データ分析およびAIエージェントの基礎と活用に向けたポイント

本セミナーは、ビジネスユーザーが“ゼロから”AIエージェントとデータ分析の基本を身につけ、日々の要約・分析・可視化・報告といった定型タスクをレベルアップ+半自動化するための入門講座です。 　まず、従来の自動化とエージェントの違いを実務例で直感的に理解し、表の見方 (行=記録/列=項目) 、粒度と指標の決め方、比較・グラフ作成の基本を体験します。 　続いて、プロンプトの型でAIに迷子にならず依頼する方法、RAGによる「資料に基づく回答」の考え方、主要フレームワークの地図 (LangGraph/AutoGen/MCP/ClaudeのComputer Use/A2A) を“用語と位置づけ”だけ押さえます。 　最後に、社内導入時のガードレール (データ・操作・費用) とKPIでの効果検証の観点を整理し、受講後すぐに業務で試せる下書きを持ち帰れる状態を目指します。

1. 導入:AIエージェントの基本と活用全体像
   1. 「固定手順の自動化」との違い (目的に応じた手順の組み替え)
   2. 用語整理
      • エージェント
      • ツール
      • ワークフロー
      • ガードレール
      • ログ
   3. 代表ユースケース
      • 要約
      • 可視化
      • レポート下書き
2. 主要フレームワーク&概念の「地図」
   1. LangGraph:手順の可視化と状態管理の土台
   2. AutoGen (AG2) :役割分担による会話協調の枠組み (下書き係×チェック係)
   3. MCP:AIと社内データ/ツールの標準接続口
   4. RAG:資料を参照して根拠に基づき回答する方式
   5. A2A:エージェント間連携の発想 (標準化の動向)
   6. OpenAI Operator/ClaudeのComputer Use:ブラウザ等の操作を伴う実行エージェント
3. データ分析の基本
   1. データ分析の基本プロセス
   2. データ分析と生成AI/AIエージェント
4. プロンプトの型
   1. テンプレ:目的→出力形式→制約→トーン
   2. NG例と改善例
      • 曖昧さの除去
      • 定義の固定化
   3. 社内共有を見据えた書式指定
      • 表
      • 箇条書き
      • 見出し
5. AIに“読む・要約する”を任せる
   1. 配布CSVでハイライト抽出 (根拠列の明記)
   2. 異常値・傾向の気づき
   3. 次に深掘りすべき観点の提示
6. AIに“可視化プラン”を書かせ、表計算で再現
   1. どのグラフを作るか (推移/寄与) の策定
   2. 軸・凡例・注釈の読み取りと実装
   3. “伝わる1枚”の体裁づくり
7. 下書き→レビューの二段構え
   1. 下書き係とチェック係の役割分担
   2. レビュー観点チェックリスト
      • 定義順守
      • 比較軸
      • 事実と推測の分離
   3. 差分修正と再実行のコツ
8. 安全運用と効果測定
   1. ガードレール設計
      • データ範囲
      • 操作範囲
      • 費用範囲
   2. 導入効果のKPI
      • 時短
      • 再現率
      • 満足度
      • 採用率
   3. 社内展開時の留意点
      • 監査ログ
      • 共有ポリシー
9. まとめ
• 質疑応答