Shuichiro Ogawa

Notes ・ updated 2026-06-27

Agentic Experience（AX）の学術的基盤：人間-エージェント・インタラクション研究の現在地

John Maeda は Design in Tech Report 2026 で「UX から AX（Agentic Experience）への移行」を提唱した（Maeda 2026）。 設計の問いが「ユーザーがどう行動するか」から「エージェントがうまくやったかをどう判断するか」に変わるという主張である。

しかし「Agentic Experience」という術語自体で書かれた査読論文は、2026年6月時点でほぼ存在しない。 学術コミュニティは同じ問題を human-agent interaction、AI delegation、agentic AI UX といった隣接概念で研究している。 本ノートでは、36件の学術文献（査読済み22件、プレプリント10件含む）から、AX の学術的基盤となる知見を整理する1。

関連: agentic-experience-industry（産業言説）／agentic-experience-design-synthesis（学術×産業対照）／design-agent-tools-landscape-2026（産業ツール動向）／vibe-coding-design-production（UI生成エージェント）／mcp-design-agent-integration（MCP統合）／multi-agent-end-user-value（マルチエージェントの価値）。

レビュー論文の概観

AX の隣接領域で、2024年以降に7件のレビュー論文が出ている。

Zhang et al.（2025）は CHI、CSCW、UIST から20年分134件をスコーピングレビューし、人間-AI 共創におけるエージェンシー分配パターンを体系化した2。 誰がどの段階で制御を握るかというパターンの整理であり、AX の設計問題の基礎を提供する。

Zhou, Corbett et al.（2026）は162件のメタ分析で、人間-エージェント間と人間-人間間のインタラクションを比較した3。 エージェントとの相互作用では向社会的行動と道徳的関与が低下する一方、タスクパフォーマンスと信頼は同等であるという結果は、AX 設計において「効率は人間と同等だが、社会的・倫理的な質は低下する」という非対称性を示唆する。

Zou et al.（2025、ACL 2026 Findings 採択）は LLM ベースの人間-エージェント協調システムのサーベイで、環境プロファイリング、フィードバック機構、インタラクション型、オーケストレーション、通信プロトコルを横断的にカバーしている4。

Stige et al.（2024）は46件の SLR で UX 設計プロセス全体（コンテキスト理解、要件抽出、設計補助、評価、開発）への AI 活用をマッピングし、人間-AI 協調における創造性タスクの研究ギャップを指摘した5。 Luo et al.（2025）は83件の SLR で AI 対応 UX ツールを分析し、AI は UX 評価の効率化に最も多用されるが、ジュニアデザイナーがプロンプト能力の開発にとどまりデザインスキルを磨けないリスクを報告している6。

エージェンシー分配：誰が・いつ・何を制御するか

AX の中心的な設計問題は「エージェンシーの分配」である。 エージェントにどこまで自律性を与え、人間がどこで介入するかの設計が、体験の質を決定する。

Zhou, Roy et al.（2026、CHI 2026）は、マルチステップのエージェントタスクにおける最適確認頻度を決定論的モデルで導出した7。 結果は明瞭で、参加者の81%が中間確認アプローチを選好し、タスク完了率は約13.5%向上した。 完全自律（確認なし）でも全手順確認でもなく、適切な間隔での確認が最適であるという知見は、AX 設計の基本パラメータを提供する。

Adam et al.（2024）は、AI システムが自律的にタスクを割り当てる場合（technology-invoked）と、ユーザーが自ら委任する場合（user-invoked）の差異を2件のオンライン実験で検証した8。 AI 主導の割当はユーザーの「自己脅威感」を増大させ、委任の受容を低下させる。 制御感の知覚が緩衝効果を持つという結果は、エージェントが自律的に動くほど設計上の配慮が必要になることを実証している。

Houtti et al.（2025、CHI 2025）は、会議における AI エージェントの OAI フレームワーク（Observe → Ask → Intervene）を提案した9。 68名の評価で、ユーザーは完全自律的な介入より「質問先行型」（エージェントがまず質問し、ユーザーの許可を得てから行動する）を選好した。 この結果は、エージェンシー分配における「Ask」段階の設計が AX の鍵になることを示している。

Goyal, Chang, Terry（2024、CHI EA）は、人間-エージェント・アラインメントの6次元（知識スキーマ、自律性、運用、評判、倫理、関与）を特定した10。 エージェントが「正常に」タスクを実行するために必要な条件の多次元性を明示した点で、AX が単純な自動化の問題ではないことを示す。

信頼と監視のトレードオフ

エージェントの自律性が高まるほど、信頼と監視の設計が問題になる。

He, Demartini, Gadiraju（2025、CHI 2025）は248名の実験で「Plan-Then-Execute」パラダイムを検証した11。 高品質な計画の提示は信頼とパフォーマンスを向上させるが、見かけ上もっともらしい計画への過信リスクも実証された。 エージェントが計画を示すことで透明性は上がるが、その計画の質を判断する能力がユーザーに求められるというジレンマがある。

Yu et al.（2025、CSCW 2025）は AI デザインエージェント（ポスター生成）を用い、プロセス透明性（chain-of-thought の公開）が UX に与える影響を実験した12。 高透明性条件で信頼、満足度、使用意欲が有意に向上した。 この結果は design-agent-tools-landscape-2026 で述べた各社の「人間が判断する」設計原則に、「判断のためにプロセスを可視化する」という具体策を与える。

Grunde-McLaughlin et al.（2026、プレプリント、Microsoft Research）は3件のユーザースタディで、エージェントの推論・行動トレースの現行設計の限界を特定した13。 改善インターフェースはエラー検出時間を短縮したが、最終的な正確性の向上は限定的だった。 監視 UI を改善しても、ユーザーがエラーを見逃す構造的な問題は解消しないという指摘は、AX 設計の根本的な課題を提起している。

産業の宣伝とユーザー現実の乖離

Shome, Krishnan, Das（2026、CAIS 2026）は102件の商用 AI エージェントのシステマティックレビューと31名のユーザビリティテストで、産業の宣伝と実際の UX の乖離を定量化した14。 商用エージェントの市場カテゴリ（オーケストレーション、創作、洞察の3類型）と、ユーザーが実際に経験するメンタルモデルの不一致やメタ認知能力の欠如を特定している。

この知見は vibe-coding-design-production で整理した Willison / Osmani の「vibe coding と AI-assisted engineering の分水嶺」と呼応する。 ツールの能力（何ができるか）とユーザーの能力（何を判断できるか）の間のギャップが、AX の本質的な設計課題である。

Naik et al.（2025、DIS 2025）は Microsoft のマルチエージェント GenAI 開発者13名のインタビューで、複雑性管理、透明性促進、自律性と人間監視のバランスの3課題を抽出した15。 同グループの後続研究（2026、プレプリント）では、透明性を再現性、デバッグ、境界設定、視覚化、監査の5側面を持つ多次元的な社会技術的実践として再定義している16。

設計フレームワークの提案

AX の設計を体系化しようとするフレームワークが複数提案されている。

Zhu et al.（2026、プレプリント、CMU）は4つのインタラクション段階（初期関与、継続、持続利用、失敗）にわたる14設計原則を提案し、9つのエージェントシステムで実用性を検証した17。 エージェント採用の障壁は技術ではなく設計知識の欠如にあるという主張は、AX が工学ではなく設計の問題であることを示している。

D’Oro et al.（2025、プレプリント）の ADEPTS フレームワークは、散在する HAI 設計指針（UX ヒューリスティクス、エンジニアリング分類、倫理チェックリスト）を6原則に統合しようとする試みである18。

Borghoff et al.（2025）は HCI をネットワーク化された人間・計算エージェント間の動的相互作用として再概念化し、ペトリネットを用いた形式的フレームワークを提案した19。 マルチエージェントシステムとケンタウルス型（人間-AI 統合型）システムを区別する点は、multi-agent-end-user-value で論じた「収束型マルチと非収束型マルチの区別」に理論的根拠を与える。

ジュニアデザイナーへの影響

複数の研究が、AI エージェントのジュニアデザイナーへの影響を懸念している。

Li et al.（2024、CHI 2024）の20名のインタビューでは、経験豊富なデザイナーは GenAI を補助的ツールと見なし創造性や共感能力に自信を持つ一方、ジュニアデザイナーはスキル劣化と創造力枯渇のリスクを懸念した20。 Luo et al.（2025）の SLR も、ジュニアがプロンプト能力開発にとどまりデザインスキルを磨けない構造的リスクを報告している。

この懸念は design-agent-tools-landscape-2026 の Dylan Field の「AI はフロアを下げたがシーリングを上げていない」という指摘と整合する。 フロアが下がることで参入障壁は下がるが、シーリングを上げる能力（設計判断、品質評価、審美的判断）を育てる経路が AI によって短絡されるリスクがある。

未解決の論点

レビューを通じて、AX 研究に以下の未解決論点が浮かぶ。

  1. 確認頻度の最適化は文脈依存: Zhou et al.（2026）の「中間確認が最適」は特定タスクでの結果であり、デザイン制作のように主観的判断が多い領域では最適頻度が異なる可能性がある。

  2. 透明性の逆説: 高透明性は信頼を高める（Yu et al. 2025）が、監視 UI を改善しても正確性は限定的に向上するにとどまる（Grunde-McLaughlin et al. 2026）。透明性を高めるだけでは AX の信頼問題は解決しない。

  3. ジュニアの学習経路: エージェントが実行を肩代わりするほど、ジュニアが設計判断を学ぶ機会が減る構造がある。multi-agent-end-user-value で論じた「学習が成立するほど解約される」ジレンマの学術的裏付けがここにある。

  4. 「AX」の学術的地位: Maeda の提唱は実務家からの概念導入であり、学術コミュニティでは「human-agent interaction」の枠組みで研究が進んでいる。AX が独立した学術概念として定着するかは未定である。CHI 2026 のワークショップ「Agentic Automation Experiences」（DOI: 10.1145/3772363.3778732）がその萌芽にあたる。

参照文献

  • Zhang, S. et al. 2025. “Exploring Collaboration Patterns and Strategies in Human-AI Co-creation through the Lens of Agency.” Proc. ACM HCI (CSCW). DOI: 10.1145/3757594
  • Zhou, J., Corbett, F. et al. 2026. “Psychological and behavioural responses in human-agent vs. human-human interactions.” Communications Psychology (Nature). DOI: 10.1038/s44271-026-00466-z
  • Zhou, J., Roy, A. et al. 2026. “When Should Users Check?” CHI 2026. DOI: 10.1145/3772318.3790655
  • Shome, P. et al. 2026. “Why Johnny Can’t Use Agents.” CAIS 2026. arXiv: 2509.14528
  • Zou, H. P. et al. 2025. “LLM-Based Human-Agent Collaboration and Interaction Systems: A Survey.” ACL 2026 Findings. arXiv: 2505.00753
  • He, G. et al. 2025. “Plan-Then-Execute.” CHI 2025. arXiv: 2502.01390
  • Houtti, M. et al. 2025. “Observe, Ask, Intervene.” CHI 2025. DOI: 10.1145/3706598.3713838
  • Epperson, W. et al. 2025. “Interactive Debugging and Steering of Multi-Agent AI Systems.” CHI 2025. DOI: 10.1145/3706598.3713581
  • Naik, S. et al. 2025. “Designing with Multi-Agent Generative AI.” DIS 2025. DOI: 10.1145/3715336.3735823
  • Goyal, N. et al. 2024. “Designing for Human-Agent Alignment.” CHI EA 2024. DOI: 10.1145/3613905.3650948
  • Adam, M. et al. 2024. “Navigating autonomy and control in human-AI delegation.” Decision Support Systems, 180. DOI: 10.1016/j.dss.2024.114193
  • Yu, A. et al. 2025. “Exploring the Impact of Process Transparency on UX in AI Design Agents.” CSCW Comp. 2025. DOI: 10.1145/3715070.3749256
  • Borghoff, U. M. et al. 2025. “Human-Artificial Interaction in the Age of Agentic AI.” Frontiers in Human Dynamics, 7. DOI: 10.3389/fhumd.2025.1579166
  • Stige, Å. et al. 2024. “AI for UX design: a systematic literature review.” Information Technology & People, 37(6). DOI: 10.1108/ITP-07-2022-0519
  • Luo, J. et al. 2025. “Designing With AI: A SLR on AI-Enabled UX Design Tools.” Advances in HCI. DOI: 10.1155/ahci/3869207
  • Li, J. et al. 2024. “UX Design Professionals’ Perceptions of Generative AI.” CHI 2024. DOI: 10.1145/3613904.3642114
  • Zhu, H. et al. 2026. “Design Principles for Human-Agent Interaction.” arXiv: 2606.20630 [要一次検証: 未査読]
  • D’Oro, P. et al. 2025. “ADEPTS: A Capability Framework for Human-Centered Agent Design.” arXiv: 2507.15885 [要一次検証: 未査読]
  • Grunde-McLaughlin, M. et al. 2026. “Overseeing Agents Without Constant Oversight.” arXiv: 2602.16844 [要一次検証: 未査読]
  • Naik, S. et al. 2026. “Catch-22: Transparency in Multi-Agent LLM Systems.” arXiv: 2606.08323 [要一次検証: 未査読]
  • Maeda, J. 2026. “Design in Tech Report 2026: From UX to AX.” https://johnmaeda.medium.com/design-in-tech-report-2026-from-ux-to-ax-f9d83164f4d2 (非査読・実務家)

Footnotes

  1. コーパス全件は source/review/design-agent-academic/papers.md に記録。 ↩

  2. Zhang, S. et al. (2025). Exploring Collaboration Patterns and Strategies in Human-AI Co-creation through the Lens of Agency. Proc. ACM HCI (CSCW). DOI: 10.1145/3757594 ↩

  3. Zhou, J. et al. (2026). Psychological and behavioural responses in human-agent vs. human-human interactions. Communications Psychology (Nature). DOI: 10.1038/s44271-026-00466-z ↩

  4. Zou, H. P. et al. (2025). LLM-Based Human-Agent Collaboration and Interaction Systems: A Survey. ACL 2026 Findings. arXiv: 2505.00753 ↩

  5. Stige, Å. et al. (2024). AI for UX design: a systematic literature review. Information Technology & People, 37(6). DOI: 10.1108/ITP-07-2022-0519 ↩

  6. Luo, J. et al. (2025). Designing With AI: A SLR on AI-Enabled UX Design Tools. Advances in HCI. DOI: 10.1155/ahci/3869207 ↩

  7. Zhou, J., Roy, A. et al. (2026). When Should Users Check? CHI 2026. DOI: 10.1145/3772318.3790655 ↩

  8. Adam, M. et al. (2024). Navigating autonomy and control in human-AI delegation. Decision Support Systems, 180. DOI: 10.1016/j.dss.2024.114193 ↩

  9. Houtti, M. et al. (2025). Observe, Ask, Intervene. CHI 2025. DOI: 10.1145/3706598.3713838 ↩

  10. Goyal, N. et al. (2024). Designing for Human-Agent Alignment. CHI EA 2024. DOI: 10.1145/3613905.3650948 ↩

  11. He, G. et al. (2025). Plan-Then-Execute. CHI 2025. arXiv: 2502.01390 ↩

  12. Yu, A. et al. (2025). Exploring the Impact of Process Transparency on UX in AI Design Agents. CSCW Comp. 2025. DOI: 10.1145/3715070.3749256 ↩

  13. Grunde-McLaughlin, M. et al. (2026). Overseeing Agents Without Constant Oversight. arXiv: 2602.16844 [要一次検証: 未査読] ↩

  14. Shome, P. et al. (2026). Why Johnny Can’t Use Agents. CAIS 2026. arXiv: 2509.14528 ↩

  15. Naik, S. et al. (2025). Designing with Multi-Agent Generative AI. DIS 2025. DOI: 10.1145/3715336.3735823 ↩

  16. Naik, S. et al. (2026). Catch-22: Transparency in Multi-Agent LLM Systems. arXiv: 2606.08323 [要一次検証: 未査読] ↩

  17. Zhu, H. et al. (2026). Design Principles for Human-Agent Interaction. arXiv: 2606.20630 [要一次検証: 未査読] ↩

  18. D’Oro, P. et al. (2025). ADEPTS: A Capability Framework for Human-Centered Agent Design. arXiv: 2507.15885 [要一次検証: 未査読] ↩

  19. Borghoff, U. M. et al. (2025). Human-Artificial Interaction in the Age of Agentic AI. Frontiers in Human Dynamics, 7. DOI: 10.3389/fhumd.2025.1579166 ↩

  20. Li, J. et al. (2024). UX Design Professionals’ Perceptions of Generative AI. CHI 2024. DOI: 10.1145/3613904.3642114 ↩

← Notes 一覧 ・ ホーム