Function Callingとは｜AIに業務システムを操作させる仕組みと中小企業での活用法
「ChatGPTに質問すれば答えてくれるけど、実際の業務処理まではしてくれない」。これまでのAI活用は、この「相談相手としてのAI」が主流でした。しかし最近では、AIが自分で判断してメール送信・データ更新・予約処理など実際の業務を実行する仕組みが急速に普及しつつあります。
その核心となる技術がFunction Calling（ファンクション・コーリング）です。Tool Useとも呼ばれ、OpenAI・Anthropic・Googleの主要LLMすべてが対応しています。本記事では、Function Callingとは何か、業務での活用例、仕組み、導入時の注意点を中小企業向けに解説します。
Function Callingとは何か
Function Callingとは、LLMが自然言語の指示から、どの外部関数・APIを呼び出すべきかを自分で判断し、必要な引数を組み立てて実行する仕組みです。Anthropicでは「Tool Use」、OpenAIでは「Function Calling」、Googleでは「Function Calling」と呼ばれていますが、本質的に同じ概念を指します。
従来のLLMは「質問→自然文の回答」しかできませんでした。Function Callingに対応したLLMは、「明日10時に田中さんとの会議を設定して」と頼まれたら、自分で「カレンダー予約API」を選び、参加者・時刻・件名のパラメータを組み立て、APIを呼び出して実際に予約を入れることができます。
この機能により、LLMは「答えるだけの存在」から「動く存在」へと進化しました。Claude Agent SDKや各種AIエージェントも、内部ではFunction Callingを土台にしています。
Function Callingで何が変わるか
受動的なQ&Aから能動的な業務実行へ。この転換が中小企業にもたらすインパクトは大きいものがあります。
- メール送信：定型メールの作成だけでなく、宛先選定・添付・送信まで自動化できる
- データ更新：CRM・在庫・勤怠などのシステムにAIが直接書き込める
- 検索：社内ナレッジ、外部DB、Webから必要な情報をAIが自律的に取得
- 計算・分析：複雑な数値計算や統計処理をAIが関数を使って正確に実行
- 外部システム連携：会計・予約・配送など、さまざまなSaaSとAIが対話して業務を進める
これらが組み合わさることで、「人間が指示→AIが実行→人間が承認」というワークフローが構築でき、定型業務の大部分をAIに任せられるようになります。
業務での活用例5つ
1. カレンダー予約の自動化
「来週水曜の午後、佐藤さんとの打ち合わせを設定して」と入力するだけで、AIがGoogleカレンダーAPIを呼び出して予約を入れます。会議室予約や招待メール送信まで一括で実行する設計も可能です。
2. CRMデータの自動更新
営業担当者が「A社の今日の商談メモを記録しておいて」と話しかけるだけで、AIがCRMの該当レコードに商談履歴を記録します。手入力にかかる時間を大幅に削減できます。
3. 勤怠管理の自動化
「今日は午後から外出なので、半休申請しておいて」とチャットで送ると、AIが勤怠システムのAPIを呼び出して申請処理を実行します。上長への通知まで自動化できます。
4. 社内検索の高度化
「先月の売上で前年比一番伸びた商品は？」と聞くだけで、AIがデータベースに問い合わせを発行し、結果を要約して返します。SQLが書けない担当者でもデータ活用が可能になります。
5. レポートの自動生成
「先週の問い合わせ件数を集計して、グラフ付きで報告書にまとめて」と頼むと、AIがデータ集計関数を呼び出し、グラフ生成APIを使って完成品を出力します。週次・月次レポートが大幅に省力化されます。レポート様式を事前にテンプレート化しておけば、毎週決まった時間に自動で実行・配信する仕組みも構築できます。
Function Callingの仕組みを理解する
Function Callingは、シンプルな3段階のフローで動作します。
- 1. ツール定義（スキーマ）：開発者が「使える関数」のリストをLLMに渡す。各関数には名前・説明・入力パラメータの形式を定義する
- 2. AI判断：ユーザーから自然言語の指示が来ると、LLMがどの関数を呼ぶべきかを判断し、引数を組み立てる
- 3. 関数実行と結果フィードバック：開発者のシステムが実際の関数を実行し、結果をLLMに返す。LLMはそれを踏まえてユーザーに最終回答する
重要なのは、LLM自体は関数を実行しないということです。LLMは「この関数をこの引数で呼んでください」と提案するだけで、実際の実行は開発者のシステム側で行います。これにより、安全性とコントロール性が保たれます。
導入時の注意点
Function Callingを業務に組み込む際は、次のポイントに注意が必要です。
- 権限管理：AIに渡すAPIキーや権限は最小限に。社内の全システムにアクセスできるような設計は事故のもと
- エラーハンドリング：APIエラー時の挙動、リトライ回数、最終的なフォールバック動作を必ず設計しておく
- テスト：典型的な指示パターンを多数用意し、想定外の関数呼び出しが起きないかを事前に検証する
- 人間の承認フロー：金銭処理・外部送信・データ削除など影響が大きい操作は、AI実行前に人間の承認を必須化する
- 監査ログ：AIが「いつ・誰の指示で・どの関数を・どの引数で」呼んだかを必ず記録する。事故発生時の原因究明に不可欠
特に承認フローと監査ログは、ガバナンスの観点で最初から組み込むべき要素です。後付けで追加すると、既存のフロー全体を見直すことになり、運用負荷が一気に上がります。中小企業ほど「シンプルだけど抜けがない」設計を初期段階で固めることが、長期運用の安定性につながります。
まとめ
Function Callingは、AIを「答える存在」から「動く存在」へ進化させる核心技術です。
- LLMが自然言語の指示から関数・APIを判断・実行する仕組み
- Tool Useとも呼ばれ、OpenAI・Anthropic・Google全社が対応
- カレンダー、CRM、勤怠、検索、レポート生成など幅広い業務に活用できる
- 仕組みは3段階：ツール定義→AI判断→関数実行とフィードバック
- 権限管理・エラーハンドリング・人間承認・監査ログを必ず設計に組み込む
株式会社Sei San Seiでは、Function Callingを活用した業務エージェントの設計・実装・運用をご支援しています。「ChatGPTで質問に答えるだけでなく、実際の業務処理まで自動化したい」という方は、お気軽にご相談ください。
よくある質問（FAQ）
Q. Function CallingとMCPの違いは何ですか？
Function CallingはLLMが外部の関数を呼び出すための基本機能で、各社のAPIに組み込まれています。MCPはモデルとツール群をつなぐためのオープンな標準プロトコルで、Function Callingを補完する位置づけです。実務では、社内に閉じた連携はFunction Calling、汎用ツール群との接続はMCPという使い分けが多くなっています。
Q. どのAIモデルがFunction Callingに対応していますか？
OpenAIのGPT系、AnthropicのClaude系、GoogleのGemini系など、主要LLMはすべて対応しています。仕様の細部は各社で異なりますが、基本的な考え方はほぼ共通です。具体的な実装は各社のAPIドキュメントで確認することをおすすめします。
Q. 何個までツールを定義できますか？
技術的な上限はAPIごとに異なりますが、実務上は20〜30個を超えるとAIの選択精度が落ちる傾向があります。多数のツールが必要な場合は、業務単位でエージェントを分割するか、サブエージェント構成にして親エージェントから振り分ける設計が推奨されます。
Q. 中小企業がFunction Callingを使うメリットは何ですか？
少人数で多くの業務を回す必要がある中小企業ほど、定型業務をAIに任せられるメリットは大きくなります。CRM入力、社内検索、レポート作成といった単純で時間のかかる作業を自動化でき、その分のリソースを売上に直結する活動に振り向けられます。
Q. Function Callingを使うのに必要な技術スキルは何ですか？
API利用の基本知識、JSONスキーマの設計、Web APIの認証・エラーハンドリングの理解が必要です。社内のエンジニア1名で対応可能な範囲ですが、業務理解と組み合わせる必要があるため、現場担当者と密に連携できる体制づくりが重要になります。