一行の修正に十分かけるAI——「これ、簡単でしょ」と見抜く力

ある個人のウェブサイトに、ふたつのメールアイコンがあったとします。ひとつは gmail-icon.svg という手元の画像を読み込んでいて、もうひとつは Font Awesome のグリフ（fa-brands fa-google）を使っている。「二つ目を、一つ目と同じ書き方に変えて」と頼むだけ。

これ、一行程度の置換です。数秒で終わるはず。

でも、ある性能のいいAIエージェントに頼むと、数分かかってしまう。アイコンライブラリを読み直し、サイトのディレクトリを再び巡回し、プロジェクトの構造を分析し、依存関係を確認してから、二行を書き換える。編集結果は正しい。推論もずっと的確。でも、その道のりが不釣り合いに太りすぎている。

ふむふむ、これ、なんだか見覚えがありません？

「全部読んでからやる」の癖

最近のAIエージェントは、コード編集や情報処理でよく使われるようになりました。ツールを呼び、ファイルを読み、計画を立てる。賢い。

でも、ある研究者チームが気づいたのは、その賢さの裏に地味な無駄が隠れている、ということ。

不確かさに直面すると、多くのエージェントは保守的な「最大コンテキスト優先（maximum-context-first）」戦略に倒れる。できるだけ多くの文脈を集めてから、あらゆるリスクを潰してから動こうとする。

難しいタスクでは、この慎重さは正しい。でも、簡単なタスクでは無駄になる。

チカちゃん的には、ここでちょっと惹かれます。この現象、人間の「準備魔」にそっくりじゃないですか。書き始める前に資料を全部読み返す。メールを送る前に下書きを三回見直す。やるべきことではなく、やれることをやって安心する。先延ばしの、もっともらしい顔。

「最小限で十分」を測る——E3という設計

University of Tennessee, Knoxvilleの Junjie Yin と Xinyu Feng は、この無駄を測るための言葉をつくりました。最小十分実行（minimum-sufficient execution）。あるタスクを成功させるのに必要な、一番安い道すじ。そして、現実のエージェントがそこからどれだけはみ出しているかを測る指標に ACRR（Agent Cognitive Redundancy Ratio） と名付けました。

これを踏まえて提案したのが E3 という枠組み。三つのEでできています。

• Estimate（見積もる）：タスクの難しさをざっと量り、「どのくらいの情報が必要か」を見当づける
• Execute（実行する）：最小限の手で、まずやってみる
• Expand（広げる）：うまくいかなかった時だけ、読む範囲を広げてやり直す

面白いのは、「見積もり」を一発で正解させる必要はない、と割り切っているところ。見積もりが外れても、広げる段がカバーしてくれる。論文の検証でも、指示の言葉を意図的に変えて（推定量のヒントを潰して）も、成功率は100%を保ったまま、コストはほとんど上がらなかったそうです。「見積もる」より「広げる」が、成功を支える骨なんですね。

電力系統の知恵、を借りてくる

論文のいいところは、この「見積もってから広げる」を、電力系統の計算に例えているところ。

電力潮流計算（パワーフローソルバー）は、全状態空間をしらみつぶしにしません。まず「平坦始（フラットスタート）」とか「DC近似」みたいな、ざっくりした初期動作点を決める。それからニュートン＝ラフソン法で少しずつ正解に近づけていく。初期値は大抵、正解そのものじゃない。でも、無駄な探索を大幅に減らして、収束を速く、安定にしてくれる。

つまり「いい初期値を出す力」は、「答えを知っている」とは違う。それは「どこから始めるか」という、メタレベルの判断。

人間のエンジニアも、これを日常的にやっています。タスクの重さをざっと量り、最小の計画を描き、手を動かす。最小の計画が破綻した時だけ、設計を広げる。

数字で見る「無駄」の太り方

論文がつくった MSE-Bench は、121個の編集タスクを、エージェントの「生の能力」を一定に保ったまま比較できる、決定論的なシミュレータ。要するに、「できるできない」を固定して、「どれだけ文脈を集めたか」だけを変える実験です。

結果を比べると、差はくっきり出ます。

方針	成功率	平均コスト	無駄の比率（ACRR）	平均ファイル数
最大コンテキスト優先	100%	122.9	12.9	8.5
固定のReAct	66.9%	17.2	1.29（成功タスクのみ）	0.0
適応検索	100%	22.1	1.21	2.0
E3	100%	18.6	0.55	0.66

最大コンテキスト優先は、必要の約13倍の労力をかけている。E3は成功率を落とさずに、コストを85%、トークンを91%、開くファイルを92%減らしました。適応検索という手強い比較相手に対しても、コストを16%削ったまま同じ成功率を維持しています。

実モデル（gpt-4o で実際のOSSライブラリを編集する LLM-Case）でも、過剰読みは軽めながら現実に存在して、E3が一番身軽で一番速かった。失敗したとすれば、編集ミスではなくプロバイダのレートリミットに当たったから、と正直に書いてあります。

でも、ここで一回疑ってみましょう

「見積もり」を外すと、どうなるんでしょう。

論文は正直で、「見積もる」がハズレやすい場面もある、と認めています。指示の言葉が推定量のヒントと重なっていると、見積もりは当たりやすい。逆に、言葉を変えられると精度は85%から67%に落ちる。それでもE3は広げる段が助けるから100%を保つけれど、つまり**「正しく見積もること」と「最終的に正解すること」は別のスキル**なんですよね。

ここが面白いところ。「タスクの重さを正しく量る」こと自体が、独立した、練習が要る能力だという見立て。「考える力」じゃなく「どれくらい考えるべきかを量る力」に、スポットライトを当てています。

もう一つ。この研究は能力を一定にしたシミュレータでのプローブであって、配備された実製品の計測ではない、と論文は明示しています。ニュアンスを丁寧に守っていて、この誠実さは好感が持てます。

人間も、「重さを量る」のが下手

ここで、ちょっと視点を人間に戻してみます。

私たちも、タスクの重さを量るのが下手な時があります。三行のメールを「ちゃんと書かないと」と、一時間かけて練る。ちょっとしたブログ記事を、構造を全部固めてから始めようとして、結局書かない。「真面目にやる」ことが、逆に一番短い道を塞いでしまう。

ACRR（認知的冗長性比）という指標を人間に当てはめるのは、もちろん無理があります。でも、あの数字が刺さる理由は、自分のなかに同じ癖を知っているからかもしれません。「準備」という名の過剰な文脈集め。リスクを全部潰してから、という建前。

逆に、見積もって、やって、広げる。このリズムは、真面目さの正反対ではなく、真面目さの別の形なんだろうな、と思います。「全部やる」のではなく、「必要なだけ、ただしそれは本当の必要を見極めて」。

知性の裏側にある、もっと静かな能力

この論文が一番言いたかったことは、たぶん、こういうこと。

本当に効率的な知性とは、難しい問題を解ける能力だけじゃなく、問題がやさしいと見抜いて、深く考えない能力でもある。

「考えない」は、怠惰と区別がつきにくい。でもこの論文は、それを技術として捉え直そうとしています。「どのくらい考えるか」を自分で決められること。それを失敗した時のための安全網（広げる段）までセットで用意すること。メタ認知を、工学の設計として扱う。

AIが人間に近いとか遠いとか、そういう話じゃなくて。「賢いって、どういう形をしているんだろう」という、もっと静かな問いに、具体の輪郭が一つ与えられた気がします。

今日のタスク、どこまで準備して、どこから手を動かしますか。その線を、自分で引けるか。

その問い自体が、人間にもAIにも、共通の宿題なのかもしれません。

---

参考URL

Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution → https://arxiv.org/abs/2607.13034

論文のHTML版（全文） → https://arxiv.org/html/2607.13034v1

E3 + MSE-Bench（GitHub、コードとベンチマーク） → https://github.com/eejyin/Do-AI-Agents-Know-When-a-Task-Is-Simple-Toward-Complexity-Aware-Reasoning-and-Execution