限って追加するのが基本です。止める条件は呼び出し回数・費用・処理時間の上限で決め、止まったら担当者に通知します。Difyでは「最大イテレーション数」で呼び出しの上限を設定できます。

セキュリティで確認すること

セキュリティでは、IPA(情報処理推進機構)が整理した次の6つの課題を、作るAIエージェントに当てはめて確認します。

  • AIセキュリティマネジメント

  • サプライチェーン攻撃・漏洩・改ざん

  • 学習モデルへの攻撃

  • 学習データの改ざん・汚染

  • 個人情報・営業秘密の漏洩

  • 偽情報・誤情報

出典:IPA「AIのセキュリティ」(確認日2026-11-18)

ナレッジの文書や外部ツールの応答に、悪意のある指示が紛れ込む場合も想定します。利用者向けの注意点は、IPAの「AI利用者のためのセキュリティ豆知識」(2026年4月2日公開)にまとまっています。

ログに残す項目

ログには、入力・参照した文書・実行したツール・結果・承認者の5項目を、日時とともに残します。5項目がそろえば、誤りの原因が指示文・ナレッジ・ツールのどこにあるかを追えます。

ポイント:
送信・決済・削除・公開は人の承認後に実行し、権限は読み取りから、止める条件は回数・費用・時間の上限で決めます。

ステップ6:AIエージェントをテストして評価する

ステップ6の図解。正常な質問、答えがない質問、外部ツールの失敗、権限外の操作の4種類を本番と切り離した環境でテストする

AIエージェントのテストでは、正常な質問、答えがない質問、外部ツールの失敗、権限外の操作の4種類を試します。Anthropicは、サンドボックス(本番と切り離した試験環境)でのテストと、ガードレール(誤作動を防ぐ制限)を勧めています。

観点

例

合格の条件

正常な質問

出張の日当を聞く

規程どおりの金額と根拠を示す

答えがない質問

規程にない手当を聞く

推測せず窓口を案内する

外部ツールの失敗

連携先がエラーを返す

エラーを伝えて止まる

権限外の操作

データの削除を依頼する

実行せず人の確認に回す

出典:HelloCloud編集部作成(本番と切り離した環境でのテストはAnthropic「Building effective agents」(2024年12月19日公開、確認日2026-11-18)の推奨による)

テストケースの作り方(正常・答えなし・連携失敗)

テストケースは、実際の問い合わせ履歴から4つの観点ごとに質問を集めて作り、設定を変えるたびに同じテストを流します。

評価に使う指標

評価の指標は、正答率、完遂率、応答時間、1件あたりの費用の4つです。完遂率は、作業を最後までやり終えた割合を指します。合格の基準は、ステップ1で測った数値と比べて決めます。

ポイント:
テストは本番と切り離した環境で4種類を試し、変更のたびに同じテストで結果を比べます。

ステップ7:AIエージェントを小さく公開して改善する

ステップ7の図解。利用状況、品質と引き継ぎ、費用のずれを決まった間隔で確認し、1つの部署・1つの業務から小さく公開して改善する

AIエージェントの公開は、1つの部署・1つの業務から始め、利用回数・失敗件数・人に回した件数・費用を見ながら広げます。全社に一度に公開すると、原因を切り分けにくくなります。

項目

見る理由

改善の打ち手

利用回数

使われているか

対象業務を見直す

失敗件数

誤答やエラーの増加

ログから原因を直す

人に回した件数

対応できない範囲

ナレッジに追加する

費用

見積もりとのずれ

呼び出し先を見直す

出典:HelloCloud編集部作成

一部の利用者・一業務から公開する

最初は1つの部署の数人に絞り、誤りの報告先を伝えます。ステップ6の合格基準を本番でも満たしてから、対象を広げます。

公開後に監視する項目

公開後は、利用回数・失敗件数・人に回した件数・費用の4項目を、週ごとなど決まった間隔で確認します。費用はステップ3の見積もりと請求額を比べ、ずれが大きければ呼び出し回数を見直します。

ポイント:
公開は1つの部署・1つの業務から始め、4つの項目を決まった間隔で確認します。

ツール別のAIエージェントの作り方

ツール別の作り方の図解。GPT・Gem・Claudeのプロジェクトは指示と資料で試す、Copilot Studio・Dify・n8nは業務やサービスをつなぐ、Pythonと開発用フレームワークは独自の処理を作る

Microsoft 365を使う組織ならCopilot Studio、個人の定型作業ならChatGPT・Gemini・Claudeが候補です。複数サービスをまたぐ業務の候補は、Difyとn8nです。

各ツールの手順は公式ドキュメントの記載に沿っています。

ツール

向く用途

公式ドキュメント

Copilot Studio

Microsoft 365を使う組織の業務

クイックスタート

ChatGPT(GPT)

個人・チームの定型作業

GPTの作り方

Gemini(Gem)

個人の定型作業

Gemの使い方

Claude(プロジェクト)

資料をもとにした継続的な作業

プロジェクトの作り方

Dify

ツールとナレッジの組み合わせ

エージェントの設定

n8n

複数サービスをまたぐ自動化

AI Agentノード

Python

社内システムとの連携

OpenAI Agents SDK

出典:公式ドキュメントのリンクは各ツールの公式サイト(確認日2026-11-18)。向く用途はHelloCloud編集部作成

Copilot(Copilot Studio)で作る

Copilot Studioでは、作りたいエージェントの説明を入力すると、AIが指示を生成し、ナレッジやツールを提案します。公式クイックスタート(2026年9月22日更新)の手順です。

  1. 説明を入力する:サインイン後、してほしいことを最大1,024文字で書く

  2. 提案を選ぶ:生成された指示や、提案されたナレッジ・ツールを取り入れる

  3. 調整してテストする:変更のたびにテストする

試用版ライセンスでは公開はできません。

ChatGPT・Gemini・Claudeで作る

ChatGPT・Gemini・Claudeでは、指示文とファイルを登録した専用の対話AIを画面で作れます。

  • ChatGPT(GPT):「Create a GPT」の「Configure」タブで指示・ナレッジ・機能を設定し、「Publish」で公開

  • Gemini(Gem):「Gem を作成」で名前・指示・ファイルを設定して保存

  • Claude(プロジェクト):「+ 新規プロジェクト」を作り、プロジェクト指示と文書を追加

Dify・n8nなどノーコード・ローコードツールで作る

Difyでは、エージェントの設定画面で次の順に設定します。

  1. 指示を書く:役割・出力形式・制約・ツールの使い方

  2. モデルを選ぶ:ツール呼び出しに対応したモデル

  3. ツールとナレッジを追加する:最大イテレーション数も決める

  4. 試して公開する:プレビューで確かめて「公開する」を押す

n8nでは、AI Agentノードにチャットモデルと1つ以上のツールをつなぎます。n8n 1.82.0以降、AI AgentノードはすべてTools Agentとして動きます。

Pythonで作る(フレームワークを使う)

Pythonでは、AIエージェント用のフレームワーク(開発用の部品集)を使います。OpenAI Agents SDK(0.25.0、Python 3.10以上、確認日2026-11-18)では、次のコマンド(macOS・Linuxの場合。Windowsは公式クイックスタートを参照)で準備します。準備後は、AgentとRunnerでエージェントを作って実行する流れです。

pip install openai-agents
export OPENAI_API_KEY=sk-...

ポイント:
手軽に試すならノーコード、複数サービスをまたぐならDifyやn8n、独自の処理ならPythonを選びます。

AIエージェント用のGPU環境をクラウドで用意する方法

クラウドGPUを選ぶ前の確認点の図解。モデルに必要なGPUとVRAM・台数、継続稼働か負荷に応じた実行かの動かし方、処理場所・保存先・課金条件を確認する

従量課金のGPUクラウドなら、GPUサーバーを購入せずに自社環境を用意できます。事前に、GPUの種類・VRAM(GPUのメモリ)・台数と処理場所を決めます。

GPU

VRAM

RAM

vCPU

参考価格

公式サイトの想定用途

RTX 6000

96GB

96GB

16

¥380/時間

小さく始める、推論・開発に

B300

288GB

384GB

24

¥1,480/時間

推論から学習まで

出典:HelloCloud公式サイト(確認日2026-11-18)。1インスタンスあたりの参考価格で、税込・税別の記載なし

GPUインスタンスとサーバーレスGPUの使い分け

常時動かすならGPUインスタンス、負荷に応じて規模を変えるならサーバーレスGPU実行環境が候補です。HelloCloudでは、GPUの種類と枚数をコードに書き「hellocloud deploy」でデプロイすると、コンテナ数が負荷に合わせて自動で増減します。

公開事例:処理を国内に閉じた例と推論・学習の両立

HelloCloud公式サイトの導入事例です。

  • 株式会社ラス恋(CEO 山口様):会員の個人情報を扱うため推論も国外のサーバーに出せない前提で、処理を国内に閉じられる点が決め手になりました。申し込んだ日のうちに検証を始め、レコメンドのモデルを本番に載せています

  • Aimy株式会社(CEO 平野様):AIキャラクターとの対話サービスで推論を常時動かしながら、同じ環境でモデルの学習も進めています

HelloCloudでできることと資料請求

HelloCloudのGPUインスタンスとサーバーレスGPU実行環境は東京の2拠点で稼働し、処理は国内で完結します。保存先リージョンを選べ、法令等への対応を除き、選択リージョンの外へ移動しません(HelloCloud利用規約 第1条1.4)。

注意:
SLAの月間稼働率99.9%以上は努力目標で、保証ではありません。

ポイント:
GPUの種類・台数と処理場所を決め、用途に合う実行環境を選びます。

国内でGPUを使いたい方へ
HelloCloudの特徴と料金、導入の進め方がわかる資料を配布しています。推論と学習での活用方法も載っています。
資料請求(HelloCloudの特徴と料金)

AIエージェントの作り方に関するよくある質問

AIエージェント作成のよくある疑問の図解。無料で作れるか、個人でも作れるか、費用はどう考えるか、自分のPCで動くか

AIエージェントは無料プランのあるツールでも作れ、費用はLLMの利用料・ツールの利用料・人の工数で見積もります。

無料で作れますか?

ツールによっては無料で作れます。Claudeのプロジェクトは無料アカウントでも最大5つ作れます。ChatGPTのGPTの作成は、有料プランが対象です(各公式ヘルプ、確認日2026-11-18)。

個人でも作れますか?

個人でも作れます。ChatGPT・Gemini・Claudeのように指示文とファイルを登録するツールなら、プログラミングなしで自分用のAIエージェントを作れます。会社の業務で使う場合は、会社が契約したアカウントで作るのが前提です。

作るのにかかる費用はどう見積もりますか?

費用は、LLMの利用料を2つの式で計算し、ツールの利用料と人の工数を足して見積もります。式は、API従量が「トークン数×単価」、GPU時間課金が「時間単価×稼働時間×台数」です。

自分のPCや自社サーバーでも作れますか?

GPUの性能が使うモデルに足りれば、自分のPCや自社サーバーでもモデルを動かして作れます。必要なVRAMはモデルの大きさで変わるため、要件を先に確認してください。

ポイント:
無料で作れるかはツールのプランで決まり、費用はLLMとツールの利用料に人の工数を足して見積もります。

まとめ:AIエージェントは最も単純な形から作る

まとめの図解。業務を絞り、人の確認・停止条件・ログで実行範囲を決め、同じテストと実績で評価して改善する

AIエージェントは7ステップで作り、手順が決まった部分はワークフローのまま残します。

  1. 業務を決める

  2. 作り方を選ぶ

  3. LLMの動かし先を決める

  4. 指示文・ナレッジ・ツールを設定する

  5. 人の確認と停止条件を入れる

  6. テストする

  7. 小さく公開する

ポイント:
LLMの動かし先と人の確認・停止条件は、作り始める前に決めます。

GPU環境を検討している方へ
HelloCloudの特徴と料金、導入の進め方がわかる資料を配布しています。HelloCloudは申し込みの当日からGPUを使えます。
資料請求(HelloCloudの特徴と料金)

HelloCloud編集部 国内GPUクラウド「HelloCloud」を提供する株式会社HelloCloudの編集部です。GPUクラウドの仕組みや料金の見方、LLMの推論・学習に使う環境づくり、データの保存先や契約条件の確かめ方を、AI開発に関わるエンジニアや導入を判断する方に向けて解説しています。記事は調査会社や省庁の発表、各社の公式な料金ページ・利用規約などの一次情報をもとに作成し、料金や仕様の変更にあわせて内容を更新しています。