AIループの本質は「評価器の配置」にあり──Anthropicの4分類から読み解く自動化の階段

生成AIを実務で活用する際、多くの開発者が直面するのは「どこまで自動化すべきか」という問題です。単発の生成タスクから、完全自律的なエージェントまで、その間には明確な段階があるはずですが、これまで体系的な整理がありませんでした。

2026年7月、Anthropicが公式ドキュメント「Getting started with loops」で提示した4つのループ分類は、この問いに対する明快な回答となっています。しかし重要なのは、この分類を「評価器（evaluator）の配置」という観点から読み解くことです。この視点こそが、AIループ設計の本質を浮き彫りにします。

Anthropicの分類は、人間の関与度合いに応じて以下の4段階に整理されています。

1. Turn-based Loop（ターン制ループ）

人間が毎回の出力を確認し、次のアクションを指示する最も基本的な形態です。ChatGPTとの対話がこれに該当します。評価器は完全に人間側にあり、AIは生成のみを担当します。

2. Goal-based Loop（ゴール指向ループ）

明確な目標を設定し、AIがその達成まで自律的にタスクを実行します。途中経過の評価はAI側に委譲されますが、最終的なゴール達成の判定は依然として重要です。

3. Time-based Loop（時間制約ループ）

時間や試行回数などの外部制約で動作を制御するループです。「30分間データを分析する」「10回まで改善を試みる」といった設計が該当します。

4. Proactive Loop（先読みループ）

AIが自ら課題を発見し、人間の明示的な指示なしにタスクを開始する最も高度な形態です。完全自律型エージェントの領域に入ります。

従来のアプローチとの決定的な違い

これまでのAI活用では「生成品質をいかに高めるか」に焦点が当てられてきました。より大きなモデル、より洗練されたプロンプト、より多くのコンテキスト──これらはすべて生成側の改善です。

しかし実務での成否を分けるのは、**評価機構の設計**です。従来のRPA（Robotic Process Automation）が固定ルールに縛られて柔軟性を欠いていたのに対し、AI駆動の自動化が優れているのは、評価関数を学習・適応させられる点にあります。

4つのループを「評価器の位置」で再解釈する

各ループタイプは、評価器がどこに配置されるかで明確に区別できます。

この視点で見ると、**階段を上るほど、評価の責任がAI側にシフトする**ことが分かります。

メリットと設計上の注意点

**メリット**：

**注意すべき点**：

どんな場面に、どのループを適用すべきか

実務では以下の基準で選択すると効果的です。

**Turn-basedが向いている場面**：

**Goal-basedが向いている場面**：

**Time-basedが向いている場面**：

**Proactiveが向いている場面**：

1. 既存のAI活用を4分類で棚卸しする

現在使っているAIツールやワークフローを、この4分類に当てはめてみてください。ほとんどがTurn-basedに集中しているはずです。次に、「一段上げられるタスクはないか」を検討します。例えば、コードレビューをGoal-based（「テストカバレッジ80%以上」という明確なゴール付き）に移行できないか考えてみましょう。

2. 小さなGoal-basedループを設計する

最も実用的なのはGoal-basedです。簡単な例として、「Markdown文書の誤字脱字ゼロ」をゴールに設定し、AIに自己チェックさせるループを作ってみてください。評価関数は「スペルチェックツールでエラーゼロ」という明確な基準です。これだけで、従来の一発生成より品質が大幅に向上します。

3. 評価器を明示的に設計する習慣をつける

プロンプトを書く際、「生成指示」だけでなく「評価基準」も明示する習慣をつけましょう。例えば：

【生成指示】
顧客向けのお詫びメールを作成してください。

【評価基準】
- 謝罪の言葉が冒頭にある
- 具体的な改善策が含まれている
- 文字数は200-300字
- 敬語の誤用がない

上記基準を満たすまで、自己改善を繰り返してください。

この一手間で、出力品質が劇的に安定します。

この情報は @ryok さんの投稿を参考にしています。