
エージェント型アナリティクスの定義: エージェント型アナリティクスとは、ソフトウェアエージェントが複数のデータソースや処理操作(オペレーション)を横断して分析の目的を自律的に追求し、あらかじめ固定された一連のクエリ手順に従うのではなく、新たな根拠(エビデンス)が明らかになるたびに分析の道筋を柔軟に適応・変化させていくAI主導の分析手法です。
経験豊富なアナリストに売上総利益率について質問すると、アナリストはSQLの知識だけに頼って取り組むわけではありません。売上総利益率のどの定義を使うべきか、どのデータソースが信頼できて最新の状態にあるか、どこで粒度が変わるか、どの結合が結果をゆがめる可能性があるかを知っています。こうした知識の多くは、アナリストの頭の中にしかありません。
同じ分析を任されたAIエージェントがその知識を自動的に持っているわけではないため、コンテキストを明示的に与える必要があります。エージェント型アナリティクスのワークフローでは、エージェントは調査の進行に応じて、そのコンテキストを繰り返し参照します。質問を分解し、データソースとツールを選び、中間結果を解釈し、次に何を調べるかを決めるためです。ここで、実務上の疑問が生じます。エージェントにはデータレイヤーから何が必要なのでしょうか。ツールを呼び出す際には、誰の権限が適用されるのでしょうか。得られた分析が妥当かどうかを、チームはどのように判断すればよいのでしょうか。
エージェント型アナリティクスとは?
エージェント型アナリティクスでは、AIエージェントが複数ステップのアナリティクスワークフローを計画・実行し、中間結果に応じて調査を進めながら、利用可能なデータやツールを選択します。一般的な分析の反復プロセスには、次の段階があります。
コンテキストの把握 → 計画 → ツールの呼び出し → 結果の確認 → 計画の修正 → 検証 → 終了
自然言語からSQLへの変換はクエリの1ステップを担います。一方、検索、セマンティック検索、プロシージャ、APIは、エージェントが根拠を集めたり、得られた情報に基づいて行動したりするための別の手段となります。オーケストレーションは、利用できるツール、各呼び出しに渡すコンテキスト、中間結果が後続のステップに与える影響を制御します。
次のステップを制御できることが、エージェント型アナリティクスを他のAI支援型アナリティクスと分ける特徴です。拡張アナリティクスでは、データの準備、パターンの発見、説明の生成など、人が主導するワークフローの一部をAIが支援します。エージェント型のワークフローでは、エージェント自身が調整のより多くを担います。
エージェント型モデルでは、分析上の判断の多くを実行時に行います。エージェントは、用語の意味を明確にし、データソースを選び、適切なクエリの経路を決め、中間結果を受けて次のステップが必要かどうかを判断しなければならない場合があります。つまり、出力の信頼性は、そうした判断を支えるコンテキストと制約に左右されます。
Cortex Agentsが構造化データと非構造化データにまたがるSQL分析、検索、AIによる推論をどのようにオーケストレーションするかをご覧ください

分析の反復プロセスの仕組み
エージェント型アナリティクスのワークフローは反復的です。エージェントは、ビジネスコンテキストに照らして質問の意味を明確にし、使用するツールとデータを選び、返された結果を評価して、続行、分岐、終了、行動のいずれに進むかを決める必要があります。
ビジネスコンテキストに照らした質問の意味の明確化
売上総利益率に関する質問をもう一度考えてみましょう。SQLを実行する前に、エージェントは質問が何を指しているかを明確にする必要があります。売上総利益率には、売上高と原価の指標、集計ルール、有効なディメンション間の関係を定めた、承認済みの計算方法があるかもしれません。EMEAは、文字どおりの地域フィールドではなく、組織階層に対応している可能性があります。前四半期の解釈には、会計カレンダーのロジックが必要かもしれません。
これらの要素を明確にした後、エージェントはそれらを物理データに結び付けます。そのためには、適切なテーブルまたはセマンティックビューを選び、必要な粒度を決め、ファクトとディメンション間の有効な関係に従う必要があります。
適切なツールの計画と呼び出し
ツールの選択は、調査の進め方そのものを左右します。セマンティッククエリで利益率がどこで変化したかを特定し、契約書や営業メモの検索でその理由を理解するためのコンテキストを得られるかもしれません。同じ小問に答えられるツールが複数ある場合、プランナーには、対象範囲、データソースの信頼性、想定される出力に基づいてツールを選べるだけのメタデータが必要です。ツールの定義とオーケストレーションの指示は、すべての分析経路をハードコーディングしなくても選択を導けるほど具体的である必要があります。
中間結果の確認
中間結果を次のステップに使用する前に、ワークフローには、その結果が利用可能かを確かめる方法が必要です。確認方法は結果の種類によって異なります。生成されたクエリなら粒度や関係の妥当性を評価し、返された指標なら既知の基準値や想定範囲と照合します。
エージェントは、その結果を、答えるべきだった質問と照らし合わせることもできます。例えば、利益率低下の理由を説明するためのクエリが集計売上高しか返さなかった場合、SQLとしては有効でも、次の分析ステップに進むための根拠としては不十分です。プランナーは、実行の成功を分析の成功と見なさず、クエリを修正するべきです。
中間段階の誤りは後続の処理に伝播するため、こうした確認は特に重要です。実行の初期段階でサポートされていない結合、古いデータソース、誤ったエンティティの特定があると、その後のすべてのクエリに影響し、誤った前提に基づく一見筋の通った調査につながる可能性があります。
続行、終了、行動の判断
次にエージェントは、根拠が十分かどうかを判断する必要があります。別のクエリやツール、ユーザーへの確認、または承認済みの後続アクションが必要になる場合があります。
こうした判断はワークロードの動作にも影響します。1件のリクエストから複数のSQL文、検索、ツール呼び出しが発生し、調査の進行に伴って再試行や並列分岐が生じる場合もあります。そのため、クエリの予算、同時実行数、タイムアウト、終了条件も運用モデルに含める必要があります。
お客様事例:Fireblocks
FireblocksはCortex Agentsとセマンティックビューを活用し、自然言語でアナリティクスを利用できるようにしています。社内向けエージェントにより、各チームは製品や顧客に関する指標を直接調査できます。一方、顧客向けのFire Genieはパーソナライズされたアナリティクスを提供し、ガバナンスの効いたデータアクセスを従業員と顧客の双方に広げています。
エージェントがクエリを実行する前にデータレイヤーで明確にすべきこと
分析の正確性は、モデルの能力だけで決まるものではありません。企業環境では、明示的に与えられるはずのビジネスロジックをモデルに推測させることで、多くの誤りが生じます。
分析に必要なコンテキストには、少なくとも次の情報を含めるべきです。
- 指標とビジネス上の定義:承認済みの計算方法、フィルター、時間に関するロジック、集計方法
- エンティティ間の関係:顧客、アカウント、製品、注文、その他のビジネスオブジェクト間の関係
- 明示された粒度:関連する各オブジェクトで1行が何を表すか
- サポートされる結合経路:データを組み合わせる際にシステムが使用すべき関係
- 同義語とエンティティのマッピング:別の呼称とドメイン固有の意味
- データソースの適合性:鮮度、所有者、廃止状況、網羅性など、データソースの選択に関わる指標
- ポリシーと来歴:誰にデータの利用が許可されているか、データがどこから来たか
エージェントへの明示的なビジネスロジックの提供
スキーマはエージェントにデータの所在を示しますが、通常、そのデータをビジネス上どう解釈すべきかまでは示しません。例えば、「顧客ステータス」は複数のフィールドに依存し、「売上総利益率」は特定のディメンションや集計レベルでしか有効でない場合があります。
セマンティックモデルは、そのロジックを明示します。指標、ディメンション、計算ルール、関係、同義語によって、質問に含まれるビジネス概念をガバナンスの効いた形でエージェントに示せるため、クエリの構築時に推測しなければならないことが減ります。こうした定義は、単一の分析インターフェース以外でも再利用できる必要があります。ダッシュボード、エージェント、アプリケーションでビジネスロジックを別々に再作成していては、組織は依然として複数のバージョンを管理しなければなりません。共有のセマンティックモデルは、これらに共通の定義と関係を提供します。
2024年のSnowflake社内評価では、分析を支えるシステムが正確性にどれほど影響するかが明らかになりました。実際のBI業務に基づく150問のベンチマークでは、単一のプロンプトを使ったGPT-4oの正答率が51%だったのに対し、セマンティックモデルでビジネス上の定義とコンテキストを提供するCortex Analystは90%超を達成しました。
ただし、セマンティック定義がカバーするのは、分析経路の一部にすぎません。エージェントが正しい指標を特定しても、無効な結合を選んだり、粒度の合わないデータを組み合わせたりすれば、誤った結果になります。
クイックヒント: まずは現在、アナリストへの確認や解釈のすり合わせが最も多く発生しているビジネス概念から着手しましょう。定義に食い違いがある指標や、複数の意味で使われている用語、特殊な集計ルールを伴う指標は、明示的なセマンティックモデリングを行うべき絶好の候補です。
分析上の取り決めに欠かせない粒度と結合経路
システムが売上高を正しく特定した後、粒度の変化を考慮せずに、注文レベルのファクトを注文明細テーブルと結合したとします。SQLが正常に実行され、指標の計算式自体は変わっていなくても、集計前に売上高が重複します。
複数のファクトテーブルを共通のディメンションを介して結合し、組み合わせによってレコードが予期せず増える場合にも、チャズム結合によって同様の問題が生じます。多対多の関係、ブリッジテーブル、準加法的指標があると、一見妥当な結合によって誤った分析結果が生じるケースがさらに増えます。
エージェント型システムでは、粒度、カーディナリティ、有効な結合経路を明示的に表す必要があります。これらの関係を暗黙のままにすると、構造に関する判断を実行時の推測に委ねることになり、モデルが正しく選択できるとは限りません。
クエリ実行前の曖昧なエンティティの明確化
企業内で使われる言葉は、データオブジェクトと必ずしも正確に対応しません。例えば、「大企業の顧客」というリクエストは、CRMのアカウントセグメント、製品の階層、または財務上の分類を指している可能性があります。
エージェントには、クエリを構築する前に意図されたビジネスオブジェクトを選べるだけのエンティティメタデータとドメインコンテキストが必要です。複数の解釈が成り立つ場合、ワークフローでは1つを安易に選ぶのではなく、曖昧さを残したままユーザーに確認を求めるべきです。
データソースの選択に必要な、発見しやすさ以上の情報
カタログには、要求された情報を技術的には含むオブジェクトが複数表示されるかもしれません。しかし、それらが分析に等しく適しているとは限りません。
経験豊富なアナリストは、データソースが最新か、上流の変換が最近変更されたか、テーブルが廃止されているか、地域によってデータのカバー範囲が異なるかといったコンテキストを日常的に考慮します。こうした特性が機械可読でなければ、エージェントには利用可能なオブジェクトの一覧しか見えず、アナリストが選択時に活用する組織内の知識は得られません。
鮮度、リネージ、所有者、品質指標、認定状況、利用パターン、廃止に関するメタデータは、いずれもデータソースの適合性を判断する材料になります。
よくある落とし穴: よくある間違いは、「データの見つけやすさ(発見可能性)」と「分析への適切さ(適合性)」を同一視してしまうことです。AIエージェントは、必要な項目(フィールド)が揃っているテーブルを見つけ出すかもしれませんが、そのデータは古くなっていたり(陳腐化)、非推奨(廃止予定)になっていたり、あるいは求められている分析の目的に対して不適切だったりするケースがあります。ソースメタデータは、エージェントが「単に存在してアクセス可能なデータ」と「公式に認定された信頼できる(権威ある)データ」を明確に区別できるよう機能すべきです。
エージェントがクエリを実行する際に適用される権限とは?
エージェントの導入により、認可に関する疑問が生じます。エージェントがツールを呼び出したりクエリを実行したりする際には、誰の権限が適用されるのでしょうか。対話型セッションでは、エンドユーザーから委任されたIDを使用することで、質問した本人の権限に従ってクエリを実行できます。その場合、既存のロールベースのアクセス制御、行アクセスポリシー、列マスキングが、基盤となるデータに引き続き適用されます。
スケジュールされたワークフローや無人で実行されるワークフローには、別のIDモデルが必要です。権限を委任する対話型ユーザーがいないため、エージェントには、業務に必要なデータとツールにアクセス範囲を限定した専用の実行IDが必要です。広範な権限を持つ共有サービスアカウントを使用すると、ツール呼び出しごとのリスクが高まり、アプリケーションレイヤーに追加の認可ロジックを設ける必要が生じます。
関連する認可コンテキストは、エージェントへの最初のリクエストだけにとどまりません。ワークフロー内のすべてのツール呼び出しと基盤となるリソースを、意図されたIDと権限に基づいて評価する必要があります。
認可モデルは、ツール呼び出しごとに次の点を明らかにする必要があります。
- どのIDで実行されるか
- どのロールや権限が適用されるか
- ツールが基盤となるどのオブジェクトにアクセスするか
- 行レベルと列レベルのポリシーが引き続き適用されるか
- ツールは呼び出し元の権限で実行されるか、昇格された所有者の権限で実行されるか
- 必要なリソースの1つが利用できない場合、どうなるか
フェイルクローズの動作は、分析ワークフローで特に重要です。エージェントが必要なツールやデータセットにアクセスできない場合は、取得できた情報だけで回答を作るのではなく、失敗したことを明確に示すべきです。
プロンプトレベルの制限は、データプラットフォームによって適用されるIDベースのアクセス制御、行アクセスポリシー、列マスキング、その他の権限に代わるものではありません。報酬データにアクセスしないようエージェントに指示しても、その解釈はモデルに委ねられ、プロンプトインジェクションによって回避される可能性があります。厳格な認可によって、モデルへの操作が成功したとしても取得できる情報を制限できます。
Snowflakeの最高セキュリティ・トラスト責任者Mayank Upadhyayは、「組織が犯し得る最大の過ちは、AIセキュリティをモデルの保護だけの問題だと考えることです。真の課題は、モデルが触れるすべてを管理することです」と述べています。分析エージェントにとって、これはセキュリティの対象がID、権限、ツールへのアクセス、エージェントに許可されるアクションにまで及ぶことを意味します。
さらに、エージェントがアクションを実行できる場合は、追加の安全策が必要です。重大な影響を伴う変更には承認を必須とし、監査証跡には、何が、誰の権限で、どのリソースに対して実行されたかを記録するべきです。
再現可能性を支える分析経路の記録
エージェント型ワークフローでは、従来の再現可能性の考え方が複雑になります。同じ質問でも、実行のたびに同一のSQLが生成され、同じステップのシーケンスをたどるとは限りません。例えば、ある計画では最初に地域別に分け、別の計画では製品から分析を始めるかもしれません。異なるSQL文から、分析上は同等の結果が得られる場合もあります。
より適切な判断基準は、実行過程を再構築でき、同等の実行が、ガバナンスの効いた同じ意味と実質的に一貫した結果に到達することです。
そのためには、次の点を特定できるだけの情報を含む実行トレースが必要です。
- どのセマンティックオブジェクトと定義が特定されたか
- どのデータソースと結合経路が選択されたか
- どのツールが、どの順序で呼び出されたか
- どのSQL文やその他の操作が実行されたか
- 各ステップにどのIDと権限が適用されたか
- どの中間結果が後続の判断に影響したか
- プランナーが続行、分岐、終了を選んだ理由
- 結果を返す前にどの検証が実行されたか
SnowflakeのJosh KlahrとRajhans Samdaniは、目指すべき状態を「使用したデータソース、適用した変換、データソースのリネージ、候補となったデータソースを採用または却下した理由を含む、回答の根拠となるトレース」を保持することだと説明しています。このトレースは、回答に疑問が生じたとき、データチームが調査を始める手がかりになります。
最終回答だけでなく分析上の失敗も評価
エージェントの評価では、失敗を種類ごとに区別する必要があります。結果が誤る原因には、エージェントが誤った指標やエンティティの解釈を選んだこと、サポートされていない結合経路を使用したこと、誤った粒度で集計したこと、古いデータや不完全なデータを選んだこと、必要なツールの1つにアクセスできなくなったこと、別の説明を検証する前に終了したこと、構文または意味が誤ったSQLを生成したこと、正しいクエリ結果を誤って解釈したことなどが考えられます。
これらの結果をすべて「ハルシネーション」とひとくくりにすると、原因の診断が難しくなります。失敗はそれぞれ分析システムの異なる部分で発生し、必要な対処も異なります。
評価は複数のレイヤーで行うべきです。
- セマンティックな解釈:質問は、想定された指標、ディメンション、エンティティ、時間に関するロジックに正しく対応付けられたのでしょうか。
- クエリの正確性:生成されたSQLは粒度を維持し、サポートされる関係に従い、想定された結果を生成したのでしょうか。
- データソースの選択:選択されたオブジェクトは信頼でき、質問に対して十分に最新の状態だったのでしょうか。
- 認可:すべてのツール呼び出しが、意図されたIDとポリシーの下で実行されたのでしょうか。
- 計画の質:ワークフローは関連する後続ステップを実行し、不要な分岐を避け、十分な根拠を得て終了したのでしょうか。
- 結果の質:回答は正しいと確認済みの結果と一致したか、許容範囲内に収まったのでしょうか。
エージェントの評価に関する研究も、最終回答だけにとどまらない評価の重要性を示しています。Snowflake AI ResearchのAgent GPAベンチマーク調査では、エージェントの目標、計画、アクションを評価した評価器が、人手で注釈を付けた誤りの95%を検出しました。基準となるLLM判定器では55%でした。さらに、誤りの86%について、実行トレース内で失敗が発生した箇所を特定しました。
既存の分析業務に基づく評価セットの構築
既存のレポート、アナリストがレビューしたSQL、認定済みの計算方法は、評価セットを作る際の有用な出発点になります。検証済みクエリやゴールデンクエリは、代表的なビジネス上の質問を、正しいと確認済みのSQLや想定結果と組み合わせたものです。これらは、モデル、セマンティックレイヤー、スキーマ、オーケストレーションロジックの変更をテストするための参照ケースとなります。
テストセットには、表面的なレビューでは見逃しやすい失敗も含めるべきです。具体的には、結合によるレコードの増加、曖昧なエンティティ値、異なる言い回し、アクセスが制限されたデータ、データソースの変更、複数のセマンティックビューを必要とする質問などです。
こうした評価を実行することで、回帰を発見できます。例えば、セマンティックモデルの改訂前には成功していたクエリが改訂後に失敗した場合、ユーザー満足度の全体的な低下よりも、具体的な対処につながる手がかりが得られます。回帰テストでは、更新後に正しいと確認済みのケースを再実行します。これにより、動作が変わったかどうかを確認し、原因を追跡する出発点をチームに提供できます。
Snowflakeにおけるエージェント型アナリティクス
Snowflakeのエージェント型アナリティクスのアーキテクチャは、これらの要件をセマンティック、実行、ガバナンス、評価の各レイヤーに対応付けています。
セマンティックビューは、指標、ディメンション、関係、その他のビジネスロジックを、SQL、BI、AIのワークフロー全体で再利用できる、ガバナンスの効いたSnowflakeオブジェクトとして表現します。Snowflake Horizonカタログ内のSnowflake Horizon Contextは、定義、関係、来歴、ガバナンスに関するメタデータを含む、より広範なビジネスコンテキストと技術的コンテキストを追加します。
Cortex Analystはセマンティックビューに対する自然言語からSQLへの変換を担い、Cortex Agentsは構造化データと非構造化データにまたがるツールを計画・オーケストレーションします。実行には、引き続きSnowflakeの権限モデルが適用されます。カスタムプロシージャでは、呼び出し元の権限または所有者の権限で実行するというセマンティクスが維持されます。
検証済みクエリとCortex Analystの評価は、モデル、スキーマ、セマンティック定義が変更された際に、正確性のテストと回帰の検出に使用できる参照ケースを提供します。ビジネスユーザー向けには、Snowflake CoWorkが、ガバナンスの効いたエンタープライズデータの分析、発見事項の追加調査、再利用可能な分析結果の作成に使える対話型インターフェイスを提供します。
これらの機能により、チームはセマンティックな解釈、認可、クエリの実行、来歴、評価という主要な制御ポイントを、ガバナンスの効いたデータの近くに置くことができます。エージェントは柔軟に質問を調査できますが、その際も定義とポリシーは、エージェントが動作するシステムの一部として維持されます。
自律性の拡大に伴い、信頼性を支えるアーキテクチャの役割も拡大
分析エージェントがより広範な調査や多くの後続アクションを担うにつれ、エージェントが独立して下す判断の数は増え続けます。ツール呼び出し、データソースの選択、分岐が増えるほど、コンテキスト、権限、実行に関する誤りがワークフロー全体に伝播する機会も増えます。
データ部門のリーダーにとって最善の対応は、明示的なビジネスロジック、ガバナンスの効いた関係、強制可能なアクセス制御、実際の分析業務に基づく評価によって、可能な限り確実性を周辺システムに組み込むことです。こうした制約を設ければ、作業の進め方に関する可視性を失うことなく、エージェントに調査や行動の自由度をより多く与えられます。
重要なポイント: AIエージェントによる分析の信頼性は、それを支える周辺システムの信頼性によって決まります。明示的なビジネス定義、ガバナンスの効いたデータ間のリレーションシップ、強制力のあるアクセス制御、そして継続的な評価体制を整えることで、エージェントは複雑な問いを正確に調査・解明するために必要な「文脈(コンテキスト)」と「制約条件」を得ることができます。
エージェント型アナリティクスに関するよくある質問
エージェント型アナリティクスはダッシュボードに取って代わるのか?
ダッシュボードは、標準化されたモニタリング、定期的に確認する指標、分析経路を意図的に事前定義したワークフローに引き続き有用です。エージェント型アナリティクスは、質問の分解方法や後続ステップが実行中に決まるような問いに対応します。どちらも、ガバナンスの効いた同じ指標と分析上の関係に基づいて解釈されることで、より一貫して機能します。
エージェントの分析が誤っていた場合の責任の所在
アカウンタビリティは、システムを運用する組織と、その出力を参考にして下される判断に責任を負う人々にあります。重大な影響を伴う用途では、チームは所有者とレビュー要件を定めるとともに、結果の根拠となったセマンティックな解釈、データソース、クエリ、認可コンテキストを再構築できるだけの実行履歴を保持するべきです。




