Nested Subagents｜サブエージェントの入れ子とは

「AIに任せたいけれど、少し複雑な仕事になると、結局は自分が細かく指示を出し続けないと前に進まない」——AIを業務に取り入れ始めた経営者の多くが、この壁にぶつかります。

結論から言うと、2026年6月のClaude Codeアップデートで登場したNested Subagents（入れ子になったサブエージェント）は、この壁を崩す機能です。AIが自分の「部下」にさらに仕事を振り分けられるようになり、私たちは「AIを1体だけ使う」段階から「AIチームを階層でマネジメントする」段階へと移りました。

株式会社Fyveは、中小企業の経営者がAIを実務で使いこなすための伴走支援をしています。私は実際にサブエージェント機能を、案件管理や調査業務で日常的に使ってきました。本記事では入門的な使い方には深入りせず、「入れ子になった」ことで何が新しいのかという一点に絞ってお話しします。

そもそもサブエージェントとは（30秒のおさらい）

サブエージェントとは、メインで指示を受けているAIが、専門の小さなAIに作業を切り出して任せる仕組みです。「調査担当」「文章チェック担当」のように役割を分けておくと、一度に複数の作業が並行して進みます。1人で順番にこなすのではなく、何人かに同時に動いてもらうイメージです。

基本的な仕組みや始め方そのものは、別の記事で詳しくまとめています。サブエージェントを使うのが初めての方は、先にこちらを読んでおくと本記事の理解がぐっと早くなります。

Claude CodeClaude Code Subagent使い方｜並列・分離処理の実践ガイド

2026年6月の新機能「入れ子（Nested Subagents）」で何が変わったか

これまでのサブエージェントは、メインのAIが部下を呼ぶ「1段階」の委任でした。部下は作業はこなせても、さらに自分の部下を持つことはできなかったのです。社長が社員に指示を出すところまではできても、その社員が誰かに再委任することはできない——そんな状態でした。

2026年6月のアップデート（Claude Code 2.1系）で加わったのが、この入れ子（ネスト）です。公式の変更履歴（Claude Code changelog）では、サブエージェントがさらに別のサブエージェントを生成し、何段にも委任を重ねられるようになったと案内されています。つまり、部下が自分の部下を持てるようになった。これが今回いちばんの変化です。

どこまで深く重ねられるかについては、利用者の報告では「最大5階層程度」とされています。ただし、この「5階層」という具体的な上限はユーザーコミュニティ発の情報が中心で、公式が明確な数値として断定しているわけではありません。本記事では「多段に委任できるようになった」という事実を軸に置き、階層数の上限はあくまで目安として扱います。数字そのものより、委任が一段から多段に広がったという構造の変化に注目してください。

この違いは、実務で考えるとよく分かります。これまでは「大きな仕事をいくつかの作業に分けて、AIに順番に渡す」段取りを、人間である私が毎回考えて指示していました。入れ子が入ると、その「分け方」の設計までAIに任せられるようになります。私が全体のゴールだけを伝えれば、上位のAIが「ではこの仕事はこう分担しよう」と段取りを組み、必要な分だけ部下を立てて進めてくれる。指示する側の手間が、一段まるごと減るイメージです。

従来の1段階の委任と、入れ子（Nested Subagents）による多段の委任の違いを比較した図

なぜ「入れ子」が効くのか — 各階層が独立して動く

入れ子の本当の価値は、段数そのものではありません。各階層が、それぞれ独立した作業スペース（コンテキスト）で動くという点にあります。ここが、単に「たくさん並べられるようになった」という話と決定的に違うところです。

普通の会議を想像してみてください。10人全員が一つの部屋で同時に喋り出すと、声があふれて、何が論点だったのか分からなくなります。AIにも同じことが起きます。一つのAIにあれもこれもと詰め込むと、途中で指示と作業内容が混ざり、的外れな答えを返し始めるのです。私自身、長い作業を一気にひとつのAIへ任せたときに、AIが前半の文脈を取り違えて妙な方向へ走り出す場面を何度も見てきました。

入れ子では、部下のAIが自分の手元だけで作業を進め、上司役のAIには要約（報告書）だけを返します。途中の細かいやり取りや膨大な調べ物は、上司の作業スペースには流れ込みません。上位のAIは「結論」だけを受け取って全体を見渡せる。情報が混ざり合って判断が鈍る、いわゆる「コンテキスト汚染（作業スペースが余計な情報で埋まること）」を防げるわけです。

言い換えると、これは役割分担と報告のルールをAIの世界に持ち込んだ機能です。現場の細部は担当者が抱え、上には要点だけが上がる。人間の組織が大きな仕事を回せるのと同じ理屈を、AIが手に入れたということです。

各階層が独立した作業スペースで動き、上司役のAIには要約だけを返すことでコンテキスト汚染を防ぐ仕組みの図

「AIを1体使う」から「AIチームをマネジメントする」へ

この構造は、会社の組織図にそっくりです。経営者がすべての実務を自分でやるのではなく、部長に方針を渡し、部長が課長に、課長が担当者に仕事を下ろしていく。各人は自分の持ち場をこなし、上には結論だけを上げる。入れ子のサブエージェントは、まさにこの「役職階層」をAIで再現します。

実際の使い方も、難しいプログラムを書く話ではありません。AIに「この仕事を分担して進めて」と方針を伝えるだけです。たとえば私が大きな競合調査を頼むとき、こんなやり取りになります。

私：「競合10社の料金体系を調べて、1枚の表にまとめて」

AI：「調査の責任者役を1体立てます。10社を3グループに分け、それぞれに担当役を割り当てて並行で進めます」

——この短いやり取りの裏で、責任者役のAIがさらに調査担当のAIを複数立ち上げ、各担当が独立した作業スペースで情報を集め、要約だけを責任者に戻し、最後に私の手元へ整理された1枚の表が返ってきます。私が実際にやったのは、最初の方針を一言伝えただけ。これが「AIチームをマネジメントする」という感覚です。

1体のAIに全部やらせると、10社ぶんの情報がひとつの作業スペースに積み上がって混線します。階層に分ければ、各担当の頭の中はその1社ぶんだけ。だから精度も保たれ、並行して速く進む。「1体を酷使する」より「チームに分けて任せる」ほうが、大きな仕事ほど結果が安定するのです。

入れ子をどう仕事に落とすか（実務での使いどころ）

では、どんな仕事に向くのか。私の使い方も含めて、相性のよい場面を挙げます。

大きな調査・レポート作成：テーマを伝えると、調査設計→分担しての情報収集→分析→要約までを階層で分け持ち、最後に1本のレポートに束ねる。
大量資料の見直し作業：たくさんのファイルや書類を、責任者役がチェック計画を立て、担当役が項目ごとに分担して検証する。一人で全部目を通すより抜け漏れが減る。
業務フローの自動化：「顧客対応の流れ」のような複数工程の仕事を階層に分解し、夜のあいだにまとめて走らせておく。

実際、コードを書けない非エンジニアの経営者が、設定をいくつか整えるだけで「指揮役のAI」を立て、まとまった業務を任せ始めている——という声も出てきています。たとえば店舗を経営する方が、顧客対応の流れをいくつかの工程に分け、それぞれをAIの担当役に振り分けて夜間に動かしておく、といった使い方です。翌朝には、各担当からの報告がまとまった形で手元に届いている、という具合です。

「自分でやる人」から「指示を出して任せる人」へ立ち位置を移せれば、専門知識がなくても大きな仕事を動かせる。入れ子は、その移行を後押しする機能だと私は受け止めています。ポイントは、最初から完璧な階層を設計しようとしないこと。まずは2段——「責任者役を1人立てて、その下に数人の担当を置く」くらいの浅い構成から始めると、挙動が読みやすく、失敗しても原因を追いやすくなります。

使う前に知っておきたい注意点

便利な一方で、階層を深くするほど気をつけたい点もあります。導入を検討するなら、ここも合わせて押さえておいてください。

誰が何を判断したか追いにくくなる：委任が何段にも重なると、最終的な答えがどの階層の判断で決まったのか、人間側が把握しづらくなります。重要な意思決定は、最後に人が中身を確認する前提で使うのが安全です。
コストと時間が読みにくい：AIを多数並行で動かすぶん、利用料（トークン消費）や実行時間がふくらみやすく、事前に見積もりにくくなります。大事な作業ほど、いきなり全工程を任せず、まず小さく試すのが堅実です。
「5階層」を鵜呑みにしない：前述のとおり、階層の上限値はコミュニティ発の目安です。「配下に何体も動く」「これだけ稼げる」といった派手な数字の投稿も混じります。機能としての事実と、煽りのための数字は切り分けて受け取ることをおすすめします。

まとめ

Nested Subagentsは、サブエージェントがさらに自分の部下を持てる「入れ子の委任」を可能にした、2026年6月の新機能。
価値は段数の多さではなく、各階層が独立した作業スペースで動き、上には要約だけを返す点。情報が混ざる「コンテキスト汚染」を防げる。
「AIを1体使う」から「AIチームを階層でマネジメントする」へ。会社の組織図のように、仕事を分担・委任できるようになった。
使いどころは大規模な調査・資料の見直し・業務フローの自動化。非エンジニアでも、方針を一言伝えるだけで動かせる。
一方で、判断の追跡しづらさ・コストの読みにくさ・「5階層」という数字の不確かさには注意。まずは小さく試すのが現実的。

AIに任せられる仕事の規模は、これまでよりひと回り大きくなります。大切なのは、自分が「全部やる人」から「方針を渡して任せる人」へ立ち位置を移すこと。その第一歩として、まずは小さな調査をサブエージェントに分担させ、報告が上がってくる感覚を体験してみてください。AIチームのマネジメントは、その小さな一歩から始まります。