- 2026年2月24日、MITスローンのケイト・ケロッグ教授やハーバード医学大学院のダニエル・ビッターマン氏らが参加した10機関による研究は、臨床医療におけるエージェンティックAI導入の期待と現実のギャップを指摘した。
- エージェンティックAI（Agentic AI）とは、高い自律性を持ち、多段階のプロセスを自動的に完了できるAIエージェントのシステムを指す。
- 研究は、非構造化電子カルテを通じて免疫療法を受けているがん患者の副作用を検出するAIシステムに焦点を当てた。
- システムは、数時間から数日かかっていた数百件の記録処理を数分で完了できる。
- 副作用検出の精度は、臨床研究コーディネーターによる標準的なプロセスと同等か、それ以上に安定していた。
- しかし、導入労力のうちプロンプトエンジニアリングやモデル開発に割かれたのは20%未満で、80%以上が「ソシオテクニカル（社会技術的）」な作業に費やされた。
- モデルの最適化に1時間を費やすごとに、実導入には約4時間の組織的対応が必要となる。 5つの主な「負担」：
- データ統合：安定したデータパイプラインとインフラが必要。データが標準化されていないと、エージェントシステムは「連鎖停止」を起こす。
- モデルの検証：出力のチェックだけでなく、AIエージェントがポリシーを遵守し、ログを完全に記録し、許可されたツールのみにアクセスしていることを保証する必要がある。
- 経済的価値の確保：プロセスの複雑さやエージェント間の調整レベルによってコストが変動するため、ROIの算出が困難である。
- ドリフト監視（モデル/データ）：静的なif-thenの閾値ではなく、動的な指標を継続的に追跡する「アダプティブ・モニタリング」が必要。
- ガバナンス：エラー発生時の責任の所在、法的リスク、セキュリティ、および説明責任のメカニズムを明確にすること。
- 研究は、医療分野ではリスクが高いため厳格な管理が求められるが、あらゆる業界でこれら5つの要素のプレイブックが必要であると強調している。
結論： エージェンティックAIの導入は単なるアルゴリズムの課題ではなく、組織の変革である。労力の80%以上がインフラ、ガバナンス、データ統合に費やされる。数百の医療記録を数分で高精度に処理できる一方で、1時間のモデル最適化に対し4時間の実装作業が求められる。成功は、特に医療のような高リスク環境において、5つの主要な「負担」をいかに管理するかにかかっている。
