経営情報のAI時事問題、今年は何が出る？ byひでまる

☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆

一発合格道場ブログを
あなたのPC・スマホの
「お気に入り」「ブックマーク」に
ご登録ください！

☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆

X(旧Twitter)もよろしくお願いします

音声要約はこちら

ミルクボーイさん風の関西弁漫才での要約です。

はじめに

中小企業診断士の１次試験（経営情報システム）では、毎年機械学習やAI（人工知能）の問題が出題されています。出題傾向は少しずつ移り変わってきており、令和６年は最新トレンドとして生成AIが題材となりました。そこで本記事では生成AIをご紹介すると共に、生成AI分野で2025年に大注目されているAIエージェントについて解説します。

経営情報システムのAI問題を振り返る

時は2025年7月、とある執筆者と音符さんの会話である。

機械学習は統計とならんで経営情報システムでとっつきにくい分野の１つではないでしょうか？いかにも理系らしい論点であり、これらの分野に関わってこなかった読者様には、少し縁遠いものと思われるかもしれません。さらに、最近は出題の論点が基本的な知識から最新トレンドに変わってきているため、市販の教科書での記載が薄くより対応が難しくなっている印象があります。

そこで本記事では元AIエンジニアである筆者が。市販の教科書や問題集でカバーできていない最新トレンドである生成AIやAIエージェントについて解説し、他の受験生から一歩抜き出て頂くことをめざすという試みでお送りします。

機械学習とは？

本題である生成AIやAIエージェントに入る前に、まずは基本用語である機械学習について学びましょう。
本記事では何度か「機械学習」という用語が出てきました。そもそも、機械学習とは何なのでしょうか？AIとは何が違うのでしょうか？

結論から申し上げれば機械学習はAIの技術の１つです。令和元年度の情報通信白書から引用した図を掲載します。

人工知能とは、広く一般的に人間のようにふるまうプログラム全般を表します。その実現方法として色々なものが考案されてきました。経営情報システムの過去問でも出題実績のあるエキスパートシステムもその一つであり、これは機械学習より前に流行った、専門家の知恵をルールベースで抽出して全て詰め込もうとした手法です。ルールを一つ一つ人間の手でプログラミングすることで、複雑な思考ができるようにしていました。

しかし、エキスパートシステムはあまりうまくいきませんでした。なぜなら、人間の知能は複雑でありいくらかのルールでそれを模倣することはできなかったからです。パターンや例外があまりにも多すぎて、対応しきれなかったのです。

そこで登場したのが機械学習です。機械学習は大量のデータセットを基に、機械が自動的に複雑なパターンを学んでいくものです。
例えば、機械学習で使われる伝統的なデータセットにMNIST(Mixed National Institute of Standards and Technology database)というものがあります。これは0から9までの大量の手書き文字を集めたデータセットです。
機械学習は、これらの文字を１つずつ読み込んでいき、それぞれの文字にどのような特徴があるのかを学んでいきます。これを学習と呼びます。すると、新しい手書き文字に対しても「こういう特徴があるから3かな？これはおそらく5かな？」と予測することができます。これを推論と呼びます。このように、機械学習はデータセットを用いることで、人間が明示的にルールを与えなくとも自動的に人間のような知能が獲得できることが革新的です。

近年話題になっている深層学習や生成AIも基本的な原理は同じです。深層学習は、ニューラルネットワークという複雑な機構を活用することで、より複雑なデータセットから特徴を学習することができます。深層学習は設定できるパラメータ数が多いことから、非常に自由度が高く、大量のデータの情報をより細かく理解して学習をすすめることができます。
その深層学習を活用して、画像や音声、文章といった高度なモノを作り出す事ができるようになったのが生成AIです。※厳密には深層学習を用いない生成AIがあってもよいのですが、実際はほとんどの生成AIが深層学習ベースです。

機械学習のまとめ記事のご紹介

機械学習については先代のAZUKIさんが丁寧な解説をされておりますので、こちらをご覧ください！

【情報】機械学習 総まとめ！ by AZUKI

生成AIとは？

生成AIとは、自然言語、音声、画像、プログラムコード、芸術作品（音楽）などのコンテンツを自ら生成できるAIのことです。

以前のAIはどちらかというと、画像などをインプットに単純な情報（映っているものが何か？など）を出力することが一般的でした。一方で生成AIは画像そのものを新たに生み出すことができるのです。

生成AIで最もはじめに話題になったのは画像でした。敵対的生成ネットワーク（GAN）という技術が2014年に開発されました。これは生成器（Generator）と識別器（Discriminator）という2つのニューラルネットワークから構成されており、これらが互いに競い合うことで学習を進めます。生成器は本物の画像に限りなく似せた画像を生成できるよう訓練され、それに対して識別機は本物の画像とAIが作った画像を正確に識別しようと訓練されます。この２つを同時に訓練させることで、より賢い識別機と、それさえ欺こうとする生成器のせめぎあいによって本物の画像とそん色のない画像をAIで作ることが可能になったのです。その後、同じ技術を音声などにも適用することで、色々なコンテンツの生成が可能になってきました。

そして、皆さまご存じのChatGPTをはじめとする大規模言語モデル（LLM）が登場し、生成AIという言葉がどんどん一般化していきます。自然言語を処理する現在主流のモデルは2017年に開発されたTransformerという技術がベースとなっています。
これは、下記の画像のようにインプットされた文章の次に来る単語は何か？を推測することを繰り返すことで文章を生成しています。裏の仕組みとしては実際の出力値は「単語が次に来る確率」であり、最も確率が高い単語が次に来るのだろうと予想するわけです。

ChatGPTのGPTは Generative Pre-trained Transformer の略であり、この技術が根幹にあることがよくわかります。そして、Transfomerを用いたモデルに沢山の文章を読み込ませると言語能力が大幅に向上するという現象が発見されてから、急速に技術発展が進みました。

元々が自然言語や音声・画像の生成技術は別物でしたが、今ではChatGPTなどのLLMが自然言語をキーに音声や画像といったコンテンツ生成をサポートし始め、１つの生成AIサービスが様々なデータを扱えるようになりました。このことをマルチモーダルAIといいます。2025年現在は、マルチモーダル化がどんどん進みChatGPTがネイティブで画像生成に対応するなどサービスがより便利になってきています。

これらの技術は生活を便利にしてくれるだけではありません。令和６年度版の情報通信白書から引用するように、生成AIの市場規模は指数関数的に成長することが見込まれ、ビジネス分野でも注目度が高まっています。このことから、中小企業診断士試験を受ける方にとっても、経営目線から重要な技術の一つになっているといえるでしょう。

生成AIのサービス例

2025年現在の生成AIの主要サービスをまとめました。

カテゴリ	主要サービス例	主な機能・特徴
テキスト生成・対話	ChatGPT (OpenAI), Gemini (Google), Copilot (Microsoft), Claude (Anthropic)	自然言語での対話、文章作成・要約・翻訳、質疑応答、アイデア出し、コード生成など
画像生成	Stable Diffusion, Midjourney, DALL-E (OpenAI), Imagen (Google)	テキストプロンプトからの画像生成、既存画像の編集・加工
音声生成・合成	VALL-E (Microsoft), Elevenlabs	テキストからの音声合成、特定の声質の再現、感情表現の付与
動画生成	Sora (OpenAI), Veo (Google)	テキストプロンプトからの動画生成、物理法則に基づいたリアルな映像生成
コード生成	GitHub Copilot, Code Assist (Capgeminiなど), 各種LLM (ChatGPT, Geminiなど)	自然言語による指示からのコード生成、コード補完、バグ検出、リファクタリング支援
音楽生成	Suno, Udio	自然言語による指示からの音楽生成

LLMに関する用語集

ここではChatGPTをはじめとする大規模言語モデル（LLM）に関する用語を簡単に説明します。（令和６年の試験に実際に出た用語については、皆さまの過去問演習の邪魔にならないように、あえて紹介しません。今年出そうな単語についてまとめてみました。）

Prompt Engineering – プロンプトエンジニアリング
生成AIへの指示文をプロンプトと言います。そのプロンプトをエンジニアリングするということから、生成AIから望ましい出力（回答、文章、画像、コードなど）を得るために、プロンプトを設計、最適化、テストする技術やスキルのことを言います。以前は非常に重要だととらえられていましたが、最近は後述する推論モデルの登場により、プロンプトエンジニアリングの重要性は比較的低下しています。

RAG (Retrieval-Augmented Generation) – 検索拡張生成
外部の知識ソース（例: 文書データベース、ウェブサイト、社内ナレッジベースなど）から関連情報を検索し、その検索結果をコンテキスト情報としてLLMに与える手法です。

CoT (Chain of Thought) – 思考の連鎖
LLMに複雑な質問やタスク（特に算術、常識推論、記号推論など）を解かせる際に、最終的な答えだけを出力させるのではなく、答えに至るまでの中間的な思考プロセスや推論ステップを段階的に生成させることです。

Reasoning Models – 推論モデル
CoTなどの技術を使って最終的な答えを出す前に思考（何度か自問自答のように文章を生成して、本当の答えに近づこうとすること）を行うモデルです。回答に時間がかかったり、コストが高かったりしますが、一方で難しい数学やコーディングの問題を解くことができます。
OpenAIのGPTで言えばo3などが該当します。

Vibe coding – バイブコーディング
LLMに自然言語で作りたいもののを指示することで、開発者が具体的なコードを一行一行記述せずにアプリケーションを構築するプログラミングの手法のことです。vibeという言葉には雰囲気・フィーリング・ノリといった意味があります。

さらに詳しく押さえておきたい方は、こちらの動画を参考にされるとよいでしょう。

AIエージェントとは？

生成AIをさらに一歩高度にしたのがAIエージェントです。AIエージェントは自律的に動いて仕事を行ってくれる凄いAIです。

生成AIの登場により、自然言語や画像など様々なコンテンツを生成することが可能になりました。しかし、AIはあくまで人間が一つ一つ指示をしたことに対応しているだけで、単純なタスクを繰り返し行っているだけです。
そのため「○○について調べて、それをレポートとしてまとめて、プレゼン動画を作って」といった、一連の仕事をそのままAIにお願いすることは難しいものでした。それを解決し、AIが自ら次に何をすればいいのか？を考えて複雑なタスクを自分でこなすようになったのがAIエージェントです。

あくまで筆者のイメージですが、RPA（Robotic Process Automation）をより高度にしたものととらえてもよいかもしれません。
RPAとは人がPCで行う定型的な作業を、ソフトウェアのロボットを使って自動化するものです。少し前ですが、RPAを用いて人が行う作業を自動化することが流行りました。RPAは、中小企業診断士試験においても令和２年に出題されています。しかし、RPAはできる範囲が狭かったり、最初にロボットに指示をすることが面倒であったりする課題がありました。
一方で、AIエージェントを使えば、従来のRPAにはできなかった自動化が可能になったり、細かくロボットに指示を与えなくても、AIが自分で考えて自動化作業を行ってくれます。

さっそく、AIエージェントが何をやってくれるのか、特徴をChatGPTに４コマ漫画で説明してもらいました。※ちょっと文字がおかしくなっている部分はありますが、ご愛敬ですね！

AIエージェントの実例（カスタマーサポートの無人化）

AIエージェントによって実現可能なことの一つに、カスタマーサポートの無人化があげられます。

従来、カスタマーサポートは人間のオペレーターが対応してきました。それは、お客様からのご要望を聞いて、時にはマニュアルを基に製品の使い方を説明し、時には顧客データベースにアクセスして契約情報を更新し、時には払い戻しに対応したりなど、対応する事柄が多岐にわたるからです。

そこでAIエージェントの出番です。AIエージェントには、LLM（自然言語の文章生成）による会話能力だけでなく、マニュアルや顧客情報といった外部情報へのアクセス権限が与えられています。
そこで、AIエージェントはお客様から頂いた指示をもとに自ら何をすべきかを考えて、時にはマニュアル検索、時には顧客情報へのアクセスといったように、必要に応じて外部の情報にアクセスしながら、与えられた指示を全うできるように処理します。どのように対応するかの頭脳の部分はLLM（自然言語の文章生成）が担います。

AIエージェントであれば、24時間365日のサポートを提供したり、多言語でのサポートを提供することも可能です。そして、何よりもお客様対応という負荷の大きな仕事を人間から機械に置き換えることができるというのは非常に有難いことでしょう。

想定問題集

上記の内容を基にして、AIで生成した問題を掲載します。

---

問1 マルチモーダルAIに関する記述として、最も適切なものはどれか。

ア．テキストデータのみを処理し、自然な文章を生成することに特化したAIである。
イ．単一の種類のデータ（例：画像のみ）を深く学習することで、専門的なタスクの精度を高めるAIである。
ウ．テキスト、画像、音声など複数の異なる種類のデータを統合的に処理し、より高度な判断を行うことができるAIである。
エ．AIの学習プロセスや判断根拠を人間に分かりやすく説明することに主眼を置いた技術の総称である。

---

問2 ある中小製造業が、熟練工の退職による技術継承問題に悩んでいる。マルチモーダルAIを活用してこの課題に対応する方策として、最も適切なものはどれか。

ア．AIチャットボットを導入し、熟練工の知識をテキストで回答できるようにする。
イ．工場の稼働データをAIで分析し、生産計画を最適化する。
ウ．製品の設計図（画像）と材質データ（テキスト）をAIに学習させ、新製品のデザイン案を生成させる。
エ．熟練工の作業中の映像（画像）、機械の稼働音（音声）、各種センサーデータ（数値）をAIに学習させ、異常検知や最適な作業手順を若手従業員に提示するシステムを構築する。

---

問3 生成AIのハルシネーション（もっともらしい嘘の情報を生成する現象）を抑制する技術として注目されているRAG（検索拡張生成）の仕組みに関する記述として、最も適切なものはどれか。

ア．AIモデルの学習データを定期的に最新のものに更新し、ファインチューニングを繰り返すことで、情報の鮮度を保つ。
イ．AIの回答に対して人間がフィードバックを行い、強化学習によって誤った回答を生成する確率を下げる。
ウ．ユーザーからの質問に対し、まず社内文書などの外部知識源を検索し、その検索結果を根拠としてAIに回答を生成させる。
エ．AIの判断根拠を可視化するXAI技術を用いて、AIが誤った推論を行っている箇所を特定し、自動的に修正する。

---

問4 ある中小企業が、社内の問い合わせ対応を効率化するためにRAGを用いたチャットボットの導入を検討している。中小企業診断士として、導入を成功させるための助言として最も不適切なものはどれか。

ア．「まず、社内規定や業務マニュアルが整理され、情報が最新の状態に保たれているかを確認しましょう。知識ベースの質が回答精度に直結します。」
イ．「導入後は、役職や部署に関わらず全社員が全ての社内情報にアクセスできるように設定し、情報の透明性を高めることが重要です。」
ウ．「導入するRAGシステムが、回答の根拠となった社内文書の箇所を提示できる機能を持っているかを確認しましょう。利用者の信頼性向上につながります。」
エ．「AIの専門家がいなくても導入・運用できるSaaS型のRAGサービスも増えているため、自社のITスキルレベルに合ったツールを選定しましょう。」

---

問5 生成AIとAIエージェントの違いに関する記述として、最も適切なものはどれか。

ア．生成AIはテキスト生成に特化しているが、AIエージェントは画像や音声も扱えるマルチモーダルなAIである。
イ．生成AIはクラウド上で動作するが、AIエージェントはデバイス上で独立して動作する。
ウ．生成AIが人間の指示に基づきコンテンツを生成するのに対し、AIエージェントは与えられた目標達成のために自律的に計画・行動する。
エ．生成AIは大規模な学習データを必要とするが、AIエージェントは少量のデータで動作するように設計されている。

---

問6 ある中小のECサイト運営会社が、顧客からの注文処理から発送指示までの一連の業務を自動化したいと考えている。この目的を達成するために導入すべきシステムとして、最も適切なものはどれか。

ア．顧客からの問い合わせに自動応答する生成AIチャットボット。
イ．注文データを分析し、売上予測レポートを自動生成するBIツール。
ウ．注文受付後、在庫管理システムを確認し、発送部門に指示を出し、顧客に発送通知メールを送るまでの一連のタスクを自律的に実行するAIエージェント。
エ．定型的なデータ入力作業を自動化するRPAツール。

終わりに

本記事では、生成AIやAIエージェントをテーマにお送りしました。

近年の機械学習論点は、トレンド要素が強くなってきたため過去問をベースとした対策がなかなか難しい所があります。そこで、日ごろからニュースなどを追いながら知識を集めておく必要があります。とはいえ、経営情報システムにおいて機械学習論点は１～２問の出題であり、そのために時間を大量に使うわけにもいきません。そのような問題でお悩みの読者様が、こちらの記事で生成AIやAIエージェントの概要をつかんで日頃の情報収集の時間を削減いただき、貴重な勉強時間にもっと多くの時間を費やしていただくことに貢献できれば幸いです。

ひでまるのその他の記事はこちらから