AIエージェントは「記憶」をどう扱うべきか
ChatGPTやClaude、Copilotといった生成AIチャットは、多くの方にとってすでに日常業務の一部になっています。一方で、次の段階として注目を集めているのが「AIエージェント」です。人がその都度指示を出すのではなく、AI自身がタスクを分解し、ツールを使い、複数回のやり取りを経て仕事を完了させる仕組みを指します。
AIエージェントが長期的なタスクをこなすうえで欠かせないのが「記憶」です。前回のセッションで学んだこと、ユーザーの好み、過去に遭遇したエラーとその対処法などを覚えておければ、毎回ゼロから説明し直す必要がなくなります。Anthropicが提供する開発者向け基盤「Claude Managed Agents」には、この記憶を扱う仕組みとして「メモリストア（Memory Store）」という機能がすでに用意されています。エージェントは作業をしながら、この記憶領域に情報を書き込んでいきます。
しかし、記憶は使えば使うほど厄介な問題を抱えます。書き込みは局所的かつ断片的に行われるため、セッションを重ねるうちに同じ内容の重複や、状況が変わって古くなった情報、矛盾する記述が記憶の中に蓄積していきます。人間であれば経験を振り返って整理し直しますが、AIエージェントにはこれまでその仕組みがありませんでした。
「Dreaming」機能の概要
Anthropicは2026年5月、この課題に対応する新機能「Dreaming（ドリーミング）」をClaude Managed Agentsのリサーチプレビューとして公開しました。名前のとおり、人が眠っている間に記憶を整理するプロセスになぞらえた機能です。
Dreamingは、既存のメモリストアと過去のセッション記録（トランスクリプト）を読み込み、それらを分析したうえで、重複を統合し、古くなったり矛盾したりしている情報を最新の内容に置き換え、さらに単独のセッションからは見えてこなかった新しい気づきを抽出して、整理し直した新しいメモリストアを生成します。
重要なのは、Dreamingが元の記憶ストアを直接書き換えるわけではないという点です。処理結果は別の「出力メモリストア」として作られるため、開発者は内容を確認してから採用するか、気に入らなければ破棄するかを選べます。安全に記憶の改善を試せる設計になっています。
何が読み込まれ、何が出力されるのか
Dreamingの処理は非同期のジョブとして実行されます。入力として与えるのは次の2種類です。
- 整理対象となる既存のメモリストア（1つ）
- 分析対象とする過去セッションのトランスクリプト（1〜100件）
これらをもとに、新たに整理されたメモリストアが出力されます。処理には数分から数時間かかることがあり、入力するセッション数が多いほど時間がかかる仕組みです。ジョブのステータスはAPI経由でポーリングして確認でき、「pending（待機中）」「running（実行中）」「completed（完了）」「failed（失敗）」「canceled（キャンセル）」の5段階で管理されます。
instructionsによる整理方針の指定
Dreamingでは「instructions」という項目に自然文で指示を与えることで、記憶の整理方針をある程度コントロールできます。たとえば「コーディングスタイルの好みに注目し、単発のデバッグメモは無視する」といった指示を与えると、その方針に沿って記憶が再構成されます。
ただし、これは記憶ストア全体を読み込んで再合成する処理であり、「この一文をこう直して」といった文章単位のピンポイントな編集指示には対応していません。個別の記憶を細かく修正したい場合は、別途用意されているメモリストアAPIを使って出力ストアを直接編集する必要があります。この使い分けを理解しておくことが、Dreamingを実務で活用するうえでのポイントになります。
対応モデルと利用条件
2026年8月時点のリサーチプレビューでは、Dreamingのパイプラインを実行するモデルとして、Claude Opus 5、Claude Fable 5、Claude Opus 4.8、Claude Opus 4.7、Claude Sonnet 5、Claude Sonnet 4.6が利用可能です。課金は選択したモデルの標準的なAPIトークン料金に基づき、入力するセッションの数や長さにほぼ比例してコストが増えます。Anthropicは、まず少数のセッションで試し、整理の質に納得できてから対象を広げていくことを推奨しています。
なお、Dreamingおよび関連するMCPトンネル機能はリサーチプレビュー段階にあり、利用にはAnthropicへの個別申請が必要です。Managed Agents自体はベータ提供されており、通常のAPIアカウントであればデフォルトで利用できます。
記憶を軸にした機能群 ― Outcomes・マルチエージェント連携
Anthropicは同時期に、Dreamingと組み合わせて使うことを想定した機能もあわせて公開しています。
一つは「Outcomes（アウトカム）」です。開発者があらかじめ「何をもって成功とするか」を示す評価基準（ルーブリック）を書いておくと、エージェントの出力とは別の文脈で動く「グレーダー」がその基準に照らして出力を採点し、基準を満たすまでエージェントに再挑戦させる仕組みです。人間がすべての出力を逐一チェックしなくても、一定の品質を担保できるようになります。社内テストでは、標準的なプロンプトのループと比べて最大10ポイントのタスク成功率向上が確認されており、特に難易度の高いタスクほど効果が大きかったと報告されています。
もう一つが「マルチエージェント連携（Multiagent Orchestration）」です。一つのタスクを単一のエージェントでこなすには荷が重い場合に、リード役のエージェントが作業を分解し、それぞれ得意分野の異なる専門エージェントに振り分けて並行実行させる仕組みです。各エージェントは共有のファイルシステム上で作業し、リード役は途中経過を随時把握できます。
記憶（メモリ）が「作業しながら学ぶ」仕組みだとすれば、Dreamingは「セッションの合間に学びを整理し直す」仕組みであり、両者を組み合わせることで、使うほどに賢くなっていく自己改善型のエージェントが実現しやすくなります。
導入企業に見る活用の広がり
Anthropicが公開した事例からは、Dreamingを含む記憶関連機能の実務での使われ方が見えてきます。
リーガルテック企業のHarveyは、長文の法律文書のドラフト作成などにManaged Agentsを活用しています。Dreamingによってファイル形式ごとの回避策やツール特有のパターンといった学びをセッションをまたいで記憶できるようになり、タスクの完了率がテスト環境で約6倍に向上したとされています。
Netflixのプラットフォームチームは、数百件規模のビルドから出力されるログを解析するエージェントを構築しています。変更の影響が数千のアプリケーションに及ぶような状況では、個々のログではなく複数のビルドにまたがって繰り返し起きている問題を見つけることが重要になるため、マルチエージェント連携によって並行分析し、対応すべきパターンだけを浮かび上がらせています。
文書のライティングを支援するSpiral（Every社）では、リード役のエージェントをHaikuモデルで動かして依頼内容を受け付け、必要に応じて確認の質問を挟んだうえで、実際の執筆はOpusモデルの専門エージェントに委任する構成を取っています。複数案を同時に依頼された場合は並行して下書きを作成し、Outcomesによって編集方針やユーザーの文体に沿っているかを採点したうえで、基準を満たした案だけを返す設計です。
医療文書の品質チェックを手掛けるWisedocsも、Outcomesを使って社内ガイドラインに沿ったレビューを自動化し、レビュー速度が50%向上したと報告しています。
ビジネスパーソンにとっての意味
エンジニアでなくても、この動きから読み取っておきたいポイントは2つあります。
一つは、AIエージェントが「毎回ゼロから説明が必要なツール」から「使うほど自社の業務や好みを覚えていくパートナー」へと進化しつつあるということです。社内の定型文書のスタイル、過去のミスの傾向、チームごとの暗黙のルールといったものを、AIが自律的に整理・蓄積していく方向に技術が向かっています。
もう一つは、記憶を安全に運用するための「レビューしてから採用する」という設計思想です。Dreamingが出力を既存の記憶に直接上書きせず、別の候補として提示する仕組みは、AIの自動化を進めるうえで人が最終判断を握り続けるための重要な設計パターンといえます。今後、社内でAIエージェントの導入を検討する際にも、こうした「人間によるレビューを組み込めるか」という観点は、ツール選定の判断材料になるはずです。
導入を検討する際の実務的な視点
実際に自社でAIエージェントの記憶管理機能を検討する場合、まず押さえておきたいのは対象業務の選び方です。Harveyの事例のように長文ドキュメントの作成やレビューを繰り返す業務、Netflixの事例のように大量のログや記録から共通パターンを見つけ出す業務など、同じ種類のタスクを反復して行う場面ほど、記憶の蓄積と整理による効果が出やすい傾向があります。逆に、一回きりの単発タスクや、毎回まったく異なる文脈を扱う業務では、記憶機能の恩恵は限定的になりやすい点にも注意が必要です。
また、DreamingやOutcomesはいずれも現時点でリサーチプレビューやベータの位置づけであり、今後仕様が変更される可能性があります。本番の重要な業務プロセスにいきなり組み込むのではなく、まずは影響範囲の小さいタスクで試し、記憶の整理結果や採点基準の妥当性を人の目で確認しながら段階的に適用範囲を広げていく進め方が現実的です。エンジニアではない立場の方も、こうした「AIエージェントが何を記憶し、その記憶がどうレビューされているか」を大まかに把握しておくと、社内でのAI活用方針を議論する際に役立つはずです。
まとめ
Claude Managed Agentsの「Dreaming」は、AIエージェントが蓄積した記憶を過去のセッションから振り返り、重複や矛盾を整理して新しい記憶ストアとして再構成する機能です。現時点ではリサーチプレビュー段階で申請が必要なものの、Outcomesやマルチエージェント連携と組み合わせることで、HarveyやNetflixのような企業が実際に業務効率化の成果を上げ始めています。
生成AIの活用がチャットでの一問一答から、自律的に動くエージェントへと重心を移しつつある今、「記憶をどう管理するか」は今後ますます重要なテーマになっていきそうです。
