「答える」から「終わらせる」へ
論じられているのは、AIが「より良い回答を生成する装置」から「意図を完了した仕事に変換する装置」へと役割を変える局面です。Tencent Youtu Labらの論文は、この移行を5段階で整理しました。素のチャットボット、推論時計算を投じる思考型LLM（OpenAIのo1やDeepseek-R1が起点）、API呼び出しや コード実行ができる第一世代エージェント、そして環境そのものが永続化する「OpenClaw」期、最終的に自律的なデジタル同僚に至るという見立てです。
ダニエル・カーネマンの「システム1/システム2」を借りれば、トークンを一気に書き出す直感的な回答から、中間ステップを検証する熟考型へと比重が移っているということになります。
Workspace と Skill の組み合わせ
第一世代エージェントは、環境認識の断片化、ステートレスなツール呼び出し、想定外の挙動への脆さ、タスクを最後まで終えられないという4つの構造的ボトルネックを抱えていました。論文の核となる主張は、永続的な「Workspace」（ファイル、セッション、ログ、権限が作業全体を通して残る環境）と、再利用可能な「Skill」を組み合わせることで初めて性能の跳躍が起きるという点です。
OpenHandsやSWE-agentが具体例として挙げられ、AnthropicのAgent Skillsは指示・スクリプト・リソースを束ねるSKILL.mdという形でこのパターンを定式化しています。
評価軸の転換と、皮肉な現実
学習・評価も様変わりします。チャットボットが「指示と回答のペア」で精度評価されたのに対し、Workspace型は「状態-行動-観測の軌跡」で学び、検証可能な終了状態への到達が成功の定義になります。SWE-bench、OSWorld、WebArenaのようなベンチマークが代表例で、GPT-4はWebArenaタスクをわずか14%しか完了できませんでした。
しかし、ここに皮肉な現実があります。Vercelの最近の評価では、コーディングエージェントが提供されたスキルシステムを呼び出さなかった比率が56%、スキル経由の成功率は最大79%でした。これに対し、AGENTS.mdに圧縮した文書インデックスを常時コンテキストに置く方式は100%の成功率を記録しました。「能動的なスキル取得」より「受動的な常時提示」が勝ったわけで、Meta・スタンフォード・イリノイ大の調査が指摘する「性能はベースモデルよりハーネス（周辺ソフト層）次第」という結論とも符合します。
ガバナンスという宿題
永続Workspaceは認証情報や内部文書、中間結果を保持するため攻撃面が広がります。OpenClaw PRISMやClawGuardが権限管理・来歴追跡・監査ログを整備しつつありますが、ロールバック、ガバナンス、永続記憶という未解決問題は残ります。自律性が増すほど、ミスは長期に残り、取り消しにくくなるからです。
💼 事業会社視点：これは自社にどう効くか
受託開発・SaaS事業者は「ハーネス層」で勝負が決まる
日本の受託開発・SaaS事業者にとって、この論文と Vercelの逆説的な評価は重要なシグナルです。「最新モデルを採用すれば差別化できる」という発想は既に古く、勝負はモデルの周辺ソフト層（ハーネス）の設計力に移っています。AGENTS.mdの常時提示が79%のスキル経由を超え100%を出した事実は、「凝った仕組みより、整理された前提情報を確実に渡す設計」が効くことを示しています。
経営者が今動くべき3点
第一に、社内ナレッジをSKILL.md相当のモジュール化された手順書に再編する投資判断です。属人化した運用知をエージェントが再利用できる形に変換できる企業が、生産性で先行します。第二に、永続Workspaceは認証情報・内部リポジトリを保持するため、情報システム部門のセキュリティ要件を従来のSaaS導入基準より厳格化する必要があります。データ主権、監査ログ、ロールバック手段の確認を購買フローに組み込むべきです。第三に、SaaSベンダーは「エージェント対応API」だけでなく、スキル/コンテキスト設計のドキュメント整備を競争要件として捉え直すべきでしょう。