2026-05

AIエージェント・ストラテジスト試験シラバスSection13「データの種類と特性」を解説。構造化・非構造化・半構造化データの定義と具体例、それぞれに最適な処理の担い手（API／LLM／入出力インターフェース）、メタデータの役割を、試験の判断問題に対応できる形で整理します。

AIエージェント・ストラテジスト試験シラバスSection12「ナレッジマネジメントの基礎」を解説。情報と知識の違い、AIが参照できる形式知と参照できない暗黙知、ナレッジベースとRAGの関係、知識が循環するSECIモデル（共同化・表出化・連結化・内面化）を、試験の判断問題に対応できる形で整理します。

AIエージェント・ストラテジスト試験シラバスSection11「業務可視化の手法」を解説。暗黙知の罠、粒度の粗い順に並ぶ4つの可視化手法（IPO・SIPOC・HTA・業務フロー図）の役割と使い分け、HTAによるAI／RPA／人間の役割分担を、試験の判断問題に対応できる形で整理します。

AIエージェント・ストラテジスト試験シラバスSection10「BPR（業務改革）の基礎」を解説。BPRが「改善」ではなく「再設計」である理由、非効率な業務をそのまま自動化する「汚いプロセスの自動化」の罠、ECRS（排除・結合・順序変更・簡素化）を効果の大きい順に適用する考え方を整理します。

AIエージェント・ストラテジスト試験シラバスSection9「業務の構造的理解」を解説。仕事・業務・作業の違い、IPO（入力・処理・出力）による業務分解、事実だけを記録するAs-Is分析、AI前提で再設計するTo-Be分析の順序と注意点を、試験の判断問題に対応できる形で整理します。

AIエージェント・ストラテジスト試験シラバスSection8「生成AIの発展トレンド」を解説。エージェント化・ドメイン特化・モデル強化という3つの進化軸（マルチモーダル化・小型化SLM・推論強化を含む）と、それを自社の導入判断につなげる3つの問いを、試験の判断問題に対応できる形で整理します。

AIエージェント・ストラテジスト試験シラバスSection7「AIエージェントのリスクと対策」を解説。信頼性・形骸化・ブラックボックス化・セキュリティ／倫理の4つのリスクカテゴリと判別の観点、それぞれの基本対策、そして「リスクを管理しながら段階的に導入する」という考え方を整理します。

AIエージェント・ストラテジスト試験シラバスSection6「AIエージェント導入の価値」を解説。定量的メリットと定性的メリットの違い、ROIとTCOの関係、そして「ROIの数字だけで決めず、定量・定性・リスクの3点で総合評価する」というストラテジストの投資判断の考え方を整理します。

AIエージェント・ストラテジスト試験シラバスSection5「エージェントの接続標準 MCP」を解説。APIとの違い、MCP（Model Context Protocol）が解くM×N問題、ツール選択の自動化、そして「MCPか個別APIか」を将来の拡張から判断するストラテジストの視点まで整理します。

AIエージェント・ストラテジスト試験シラバスSection4「RPAとAIエージェントの違い」を解説。ルールベース自動化(RPA)とLLMによる判断の本質的な違い、「定型処理か判断処理か」の見極め、両者を組み合わせるハイパーオートメーションまで、試験の判断問題に対応できる形で整理します。