【AI入門】「Tool Calling」って何？

ChatGPTやClaudeを使っていて、こんなことを感じた経験はないでしょうか。

• 「今日の情報を聞いたら、古い内容が返ってきた」

• 「計算を頼んだら、それらしいけれど間違った数字が出た」

• 「『カレンダーに登録して』と頼んでも、文章で返事をするだけだった」

AIは文章を作るのは得意です。しかし、AIモデル単体では、必ずしもリアルタイムの情報を調べたり、外部のサービスを操作したりできるわけではありません。

そこで登場するのが、Tool Calling（ツール・コーリング／ツール呼び出し）です。

ひとことで表すと、

です。この記事では、専門知識がなくても分かるように、Tool Callingの仕組みと、私たちの仕事にどう関係するのかを分かりやすく解説します。

Tool CallingがないAIは「部屋から出られない物知り」

まず、ツールに接続されていないAIを想像してみましょう。

大量の本を読んでいて、さまざまな質問に答えられますが、部屋の外へ連絡する電話も、電卓も、会社のシステムへ入る鍵も持っていません。

そのため、モデル単体では次のような仕事が実行できません。

• 現在の天気を調べる

• 最新の商品の在庫を確認する

• 正確な計算をする

• 社内データベースを検索する

• カレンダーへ予定を登録する

Tool Callingは、このAIへ「使ってよい道具（ツール）の一覧」を渡す仕組みです。

道具には、たとえば次のようなものがあります。

• ウェブ検索 / 天気検索

• 電卓

• カレンダー / メール送信

• 顧客データベース / ファイル操作

AIは、人間からの依頼内容に応じて「どの道具を使うべきか」を自分で判断できるようになります。

※補足：最近よく聞く「MCP」とは何が違うの？

Tool Callingと似た文脈で、「MCP（Model Context Protocol：モデル・コンテキスト・プロトコル）」という言葉を耳にすることが増えています。
これらは混同されやすいですが、役割が明確に異なります。

• Tool Calling（ツールの呼び出し）：AIの「判断力」 人間から「明日の天気を教えて」と言われたときに、AIが「天気予報ツールを使おう」と自分で考えて判断する、AI側の能力や仕組みのことです。

• MCP（共通規格）：道具を繋ぐ「共通のコンセント」 これまでは、天気予報、カレンダー、社内システムなど、道具ごとに接続するための専用の配線を人間が1から作る必要がありました。MCPは、「どんな道具もこの形（規格）のコンセントにすれば、AIと一発で安全に繋がります」という共通のルール（プロトコル）です。

「東京の天気を教えて」で裏側で起きていること

たとえば、人間が「東京の今の天気を教えて」と質問したとします。

Tool Callingに対応したシステムでは、裏側でこのような連携が行われています。

大切なのは、AIが頭の中だけで天気を推測しているわけではない、ということです。
外部から取得した正確な情報を使って回答を作っているのが大きな特徴です。

AIが直接アプリを操作しているわけではない

Tool Callingで特に誤解されやすいのが、AIとツールの関係です。AIが自分でインターネットへ接続し、勝手にアプリのボタンをポチポチ押しているわけではありません。

一般的な仕組みでは、「AIの判断」と「実際の操作」は別の処理として分かれています。

会社にたとえると、AIは「上司」、プログラムは「実務担当者」です。

• 👤 お客様（人間）： 「来週の会議をカレンダーへ入れて」

• 🤖 上司（AI）： 日時や参加者を整理し、実務担当者へ「カレンダー登録をお願い」と指示を出す

• 💻 実務担当者（プログラム）： 指示書通りにカレンダーアプリを操作して、実際に登録する

• 🤖 上司（AI）： 登録結果を受け取り、お客様に「登録しました」と伝える

このように、AIはあくまで「判断と指示」を担当し、プログラムが「実行」を担当します。

Tool Callingがあれば、AIは間違えなくなる？

残念ながら、そうではありません。道具を持たせても、AIが次のような失敗をする可能性があります。

• 必要なツールを使わずに知ったかぶりをする

• 違うツールを選んでしまう

• 検索する条件（キーワードや日付）を間違える

• ツールの結果を読み違える

そのため、重要な操作では安全のための「ガードレール（仕組み）」が必要です。

たとえば、メール送信前に一度内容を人間へ見せる、商品の購入前に人間の承認を求める、ファイルの削除を自動では許可しない、といった対策です。便利な道具を持たせるほど、「どこまで自動で使ってよいか」のルール設計が重要になります。

 「どこまで自動で使ってよいか」のルール設計例

Claude Codeを例に挙げると、Claude Codeはコードの書き換えだけでなく、ターミナルでのコマンド実行（テストの実行やライブラリのインストールなど）も自動で行う機能を持っています。

非常に便利な反面、AIが独自の判断で重いコマンドを何度もループ実行してしまうと、意図しないトークンの大量消費に繋がることがあります。

安心して Claude Code を使うためには、CLAUDE.md などの指示書にあらかじめ「AIが自動でやっていいこと」と「必ず人間の許可を取るべきこと」の境界線を明記しておくことが重要です。

CLAUDE.md への記述例

以下は、自動実行の範囲を制限するための具体的な設定例です。この内容を CLAUDE.md に追加することで、AIの予期せぬ暴走を防ぐことができます。

## 🤖 AIの自律行動に関するガイドライン

### 1. 自動実行を許可するタスク（ノーチェックでOK）
- ソースコードの静的解析（Linterの実行、型チェック）
- 単一のテストファイル、または特定の関数を対象とした軽量なテストの実行
- ファイルの読み込みやリポジトリ内の検索

### 2. 必ず人間に確認（プロンプトでの事前承認）を求めるタスク
- `npm install` や `pip install` などの外部パッケージの新規インストール
- リポジトリ全体を対象とした、実行に数十秒以上かかる重いテストの実行
- データベースのマイグレーション（スキーマ変更）を伴うコマンド
- 外部のWebサイトやAPIへの通信を発生させるスクリプトの実行

### 3. ループ実行の禁止
- エラーが発生した場合、同じコマンドを修正なしで3回以上連続で実行しないでください。
- 2回試して解決しない場合は、コマンドの実行を止め、エラー内容を人間に報告して指示を仰いでください。

 ルールを明確にすると以下のようなメリットがあります

• トークンの無駄遣いを防ぐ： 「エラーが出る ➔ AIが勝手に直そうとして別のコマンドを打つ ➔ またエラーが出る」という悪循環（無限ループ）を未然に防ぎます。

• 開発環境の安全性を保つ： 依存ライブラリが勝手に書き換えられたり、ローカルのデータベースが意図しない状態になったりするリスクを抑えられます。

タスクを丸投げするのではなく、「ここから先は人間の確認が必要」というストッパーを CLAUDE.md で作っておくこと。
これが、安全かつ低コストでツールを使いこなすための大切な設計思想になります。

私たちの仕事はどう変わる？

Tool Callingが普及すると、これまで人間がアプリを切り替えながら行っていた作業を、AIが裏側ですべてつなげて処理できるようになります。

• プログラミング： AIがファイルを検索し、コードを変更し、テストを実行して、失敗した箇所を自動で再修正する。

• オフィスワーク： AIが受信メールを読み、内容を要約し、顧客情報を検索して、自動で返信文の下書きを作る。

• 情報収集： AIが複数の情報源を検索し、内容を比較して、出典付きのレポートを作る。

ただし、「これをやっておいて」の一言ですべてが完璧に終わるとは限りません。目的や守るべき条件、実行してよい範囲を明確にするのは、これからも人間の役割です。

まとめ：Tool CallingはAIと現実世界をつなぐ橋

今回のポイントを3行でまとめます。

1. AIモデル単体ではできない検索や操作を可能にする技術

2. 基本的には「AIが判断」し、「外側のプログラムが実行」する役割分担

3. Tool Callingは、AIエージェントを動かすための「手」にあたる

次にAIが検索を行ったり、ファイルを操作したりしたときは、ぜひ「AIが何でも知っていたわけではなく、裏側で上手に道具を選んで使っていたんだな」と思い出してみてください。

この仕組みが分かると、これからのAIニュースや最新ツールの進化が、ずっと深く理解できるようになるはずです。