AI開発や社内導入の資料には、API、RAG、MCP、AIエージェントといった専門用語が登場します。どれもAIを活用するための言葉ですが、表している役割は異なります。
まず押さえたいのは、APIは機能を呼び出す接続口、RAGは情報を検索して回答に活用する手法、MCPは外部データやツールとの接続を共通化する規格、AIエージェントは目標に向けて判断しながら作業を進める仕組みという違いです。
これらは、どれか一つを選ぶ関係とは限りません。一つの業務システムの中で組み合わせて使うこともあります。
この記事では、AIの導入担当者や開発会社との打ち合わせに参加する方に向けて、接続・データ活用・作業の自動化・品質評価の用語を整理します。プログラミングの細かな実装方法よりも、「何をするための言葉か」「導入時に何を確認するか」を中心に解説します。
AI開発の用語は「接続・データ・作業・評価」で整理する
AI開発の用語は、役割ごとに分けると理解しやすくなります。まずは、システムをつなぐ言葉、回答の根拠を用意する言葉、作業を進める言葉、品質を確かめる言葉の四つに整理しましょう。
| 分野 | 主な用語 | 理解したいこと |
|---|---|---|
| 接続・開発 | API、SDK、MCP | AIや業務システムをどうつなぐか |
| データ活用 | RAG、埋め込み、チャンク、ベクトル検索 | 回答に必要な情報をどう取り出すか |
| 作業・連携 | ツール利用、AIエージェント、ワークフロー、A2A | 誰が手順を決め、どう作業を進めるか |
| 品質・運用 | Evals、評価データセット、レイテンシ、ログ | 正しく、安定して使えるかをどう確かめるか |
たとえば、社内規程について回答するAIを作る場合、規程を検索するRAGと、AIモデルを呼び出すAPIが関係します。
そこから申請書の作成や業務システムへの登録まで進めるなら、ツール利用やワークフローの設計も必要になります。さらに、回答の正確さや登録内容を確認するために、評価と運用監視を組み合わせます。
専門用語の多さと、業務に必要な機能の多さは別です。 打ち合わせでは、用語を覚えるだけでなく、それぞれがどの課題を解決するのかを確認することが大切です。
機械学習・ディープラーニング・生成AIの違い
機械学習は、データから規則や傾向を学ぶ技術です。ディープラーニング（深層学習）は、その中でも多層のニューラルネットワークを使う手法です。生成AIは、文章・画像などの新しいコンテンツを生成するAIを指します。
機械学習とディープラーニングは「どう学ぶか」、生成AIは「何をするか」に注目した言葉です。APIやMCPは接続、RAGは情報の活用を担うため、学習手法そのものとは役割が異なります。
AI開発で使うAPI・SDK・MCPの基本用語
API・SDK・MCPは、システムの接続や開発に関係する言葉です。ただし、接続口、開発用の道具、共通の接続規格という違いがあります。
技術・モデル・サービスやRAG・追加学習の関係を整理するなら、混同しやすいAI用語の違いも確認しましょう。言葉の種類を区別すると、導入時の説明を理解しやすくなります。
API｜プログラムから機能を利用する接続口
APIは、Application Programming Interfaceの略です。ソフトウェア同士が、決められた方法で機能や情報をやり取りするためのインターフェースを指します。
AI開発では、業務システムからAIサービスへ文章を送り、要約や分類の結果を受け取る場面などで使われます。APIはAI専用の仕組みではなく、天気情報の取得や顧客情報の検索などにも利用されます。
たとえば、問い合わせ対応システムで次の処理を行うケースです。
- 問い合わせ文を受け取る。
- AIのAPIへ分類を依頼する。
- 「商品について」「配送について」などの結果を受け取る。
- 結果に応じて担当部署へ振り分ける。
APIが用意されていても、利用できる機能や送信できる情報、認証方法はサービスごとに異なります。導入時は「API連携できます」という説明だけで判断せず、必要な処理が提供されているかを確認しましょう。
詳しくは、APIとは？意味・仕組み・使い方を初心者向けに解説をご覧ください。
SDK｜開発に必要な道具をまとめたもの
SDKは、Software Development Kitの略です。特定のサービスや環境で開発するためのライブラリ、サンプル、関連資料などをまとめた開発キットを指します。
APIを使うための処理を、SDKのライブラリで扱いやすくできる場合があります。ただし、SDKに含まれる機能や対応言語は提供元によって異なります。
APIとSDKの関係は、次のように整理できます。
| 用語 | 役割 | AI開発での例 |
|---|---|---|
| API | 機能を利用するためのインターフェース | AIへ文章を送り、生成結果を受け取る |
| SDK | 開発を進めるための道具一式 | API呼び出しを扱うライブラリやサンプルを使う |
SDKの利用で開発を進めやすくなることはありますが、業務要件の整理や権限設定、エラーへの対応まで自動的に完了するわけではありません。
MCP｜AIと外部データ・ツールをつなぐ共通規格
MCPは、Model Context Protocolの略です。AIアプリケーションと外部システムを接続するためのオープンな規格です。
データや機能を提供する側と、それを利用するAIアプリケーション側が共通の仕組みに対応することで、連携を構築しやすくします。公式資料では、外部のデータ、実行可能なツール、再利用できるプロンプトなどを扱う仕組みが説明されています。
導入資料で見かける用語も確認しておきましょう。
| 用語 | 基本的な意味 |
|---|---|
| MCPホスト | MCPを利用するAIアプリケーション |
| MCPクライアント | ホスト内でMCPサーバーとの通信を担う部分 |
| MCPサーバー | データやツールなどを提供する部分 |
| Tools | 検索や計算など、実行できる機能 |
| Resources | 文書など、参照するための情報 |
| Prompts | 再利用できる指示やメッセージのひな型 |
ただし、MCPへの対応だけで、すべてのAIアプリケーションとすべての機能が同じように使えるとは限りません。導入時には、利用するアプリケーション、サーバー、対応機能、認証方法を個別に確認します。
詳しくは、MCPとは？意味・仕組み・使い方を初心者向けに解説で整理しています。
APIとMCPは置き換えの関係とは限らない
APIは、個々のサービスが機能を提供するための接続口です。一方、MCPはAIアプリケーションから外部のデータや機能を利用するための接続方法を共通化します。
たとえば、MCPサーバーが業務システムのAPIを呼び出し、その結果をAIアプリケーションへ返す構成が考えられます。
この場合、APIとMCPは同じシステムの中で使われています。「MCPを導入すればAPIが不要になる」とは一律に言えません。
開発会社には、どの機能をAPIで利用し、どの接続をMCPで共通化するのかを確認すると、構成を把握しやすくなります。
AI導入で使うRAG・データ活用の基本用語
RAGを理解するには、検索して取り出した情報を、AIの回答生成に渡すという流れを押さえることが大切です。文書の分割や検索方法も、回答の品質に関係します。
RAG｜外部情報を検索して回答生成に活用する手法
RAGは、Retrieval-Augmented Generationの略で、日本語では検索拡張生成と呼ばれます。
質問に関係する情報を外部のデータから検索し、その情報をAIへ渡して回答生成に活用する手法です。社内規程や製品マニュアルなど、業務に固有の情報を参照する用途で使われます。
たとえば、「出張時の宿泊費はいくらまで申請できますか」という質問に対し、次のように処理します。
- 出張規程から宿泊費に関する部分を検索する。
- 対象となる社員区分や適用条件を確認できる情報を取り出す。
- 取り出した情報をAIへ渡す。
- 条件や参照元を含めた回答を生成する。
このとき、規程を参照して回答することと、モデル自体を追加学習することは異なります。
また、RAGを使っても誤回答がなくなるわけではありません。 必要な規程を検索できなかったり、古い版を取り出したり、例外条件を回答に反映できなかったりする可能性があります。
詳しくは、RAGとは？仕組み・メリット・使い方を初心者向けに解説をご覧ください。
チャンク・チャンキング｜文書を扱いやすい単位に分ける
チャンクは、文書などを分割した情報の単位です。その分割処理をチャンキングと呼びます。
RAGでは、長い文書をそのまま扱うよりも、必要な部分を取り出せるように分割する構成がよく使われます。
ただし、細かく分割すれば必ず検索しやすくなるとは限りません。分け方によっては、次のような問題が起きます。
- 金額と、その金額が適用される条件が別々になる。
- 表の見出しと数値の関係が失われる。
- 原則と例外が離れ、原則だけが検索される。
出張規程なら、費用の上限だけでなく、役職や地域、例外承認の条件も一緒に理解できる単位を検討します。
埋め込み｜情報の特徴を数値で表す
埋め込みは、Embeddingとも呼ばれ、文章などの情報を数値の並びで表現する技術です。文章の意味の近さを検索する用途などに利用されます。
たとえば、「パスワードを忘れた」という質問と「ログインできない場合の対応」という見出しは、使われている言葉が完全には一致していません。それでも、意味が近い情報として検索候補にできる場合があります。
埋め込みは、文章を暗号化する仕組みとは異なります。元データや数値表現を、どこで生成し、どこに保存するかも情報管理の確認対象です。
ベクトルデータベース・ベクトル検索｜数値表現の近さから情報を探す
ベクトルは、埋め込みなどで得られる数値の並びです。ベクトル検索は、その近さを使って関連情報を探す方法です。
ベクトルデータベースは、こうした数値表現を保存し、検索するために使われるデータベースです。
一方で、RAGが必ず専用のベクトルデータベースを必要とするわけではありません。キーワード検索や既存の検索システムを使う構成もあります。
質問と文章の意味が近いことと、業務上の正解であることも別です。似た規程が複数ある場合は、適用部署や改定日などの条件を併せて確認する必要があります。
メタデータ・ハイブリッド検索・リランキング
検索の説明では、次の言葉も登場します。
| 用語 | 意味 | 業務上の例 |
|---|---|---|
| メタデータ | 文書に付随する属性情報 | 部署、改定日、文書種別、閲覧権限 |
| ハイブリッド検索 | 複数の検索方法を組み合わせること | キーワード検索とベクトル検索の併用 |
| リランキング | 検索候補を別の基準で並べ直すこと | 質問への関連性を見直して上位候補を選ぶ |
品番や規程番号のように、文字の一致が重要な情報もあります。意味の近さだけに頼らず、情報の性質に合わせて検索方法を設計します。
また、閲覧権限は文書にラベルを付けるだけでなく、検索や取得の処理で実際に制限する必要があります。
AI開発で使うAIエージェント・ツール利用・A2Aの基本用語
AIエージェントに関係する用語では、外部機能を使うことと、作業の進め方を判断することを分けて考えます。複数のAIを連携させる場合は、さらに連携方法の設計が必要です。
ツール利用｜AIが外部機能を使う
ツール利用は、AIが検索、計算、データ取得などの外部機能を利用することです。
典型的な構成では、モデルが利用するツールと引数を出力し、アプリケーションがその内容を検証して実行します。実行結果をモデルへ返すことで、その情報を使った回答や次の処理につなげます。
モデルがツールを選んだことと、処理が正常に完了したことは区別する必要があります。
たとえば、顧客情報の取得を依頼しても、権限不足や通信エラーで失敗する可能性があります。システム側では、成功・失敗を確認し、必要に応じて再試行や担当者への引き継ぎを行います。
AIエージェント｜目標に向けて判断しながら作業する仕組み
AIエージェントは、目標に向けて次の行動を判断し、ツールなどを利用しながら作業を進める仕組みです。
定義には幅がありますが、生成AIを使う開発では、モデルが途中の結果に応じて手順やツール利用を決める構成を指すことがあります。
たとえば、問い合わせ対応で情報が不足していれば追加情報を確認し、必要な資料を検索して、回答案を作成する構成が考えられます。
ただし、「エージェント」という名称だけでは、自動化の範囲は分かりません。導入時は次の点を確認しましょう。
- AIが判断できる作業はどこまでか。
- 利用できるツールは何か。
- 情報不足や失敗時にどう止まるか。
- 人の確認を必要とする処理は何か。
詳しくは、AIエージェントとは？意味・仕組み・使い方を初心者向けに解説で解説しています。
ワークフロー｜あらかじめ決めた手順で処理する
ワークフローは、処理の順序や分岐をあらかじめ設計する考え方です。
たとえば、「問い合わせを分類する→部署別の資料を検索する→回答案を生成する→担当者が確認する」という手順を固定する構成です。
AIエージェントとの違いは、主に誰が手順を決めるかにあります。
| 比較軸 | ワークフロー中心の構成 | エージェント中心の構成 |
|---|---|---|
| 手順 | あらかじめ設計する | 途中の結果に応じてモデルが選ぶ |
| 向く場面 | 処理順や分岐が明確な業務 | 必要な作業が状況によって変わる業務 |
| 確認する点 | 各処理と分岐の正しさ | 行動の選択、停止条件、ツールの利用結果 |
両者を組み合わせる構成もあります。たとえば、全体の申請フローは固定し、資料調査の部分だけをエージェントに任せる方法です。
A2A｜AIエージェント同士の連携規格
A2Aは、Agent2Agent Protocolを指します。異なるAIエージェント間で、タスクの依頼や情報の交換、結果の共有などを行うためのオープンな規格です。
MCPが主に外部ツールやデータへの接続を扱うのに対し、A2Aはエージェント同士の連携を扱います。両者は組み合わせて使うことができます。
たとえば、営業支援エージェントが調査エージェントへ市場調査を依頼する構成が考えられます。その調査エージェントが検索ツールを利用する部分では、MCPなどの接続方法を使うことがあります。
ただし、複数のAIを使う構成すべてがA2Aを必要とするわけではありません。連携する相手やシステム構成に応じて判断します。
オーケストレーション｜複数の処理を調整する
オーケストレーションは、複数のモデル、ツール、処理などを調整することです。
どの処理を先に実行するか、どこで結果をまとめるか、失敗した処理をどう扱うかを管理します。
AIエージェントを増やすほど、役割分担や引き継ぎ、費用管理も複雑になります。まず単純な構成で目的を達成できるかを確認し、必要な部分に連携を追加する進め方が考えられます。
AI導入で使うEvals・品質評価・運用の基本用語
AI導入では、「一度うまく回答できた」ことと「業務で安定して使える」ことを分けます。代表的な業務データを使い、品質・費用・速度・権限を評価する必要があります。
Evals｜AIの出力や動作を評価する
Evalsは、Evaluationsを短く表した言葉です。AIの回答や動作が、定めた基準を満たすかを評価する取り組みを指します。
評価には、実際の用途に近いデータ、判断基準、結果の確認が必要です。モデルの変更やプロンプトの改善前後を、共通の基準で比較する用途でも使われます。
社内規程の回答システムなら、次の項目を評価できます。
| 評価対象 | 確認すること |
|---|---|
| 検索 | 必要な規程や例外条件を取得できたか |
| 回答 | 取得した情報に基づいて説明しているか |
| 不明時の対応 | 根拠がない場合に確認へ回せるか |
| 権限 | 閲覧できない情報を回答していないか |
| 操作 | 更新対象や入力値が正しいか |
| 運用 | 費用や待ち時間が許容範囲か |
回答全体を採点するだけでなく、検索、生成、操作のどこに問題があるかを分けると、改善につなげやすくなります。
評価データセット・評価基準・ベンチマーク
評価データセットは、評価に使う質問や入力、必要に応じた正解例などをまとめたものです。
また、評価基準は、何をもって良い結果とするかを定めたルールです。ベンチマークは、決められた課題や条件で性能を比較するために使われます。
公開ベンチマークの成績は参考になりますが、それだけで自社業務への適性が分かるわけではありません。
自社の問い合わせ文、規程、帳票などを使い、通常のケースに加えて情報不足や例外条件のあるケースも確認しましょう。評価用データに個人情報や機密情報を含める場合は、その取り扱いも事前に定めます。
レイテンシ｜応答にかかる時間
レイテンシは、処理を依頼してから応答を得るまでの遅延時間です。
AIを何度も呼び出し、検索や外部システムの処理を追加すると、全体の待ち時間が増える可能性があります。導入時は、最初の表示が始まるまでの時間と、作業全体が完了するまでの時間を分けて確認すると実態を把握しやすくなります。
接客中に使うシステムと、夜間にまとめて処理するシステムでは、許容できる待ち時間も異なります。
トークン・レート制限｜処理量と利用上限に関わる
トークンは、AIモデルが文章などを処理するときの単位です。文字数と完全に一致するものではありません。
レート制限は、一定時間内に利用できるリクエスト数や処理量などの上限です。具体的な上限や料金体系は、サービスと契約によって異なります。
費用を見積もる際は、一回の回答だけでなく、検索結果として渡す情報、再試行、複数回のモデル呼び出しなどを含めて確認します。
ログ・トレース・ガードレール｜運用を確認し制御する
ログは、処理の記録です。トレースは、複数の処理がどの順番で実行されたかを追うために使われます。
AIエージェントなら、どのツールを使い、どの結果を受け取り、どこで失敗したかを確認できると、原因を調べやすくなります。
ガードレールは、許可しない操作や出力を制限するための仕組みです。入力や出力の検査、操作権限の制限、実行回数の上限、人による確認などを組み合わせます。
ログ自体にも入力情報や取得データが含まれる可能性があります。保存期間、閲覧できる人、記録する項目を設計することも必要です。
AI開発の用語を社内導入の具体例で理解する
用語の関係は、一つの業務を段階的に広げると理解しやすくなります。ここでは、社内問い合わせ対応を例に整理します。
開発の仕組みを利用者の日々の作業と結び付けたい方は、仕事で使う生成AI用語で資料作成・情報収集・業務自動化と人の確認を整理できます。
以下は仕組みを説明するための仮想例であり、特定企業の導入実績ではありません。
規程を参照して回答する
最初の目的は、社内規程に基づく回答案を作ることです。
必要な規程を検索してAIへ渡す部分にRAG、AIモデルの呼び出しにAPIが関係します。開発では、SDKを利用できる場合もあります。
この段階では、質問に回答するだけなら、複数のエージェントを用意する必要がないこともあります。
申請に必要な情報を集める
次に、回答だけでなく申請準備も支援する場合です。
従業員情報や申請状況を取得する外部機能が必要になります。ここではツール利用が関係し、その接続方法としてAPIやMCPなどを検討します。
読み取りと更新では影響が異なるため、必要な権限を分けて設計します。
申請案を作り、担当者が確認する
収集した情報を使い、申請案を作成します。
作成手順が明確ならワークフローで処理できます。状況に応じて追加確認や別の資料検索を行うなら、エージェントを使う構成も考えられます。
登録前には、対象者、日付、金額などを確認できるようにします。
評価してから利用範囲を広げる
規程への回答、情報収集、申請案の作成を、それぞれ評価します。
成功例だけでなく、該当規程がない場合、複数の候補がある場合、権限がない場合、外部システムが停止した場合も確認します。
導入判断では、機能が動くことに加えて、失敗を検知し、適切に止められることも重要です。
AI開発・導入の用語に関するよくある質問
API・RAG・MCP・AIエージェントは、すべて必要ですか？
すべてを導入する必要はありません。
目的が文章の分類ならAPIによるモデル呼び出しだけで足りる場合があります。社内情報を参照するならRAG、外部ツールとの接続を共通化するならMCP、状況に応じて作業を進めるならAIエージェントを検討します。
RAGとファインチューニングは同じですか？
異なります。
RAGは、回答時に外部情報を検索して利用する手法です。ファインチューニングは、既存モデルを追加のデータで調整する方法です。
参照情報の更新とモデルの調整は別の課題であり、目的に応じて組み合わせる場合もあります。
MCPを使えば、自動的に安全な連携になりますか？
安全性は、接続規格だけでは決まりません。
接続先の信頼性、認証、利用できる機能、読み書きの権限、実行前の確認などを設計する必要があります。
AIエージェントとチャットボットは何が違いますか？
チャットボットは、主に会話形式で情報をやり取りする仕組みです。AIエージェントは、目標に向けて行動を選び、外部機能を使って作業を進める構成を指すことがあります。
ただし、チャット形式で操作するエージェントもあります。画面の見た目より、実行できる処理と判断の範囲を確認しましょう。
開発担当者でなくても、どこまで理解すればよいですか？
まずは、目的、参照するデータ、実行する操作、評価方法を説明できることが目安です。
コードを書く知識がなくても、「何の情報を使うか」「誰が手順を決めるか」「どこで人が確認するか」を整理できれば、開発会社との打ち合わせを進めやすくなります。
まとめ｜AI開発の用語は役割と確認事項をセットで覚える
AI開発・導入の用語は、接続、データ活用、作業、評価の四つに分けると整理できます。
APIは機能を利用する接続口、SDKは開発用の道具、MCPは外部データやツールとの接続を共通化する規格です。RAGは検索した情報を回答生成に活用し、AIエージェントは途中の結果に応じて行動を選びながら作業を進めます。
導入時は、用語の意味に加えて、参照する情報、権限、自動化の範囲、失敗時の対応、評価方法を確認しましょう。必要な仕組みを見極めることが、実務で使えるAIシステムの設計につながります。
出典・参考情報
以下の公式資料を用語の定義と構成の説明に参照しています。業務例・確認項目は、これらを踏まえて編集部が整理したものです。
確認日：2026年10月6日
- AWS「APIとは」：APIの定義とソフトウェア間の連携。
- AWS「SDKとは何ですか？」：SDKの定義と開発用ツール。
- Model Context Protocol「What is the Model Context Protocol（MCP）?」：MCPの目的と外部システムへの接続。
- Model Context Protocol「Architecture overview」：ホスト・クライアント・サーバー、Tools・Resources・Prompts。
- AWS「RAGとは何ですか？」：外部情報を検索して回答生成に利用する手法。
- AWS「How Amazon Bedrock knowledge bases work」：文書の分割と検索に利用するデータの準備。
- Google Cloud「Get text embeddings」：文章の埋め込みと検索への利用。
- Anthropic「Tool use with Claude」：ツール呼び出しと実行結果の受け渡し。
- Anthropic「Building effective agents」：ワークフローとエージェントの区別、停止条件、評価の必要性。
- A2A Project「A2A Protocol」：エージェント同士の連携とMCPとの役割の違い。
- Google Cloud「Gen AI evaluation service overview」：評価データ、評価基準、モデルやエージェントの評価。
