🧠 AIが「道具を使いながら考える」— Interleaved Thinkingが変えるエージェントの常識
AIエージェントに「Webで調べて」と頼んだとき、何が起きているか？ 従来のAIは、検索結果を一瞬で見て、その場で答えを出していた。まるで図書館で本を開いた瞬間にレポートを書き上げるようなものだ。でも、本当の研究者はそうは働かない。調べて、立ち止まって考えて、足りない情報に気づいて、また調べる。この「間」の思考こそが、AnthropicのInterleaved Thinking（インターリーブド・シンキング）が実現したものだ。
この記事では、AIエージェントの思考方法を根本から変えるこの仕組みを、できるだけ分かりやすく解説する。
❓ 従来の問題：ツールを使って即答するAIの限界
これまでのAIエージェントの動きを、料理で例えてみよう。
あなたがAIに「カレーを作って」と頼んだとする。従来のAIはこう動く：
- 計画：「じゃあ、玉ねぎ、にんじん、肉、カレールーを買うぞ」
- ツール呼び出し：スーパーの在庫APIを全部一気に叩く
- 即答：「玉ねぎあり、にんじんあり、肉……売り切れ。とりあえずカレー作れます」
ここで気づいてほしい。肉が売り切れなら、別の具材を考えたり、別のスーパーを探したりするのが自然だ。でも従来のAIは、最初の計画を立てた時点で「思考フェーズ」が終わっている。ツールの結果を見ても、そこで深く考え直すことはない。古い計画のまま突き進む。
これが、エージェントの信頼性を下げる大きな要因だった。「予期しない結果が出たときに、柔軟に方針を変えられない」のだ。
🔧 Interleaved Thinkingとは
Interleaved Thinkingは、AnthropicのExtended Thinking（拡張思考）機能の一部として定義されている仕組みだ。
簡単に言うと：
ツール呼び出しの結果を受け取るたびに、AIが内部で「考え直す」ことができる
従来の流れ：
思考 → ツール呼び出し → ツール結果 → 即座に回答
Interleaved Thinkingの流れ：
思考 → ツール呼び出し → ツール結果 → 再思考 → ツール呼び出し → ツール結果 → 再思考 → ... → 回答
この「再思考」のブロックが挟まることで、AIはツールの結果を見てから次の行動を判断できるようになる。「あ、肉が売り切れてる。じゃあ鶏肉にしよう」「このAPIのレスポンス、予想と違う。別のアプローチを試そう」——こうした柔軟な判断が可能になる。
Anthropicの公式ドキュメントでは、この仕組みをExtended Thinkingの重要な拡張として位置づけている。AIが「使いながら考える」ことで、エージェントの信頼性と精度が劇的に向上するとしている。
🗺️ 宝探しの例え
もう一つ、もっと直感的な例えをしよう。子供の宝探しだ。
従来のAI（計画一括型）
子供に「宝探しをして！」と言う。子供は手元の地図を見て、「まず庭に行って、次に倉庫に行って、最後に木の下を見る」と全部一気に走り回る。庭で「次は西へ」という手がかりを見つけても、既に倉庫に向かって走っている。手がかりと関係ない場所を走り回ることになるかもしれない。
Interleaved Thinking型
同じ宝探し。でも今度は、1つの場所で手がかりを見つけるたびに立ち止まって考える。庭で「次は西へ」という手がかりを見つける。「西って倉庫の方だな。じゃあ倉庫に行こう」と考えてから動く。倉庫で「鍵は赤い木の下」という手がかりを見つける。「赤い木は裏庭のあれだ」と考えてから次に進む。
この違いは大きい。前者は「最初の計画が外れたら終わり」。後者は「手がかりに合わせて柔軟に進路を変えられる」。Interleaved Thinkingは、AIにこの「立ち止まって考える」時間を与える仕組みなのだ。
📡 APIレスポンスの変化
開発者向けに、もう少し技術的な話をしよう。Interleaved Thinkingが有効な場合、APIのレスポンス構造が変わる。
従来のレスポンス：
{
"content": [
{ "type": "thinking", "thinking": "ユーザーの質問を分析..." },
{ "type": "tool_use", "id": "toolu_01", "name": "search", "input": {...} }
]
}ツール結果を返した後の次のレスポンス：
{
"content": [
{ "type": "text", "text": "検索結果に基づく回答..." }
]
}ここでは、ツール結果を受け取った後の「思考」がない。いきなり回答が返ってくる。
Interleaved Thinking有効時のレスポンス：
{
"content": [
{ "type": "thinking", "thinking": "ユーザーの質問を分析..." },
{ "type": "tool_use", "id": "toolu_01", "name": "search", "input": {...} }
]
}ツール結果を返した後：
{
"content": [
{ "type": "thinking", "thinking": "検索結果を見ると、Aの情報は見つかったがBが足りない。次はBについて調べるべきだ..." },
{ "type": "tool_use", "id": "toolu_02", "name": "search", "input": {...} }
]
}さらにツール結果を返した後：
{
"content": [
{ "type": "thinking", "thinking": "これでAもBも揃った。Cとの関係を整理すると..." },
{ "type": "text", "text": "最終的な回答..." }
]
}このように、thinking → tool_use → thinking → tool_use → ... → text という流れで、ツール呼び出しのたびに間に思考ブロックが挟まる。この構造が、AIに「結果を見てから考え直す」能力を与える。
💡 実用例：3つのパターン
Interleaved Thinkingが特に威力を発揮するシーンを3つ紹介しよう。
1. リサーチエージェント
「競合他社の最新動向を調べて」というタスク。従来のAIは一気に複数の検索クエリを投げて、結果を機械的にまとめるだけ。だがInterleaved Thinkingなら：
- 最初の検索で「新製品Xの発表」を見つける
- → 「Xの技術仕様が気になる、別途調べよう」
- Xの仕様検索で「独自のAIチップ搭載」と判明
- → 「このチップの供給元は？関連企業への影響も調べるべき」
- 追加調査を経て、より深い分析を含むレポートを完成
「調べて」→「考えて」→「もっと調べて」のループが自然に回る。
2. コーディングエージェント
バグ修正を依頼された場面。従来なら「原因は多分これ」と最初の推測で修正コードを書いて終わり。Interleaved Thinkingなら：
- エラーログを確認
- → 「スタックトレースの3行目が怪しい。該当ファイルを確認しよう」
- ファイルを開いて関連関数を確認
- → 「呼び出し元でもnullチェックが漏れてる。こっちも直す必要がある」
- 修正パッチを作成し、テストも実行
「単なるパッチ」ではなく「根本原因まで掘り下げた修正」が可能になる。
3. データ分析エージェント
売上データの分析を依頼された場面：
- 月別データを取得
- → 「3月に急激な落ち込みがある。この月の詳細を見る必要がある」
- 3月の詳細データを取得
- → 「特定地域のキャンペーン終了が影響してそう。地域別比較もやろう」
- 地域別データを取得して、最終的に「キャンペーン効果の定量化」まで到達
「予期しないデータパターン」に気づいて、自発的に調査を深められる。
🎯 Adaptive Thinkingとの関係
ここまで読んで「じゃあ、どうやって有効にするの？」と思った人に重要な話。2026年4月時点での最新事情だ。
Opus 4.7では、Adaptive Thinkingという新しい思考モードが唯一の選択肢になっている。これは：
{
"thinking": {
"type": "adaptive"
}
}と指定するだけでOK。Adaptive Thinkingは、自動的にInterleaved Thinkingを有効化する。開発者が明示的に「ツール呼び出しの間に思考を挟んで」と指示する必要はない。AIが状況に応じて、必要なときに考え、必要でなければサクッと答える。
従来の budget_tokens（「これだけのトークン数まで考えていいよ」という手動設定）は、Sonnet 4.6とOpus 4.6で非推奨（deprecated）となり、Adaptive Thinkingへの移行が推奨されている。「考える量」をAI自身に決めさせる——それがAdaptive Thinkingの思想だ。
つまり、最新のClaudeでは意識しなくてもInterleaved Thinkingが働く。これが、エージェントの信頼性を底上げする構造的な基盤になっている。
⚖️ トレードオフ：コストと精度のバランス
もちろん、万能薬ではない。Interleaved Thinkingには明確なトレードオフがある。
👍 メリット
- 精度が上がる：ツール結果を吟味してから次の行動を決めるため、的外れな回答が減る
- 予期しない状況に強い：エラーが出ても、考え直して別アプローチを試せる
- 複雑なタスクに最適：段階的に深掘りが必要な調査や分析で本領発揮
👎 デメリット
- コストが増える：ツール呼び出しのたびに思考ブロックが挟まる = トークン消費が増える
- レイテンシが増える：考える時間が増える分、応答までの時間が長くなる
- 単純タスクには過剰：「今日の天気は？」に何度も考え直すのは無駄
だからこそ、高リスクで複雑なタスクにこそ価値がある。「間違えたら困る」場面——本番環境の操作、高額な取引の判断、セキュリティ関連の調査——で、Interleaved Thinkingは「もう一押し考える」余裕をAIに与える。
📝 まとめ：「AIが考える」という体験が変わる
Interleaved Thinkingが変えるのは、AIの精度だけじゃない。AIと一緒に仕事をする感覚そのものだ。
従来のAIエージェントは、まるで「指示待ち人間」だった。言われたことを聞くけど、結果を見て自分で考えることはない。予期しないことが起きても、最初の計画のまま突き進む。
Interleaved Thinkingが有効なAIは、もっと「一緒に考えてくれる同僚」に近い。「これ、予想と違う結果だな。ちょっと方針変えようか」と、自ら提案してくる。ツールの結果を見て、立ち止まって、考え直す。その「間」があるからこそ、信頼できる。
Adaptive Thinkingの導入で、この仕組みはデフォルトになりつつある。開発者が意識しなくても、AIが「ここは考えた方がいい」と判断して思考を挟む。それが2026年のエージェントの新しい常識だ。
AIが「道具を使いながら考える」。シンプルだけど、エージェントの信頼性を根本から変える、この小さな一歩。これからAIエージェントを設計する人も、使う人も、知っておいて損はないはずだ。