結論: オハイオ州立大学のAIエージェント研究者Yu Suが設立したNeoCognitionが4,000万ドルのシード資金を調達し、ステルスから表舞台に出た。「現在のエージェントは意図した通りにタスクを完了する確率が約50%」という信頼性問題を、環境を自律的に学習する「世界モデル」アプローチで解決しようとしている。
この記事の要点:
- IntelのCEO Lip-Bu TanとDatabricksの共同創業者Ion Stoicaが参加——エンタープライズ向けに本気のシグナル
- 「タスク完了率50%」問題の正体と、自己学習型エージェントがそれを超えようとする仕組み
- Anthropic Computer Use / OpenAI Agents SDK / Google ADKとの位置づけの違い
対象読者: AIエージェントの企業導入を検討している経営者・IT担当者、AI研究動向をウォッチするビジネスパーソン
読了後にできること: 自己学習型エージェントという概念を理解し、現在のエージェントツールの限界と次世代の方向性を自分の言葉で説明できる
「AIエージェントを導入したのに、思ったより自律的に動かない」
最近、こういった声を企業の担当者から聞くことが増えました。Claude CodeやChatGPTにタスクを任せると途中で止まってしまう。想定外のケースに直面すると人間の介入が必要になる。「完全自律型」とうたっていたけれど、実際はかなりのサポートが必要——という現実です。
これは個別の製品の問題ではありません。AIエージェント全体が抱える構造的な課題です。NeoCognitionのCEO Yu Suは「現在のエージェントが意図した通りにタスクを完了する確率は約50%」と指摘しています（TechCrunch、2026年4月21日）。世界最高水準のAI研究者でもこの数字で認識が一致しているということは、多くの企業が「期待と現実のギャップ」を感じているのは当然だと言えます。
NeoCognitionはこの信頼性問題の解決を正面から目指している研究ラボです。2026年4月、ステルス状態から4,000万ドルのシード調達を発表し、注目を集めました。AIエージェントを企業に導入してきた立場から、この動きが何を意味するのかを整理します。
AIエージェントの基本概念や現在のツール比較については、AIエージェント導入完全ガイドを参照してください。本記事はその最新研究動向として読んでいただければと思います。
NeoCognitionとは——ファクトの全体像
| 項目 | 内容 |
|---|---|
| 発表日 | 2026年4月21日 |
| ラウンド | シードラウンド（ステルスから表舞台へ） |
| 調達額 | 4,000万ドル（約60億円） |
| 共同リード投資家 | Cambium Capital、Walden Catalyst Ventures |
| 参加投資家 | Vista Equity Partners |
| エンジェル投資家 | Lip-Bu Tan（Intel CEO）、Ion Stoica（Databricks共同創業者） |
| 創業者/CEO | Yu Su（オハイオ州立大学教授、Sloan Research Fellow） |
| 共同創業者 | Xiang Deng、Yu Gu |
| 本社 | パロアルト、カリフォルニア州 |
| 従業員数 | 約15名（過半数がPhD保有者） |
| 技術フォーカス | 自己学習型AIエージェント（World Model of Work） |
| ターゲット市場 | エンタープライズ、既存SaaS企業 |
| 主要研究成果 | Mind2Web、MMMU、SeeAct（受賞歴あり） |
エンジェル投資家の顔ぶれが示すメッセージは明確です。IntelのCEO Lip-Bu Tanは半導体・エンタープライズIT基盤の中心人物で、DatabricksのIon Stoicaは大規模データ処理・機械学習プラットフォームの権威です。このふたりが個人で投資しているということは、「エンタープライズの現場に本当に使えるエージェントが必要」という実務からの確信があると見ていいでしょう。
「タスク完了率50%」問題——現在のエージェントの何が足りないのか
「現在のエージェントはタスクを意図した通りに完了する確率が50%程度」という数字は、実際に企業向けAIコンサルを行う立場からすると「正直だな」と感じます。
なぜ50%なのか——構造的な原因
現在のAIエージェント（Claude Code、OpenAI Agents SDK、Google ADK等）が抱える信頼性の問題には、複数の原因があります。
まず「環境への適応不足」です。企業の業務環境は一つ一つ異なります。同じ「経費申請の自動化」でも、A社はSAPを使い、B社は独自開発のシステムを使い、C社はExcelとメールで処理しています。汎用エージェントは一般的な操作パターンは学習していますが、特定の企業の特定のシステムの特定のワークフローは学習していません。
次に「長期記憶の欠如」です。多くのエージェントはセッションをまたいで学習しません。昨日失敗したことを今日はまたゼロから繰り返します。人間の新入社員が同じミスを繰り返したら問題ですが、現在のエージェントにとっては「仕様」です。
三つ目は「例外処理の弱さ」です。訓練データに含まれない状況に直面すると、エージェントは立ち止まるか、間違った行動をとります。「想定外のポップアップが出た」「エラーメッセージが予想と違う文言だった」——こういった状況への対処が苦手です。
自己学習型エージェントが提案する解決策
NeoCognitionのアプローチは「エージェントが環境を学習する」というものです。具体的には、特定の企業・特定の業務環境の中でエージェントが動作するうちに、その環境の構造・ワークフロー・制約を自律的に学び、「その環境の専門家」になっていく——というビジョンです。
Yu Suはこれを「Work の World Model」と表現しています。囲碁の世界でAlphaGo Zeroが「囲碁というゲームの世界モデル」を自己対戦から学んだように、NeoCognitionのエージェントは「特定の業務世界のモデル」を実際の業務遂行から学ぶ、という発想です。
「World Model of Work」とは何か——技術的な考え方の整理
「世界モデル（World Model）」という言葉は、AIの文脈では「システムが動作する環境の内部表現」を指します。NeoCognitionの文脈ではこれを「業務の世界モデル」と呼んでいます。
現在のエージェントのアーキテクチャ
現在の主流エージェントは大きく3つのコンポーネントで構成されています。
- 大規模言語モデル（LLM）: 汎用的な推論・言語理解能力
- RAGまたはファインチューニング: 特定のドメイン知識を補完
- ツール呼び出し: 検索・コード実行・ブラウザ操作等の外部機能
この構成の問題は「特定の業務環境への適応」が後付けになっていることです。汎用LLMに「御社のSAPシステムを操作してほしい」と言っても、そのSAPの設定・カスタマイゼーション・承認フローはモデルが知らない情報です。RAGで補完しようにも、業務の「暗黙知」（「このボタンは実はあまり使わない」「この承認は通常省略される」等）はドキュメント化されていません。
自己学習が加わると何が変わるのか
NeoCognitionが目指す「自己学習型」の場合、エージェントは実際に業務を実行しながら環境を観察・学習します。
- 「このシステムではボタンAを押すと確認ダイアログが出る」という観察を記憶する
- 「この企業では経費申請の承認は通常2日以内に来る。3日経っても返信がなければリマインドが必要」という時間的パターンを学ぶ
- 「前回のタスクでこのエラーが出た時は、X → Y → Zという手順で対処できた」という経験を蓄積する
これが積み重なると、エージェントはその業務環境の「専門家」になっていきます。汎用エージェントから「御社専用エージェント」への進化というイメージです。
| 比較軸 | 現在の汎用エージェント | NeoCognition型（自己学習型） |
|---|---|---|
| 環境適応 | 汎用的。特定環境の知識は少ない | 実行経験から特定環境を学習・専門化 |
| 失敗からの学習 | セッションをまたいでリセット | 失敗を記憶し、次回に活かす |
| 例外処理 | 訓練データにない状況で停止しやすい | 過去の経験から類似状況に対処 |
| 知識源 | 訓練データ＋RAG（外部ドキュメント） | 訓練データ＋実行経験から構築したモデル |
| 導入当初の性能 | 即座に一定レベルで動作 | 最初は低く、使うほど向上 |
主要エージェントフレームワークとの位置づけ
NeoCognitionはどのような立ち位置にあるのか、現在の主要エージェントフレームワークと比較します。
Anthropic Computer Use / Claude Agent SDK
ClaudeのComputer Useは「コンピュータを使う」能力——画面を見て、クリックし、キーボードを打つ——をエージェントに付与します。Claude Agent SDKは「ファイルシステムとシェルへのアクセス」が核心の設計思想です（「エージェントにコンピュータを渡す」発想）。推論品質が高く、エンタープライズでの信頼性が評価されています。
OpenAI Agents SDK
2026年3月リリース。エージェント同士が明示的に制御を引き渡す「ハンドオフ」が特徴で、マルチエージェントシステムの構築に向いています。開発者エクスペリエンスが高く評価されています。
Google ADK（Agent Development Kit）
2026年4月リリース。階層型エージェントツリー構造が特徴で、マルチモーダル（画像・音声・動画を扱う）能力が強みです。コスト面での優位性もあります。
NeoCognitionの立ち位置
上記3つのフレームワークは「既存の強力なLLMを活用してエージェントを動かす枠組み」です。NeoCognitionはフレームワーク提供ではなく「自己学習するエージェント自体の研究開発」を行っています。
比喩を使うなら、Anthropic/OpenAI/GoogleはエージェントのOSとして動く「プラットフォーム」を提供しており、NeoCognitionはそのOS上で動く、または独自のOS設計として「学習するアプリケーション」の研究を行っています。
NeoCognitionの技術が成熟すれば、上記フレームワークと競合するのではなく「フレームワーク上で動く自己学習レイヤー」として統合される可能性もあります。
Yu Su——学術研究者から起業家へ
NeoCognitionを理解するにはCEO Yu Suの経歴を知ることが重要です。彼はオハイオ州立大学でAIエージェントの研究をしているアカデミアの人物で、Sloan Research Fellowに選ばれる程度には研究者として評価されています。
Mind2Web——webエージェント研究の金字塔
Yu Suのチームは「Mind2Web」という研究で注目を集めました。Mind2Webはウェブブラウザを操作するエージェントのベンチマークデータセットで、137のウェブサイトと2,000以上の多様なタスクを含んでいます。
この研究が重要だったのは「エージェントがウェブ操作をする上で何が難しいか」を定量的に示したからです。現実のウェブサイトはUI設計がバラバラで、同じ操作でも実装が全く異なります。この「多様性への対応」こそがエージェント信頼性の核心的な問題だというSuの主張は、実際の企業導入の現場でも確認できます。
学術研究から起業へ
Suが大学の研究室を起点に起業したのは「基盤モデルの進歩がエージェントの真の自律化を可能にする段階に来た」という確信からとされています（TechCrunch、2026年4月21日）。これまでは研究レベルで「こういう問題がある」とわかっていても、実際に解決できるほど基盤モデルが強力ではなかった。しかしGPT-5系列やClaude 4系列が登場し、「今ならできる」と判断して研究室を飛び出したということです。
Ion StoricaとLip-Bu Tan——エンジェル投資家が語ること
エンジェル投資家の顔ぶれは、そのスタートアップの方向性を示す重要な情報です。
Ion Stoica（Databricks共同創業者）
Ion StoicaはUCバークレーの教授でもあり、Databricksというデータ処理・MLOpsプラットフォームの共同創業者です。Databricksの顧客は金融・製造・ヘルスケア等の大企業で、「データから価値を引き出すAIパイプライン」に深い知見があります。
StoicaがNeoCognitionに投資したということは、「エンタープライズのデータと業務プロセスを学習するエージェント」という方向性への確信と解釈できます。Databricksのエコシステムとの連携も視野にある可能性があります。
Lip-Bu Tan（Intel CEO）
Lip-Bu TanはIntelのCEOです。半導体・エンタープライズ向けコンピューティングインフラの中心にいる人物が個人投資しているのは、「自己学習型エージェントが動くためのハードウェア需要が生まれる」という計算も含まれているかもしれません。
また彼はVenrock（著名なVC）の創業パートナーとして長年スタートアップ投資に携わってきた実績があります。純粋にテクノロジーへの確信で投資している面もあると思います。
企業にとっての実務的な示唆——自己学習型エージェントを使う前に知るべきこと
NeoCognitionのような自己学習型エージェントが実用化されたとき、企業側にはどういった準備が必要になるでしょうか。
示唆1: 「学習データ」として業務ログを残す習慣を今から作る
自己学習型エージェントが学ぶためには「何をどういう手順でやったか」という業務ログが必要です。現在でも、社内システムの操作ログ・メールの送受信記録・承認フローの記録等は存在しているはずです。しかしこれらが整理された形式で保存されているかどうかは企業によってまちまちです。
今のうちに「業務ログを構造化された形式で保存する」体制を整えておくことが、将来の自己学習型エージェント導入の基盤になります。
示唆2: 「エージェントが失敗した記録」を捨てない
現在のエージェント試験導入で「うまくいかなかった事例」は、通常なら「やっぱり使えない」として記録が捨てられます。しかし自己学習型エージェントの観点から見ると、失敗ケースこそが貴重な学習データです。
「このシナリオでエージェントが詰まった」「この例外処理が苦手だった」という記録を残しておくことで、将来の自己学習型エージェントへの移行時に「過去の失敗から学習させる」ことができます。
示唆3: 現在のエージェントでも「ドメイン特化」の工夫は今すぐできる
NeoCognitionが実用化されるまでには時間がかかります。しかし「エージェントを特定業務に特化させる」という発想は今すぐ実践できます。
例えばClaude Code等を使う際に、「このシステムではこういう手順を使う」「この企業ではこういう例外がある」という情報をCLAUDE.md（または同様の指示ファイル）に丁寧に記述することは、実質的に「そのエージェントを業務環境に適応させる」行為です。これは自己学習ではなく「人間による知識注入」ですが、信頼性向上の効果は即座に得られます。
こういった実践的な企業向けAI活用については、AI導入戦略の設計フレームワークでより詳しく解説しています。
AIエージェントの「信頼性問題」——業界全体の取り組み
NeoCognitionが取り組む「タスク完了率50%」という信頼性問題は、業界全体が認識している課題です。各社のアプローチを整理します。
| 組織 | 信頼性向上のアプローチ | 特徴 |
|---|---|---|
| Anthropic | Constitutional AI + 強力な推論モデル | 安全性・予測可能性重視。慎重な設計 |
| OpenAI | 強化学習（RLHF/RLVR）でo3等の推論力向上 | 複雑な推論タスクの精度向上 |
| Google DeepMind | マルチモーダル + 大量の実世界データ | 多様な入力形式への対応 |
| LangChain/LangGraph | チェックポイント＋タイムトラベルでエラー回復 | 長期タスクの状態管理 |
| NeoCognition | 環境の「世界モデル」を自律学習 | 特定業務環境への専門化 |
現在のトレンドは「ハイブリッドアーキテクチャ」です。ファインチューニングされた小型モデルをオーケストレーターとして、RAG・コード実行・ブラウザ操作等のツールを組み合わせる方式が2026年のエンタープライズ標準になりつつあります（redblox.ai分析）。NeoCognitionはこの上にさらに「自己学習レイヤー」を追加しようとしています。
まとめ——自己学習型エージェント時代に向けた準備
NeoCognitionの40Mシード調達は、「現在のエージェントの信頼性問題を根本から解決する」という野心の表明です。Ion StoicaとLip-Bu Tanという実務経験豊富なエンジェルが参加したことは、エンタープライズ市場における現実的なニーズと一致しています。
ただし実用化には時間がかかります。Infinteで学習する世界モデルをエンタープライズ向けに安全に、かつスケーラブルに実装することは技術的に容易ではありません。
今日やること: 現在使っているAIエージェントで「うまくいかなかった事例」をメモしておく。どんな状況で詰まったか、何の情報が足りなかったかを記録する。これが将来の自己学習型エージェントへの移行で役立つ基礎データになる。
今週中: CLAUDE.md等のエージェント指示ファイルに「自社固有の業務ルール・例外処理」を1件追記してみる。エージェントを業務環境に適応させる実験的なアプローチとして有効。
今月中: 社内のAI担当者に「自己学習型エージェント」という概念を共有し、「将来的にどの業務でこういう仕組みが役立つか」をブレインストーミングする機会を作る。先読みが競争優位につながる。
参考・出典
- AI research lab NeoCognition lands $40M seed to build agents that learn like humans — TechCrunch（参照日: 2026-04-21）
- NeoCognition Emerges from Stealth With $40 Million Seed Round — PR Newswire（参照日: 2026-04-21）
- NeoCognition’s $40M bet on self-learning AI agents — The Next Web（参照日: 2026-04-21）
- Claude Agent SDK vs OpenAI Agents SDK vs Google ADK: 2026 Ultimate Framework Showdown — HolySheep AI（参照日: 2026-04-13）
- Fine-tuning vs RAG vs Agents Comparison — Redblox AI（参照日: 2026-05-02）
- AI Agent Frameworks in 2026: 8 SDKs, ACP, and the Trade-offs Nobody Talks About — MorphLLM（参照日: 2026-05-02）
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。早稲田大学法学部在学中に生成AIの可能性に魅了され、X（旧Twitter）で活用法を発信（@SuguruKun_ai、フォロワー約10万人）。100社以上の企業向けAI研修・導入支援を展開。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。
ご質問・ご相談はお問い合わせフォームからお気軽にどうぞ。
