EcolabがDatabricksとAnthropic Claudeで小売インテリジェンスを再構築した方法

大手食品小売店の店舗マネージャーがロティサリーチキンの正しい温蔵温度を知りたいとき、その答えは700ページに及ぶFDAの食品基準（food code）のどこかに埋もれていました。最近までは、それを探すために何時間も手作業で検索するか、折り返しが来ないかもしれない電話をかけるしかありませんでした。

それは、より大きな問題の一つの兆候にすぎませんでした。Ecolabは、水、衛生、感染防止のグローバルリーダーであり、北米全土の数千もの小売店やファストフード店向けに、食品安全、害虫駆除、水質を監視しています。しかし、それらのサービスを支えるデータは、監査、衛生検査、害虫のIoTテレメトリ、チェックリスト、化学物質の使用ログ、気象フィード、Yelpのレビュー、CDCの地域データ、そしてFDAの食品基準そのものなど、9つの異なるシステムに分散して存在していました。

「私たちには9つの異なるデータソースと9つの異なるインテリジェンスがあり、単一の店舗の全体像を把握する方法がありませんでした」 — Nicholas Dylla氏（Ecolab、テクニカルリード）

Ecolabはそれを変えるべく立ち上がり、単なる統合ダッシュボードよりもはるかに野心的なものを構築しました。

9つのサイロから1つのインテリジェンスエンジンへ

EcolabのRetail Intelligenceアプリケーションは、トランザクションのバックボーンとしてLakebase Postgresを使用した、ネイティブなDatabricks Appです。9つすべてのデータソースは、LakeflowとSpark Declarative Pipelinesを経由して、Unity Catalogの下でガバナンスが効いたレイクハウスに流れ込み、Databricks Asset Bundlesを介して再現可能な形でデプロイされます。

アプリはDatabricksのセキュリティ境界内で実行されるため、Ecolabは個別のインフラを構築することなく、組み込みの認証、自動サービスプリンシパル、Unity Catalogのアクセス制御を利用できます。エンドユーザーが目にするものはすべてDatabricksから提供されています。

図1：Retail Intelligenceアプリのアーキテクチャ

しかし、データを統合することは課題の半分にすぎませんでした。本当の問いは、9つのインテリジェンスソースを、まるで1人の対話型エキスパートであるかのように感じさせるにはどうすればよいか、ということでした。

Databricksは、個別のMLインフラを立ち上げたり管理したりすることなく、データ、AI、ガバナンスのための単一のプラットフォームをEcolabに提供します。Ecolabは、Foundation Model APIsを通じて、複雑な推論にはClaude Sonnet、高速で費用対効果の高い要約にはHaiku、画像分析にはGeminiを、すべて同じコントロールプレーンから提供しています。明日より優れたモデルが登場すれば、アーキテクチャを再構築することなく入れ替えることができます。すべてのモデル呼び出しはDatabricksのセキュリティ境界内にとどまります。Unity AI Gatewayは、ペイロードのロギング、ユーザーごとのレート制限、PII（個人特定情報）のガードレール、自動フォールバックを階層化し、Unity Catalogはデータとそれを処理するモデルの両方へのアクセスを管理します。

DatabricksでのClaudeの提供

このフレームワークの中核にあるのは、同じFoundation Model APIsを通じて提供されるAnthropicのClaudeです。

Claude Sonnetは主要な推論エンジンとして機能し、複雑な規制を要約し、長期的なユーザーメモリを維持します。Claude Haikuは要約を担当し、3ターンごとに会話履歴を凝縮し、冗長なデータシグナルを簡潔な概要にまとめつつ、迅速で費用対効果の高いやり取りを維持します。

Ecolabは複数のプロバイダーを評価した結果、Claudeを採用しました。このモデルの応答フォーマットはコンプライアンスの要約に最適であることが証明され、プライベートにホストされたClaudeテナントは厳格なセキュリティ要件を満たしていました。同時に、Databricksプラットフォームはマルチモデルの柔軟性を提供します。

エージェントが連携する仕組み

内部的には、システムはDatabricks Workflowsを通じてオーケストレーションされるマルチエージェント・スーパーバイザー（Multi-Agent-Supervisor）パターンに従っています。

店舗マネージャーが質問を入力すると、Coordinator Agent（コーディネーターエージェント）がそれをサブタスクに分解し、それぞれを特化したサブエージェントに委任します。あるサブエージェントは、Vector Searchを介して関連するFDAの記述を検索するかもしれません。別のエージェントは、SQLとUnity Catalog Functionsを通じて構造化されたコンプライアンスデータを照会します。3つ目のエージェントは、外部のMCPサーバーから害虫のテレメトリを取得します。その後、Response Agent（レスポンスエージェント）がすべてを引用付きの1つの回答にまとめ、そのやり取りをLakebaseに保存（永続化）します。

図2：エージェント間のオーケストレーション

この体験をパーソナライズされたものに感じさせているのは、2層のメモリ（記憶）アーキテクチャです。

短期（ワーキングメモリ）：すべてのクエリは、標準的な会話バッファ（conversation buffer）アプローチに従い、直近10回の会話のやり取りをプロンプトに直接保持します。セッションが長くなってもコンテキストをコンパクトに保つため、Claude Haiku 4.5が3ターンごとにインライン要約を実行し、それ以前のやり取りを凝縮されたダイジェストにまとめます。プロンプトキャッシュ（Prompt caching）により、ウォームコンテキストの転送効率が維持され、メモリツールがアクティブな状態と永続的な状態の間の構造化されたハンドオフを提供します。

長期（セマンティックメモリ）：セッションをまたいで、Claude Sonnet 4.6がユーザーごとのプロファイル（役割、好み、頻繁に注目する領域、場所のコンテキスト、行動パターン）を維持します。プロファイルは構造化されたレコードとして保存され、ユーザーが対話するたびに継続的に更新されます。これは、長期的なメモリパターン（memory pattern）を反映しています。

これらの相乗効果により、数週間ぶりに戻ってきた店舗マネージャーがアシスタントを開くと、プロンプトを再入力したり、自己紹介をしたり、自分が誰であるかを再説明したりすることなく、マネージャーの担当領域、対応中のチケット、ワークフローをすでに理解した回答を得ることができます。

図3：クエリのアーキテクチャとメモリペイロードのフロー

品質は決して静的なものではありません。5つの評価用LLM（Judge LLM）が、あらゆる対話を複数の次元から評価します。ユーザーのフィードバックは暗黙的なシグナルと組み合わされ、自動化されたプロンプト最適化ループに送られます。MLflowはすべての実行パスをトレースし、ダッシュボードはレイテンシとエラー率をリアルタイムで追跡します。チームはクエリログをマイニングして、マネージャーが実際に質問している内容に基づいて、より優れたデフォルトの質問を作成することさえ行っています。

リアルタイムのエージェントによる回答は、ストーリーの半分にすぎません。過去の検査の遡及的なスコアリング、ポートフォリオ全体のコンプライアンス概要の作成、評価用LLM（Judge LLM）の評価ループの実行など、大量のオフラインワークロードに対して、Ecolabはai_query()のようなDatabricksのAIバッチ推論関数を使用し、1回のSQL呼び出しで数千のレコードにClaudeを適用しています。かつては順次行われていた行ごとの処理が、現在は並列で数秒で完了し、稼働中のエージェントを保護するのと同じUnity Catalogのポリシーによって管理されています。

数週間から数分へ

その効果はすぐに現れました。かつては1つの顧客店舗のコンプライアンスレポートを1つ作成するために、9つのサイロ化されたシステムから手作業でデータを抽出するのに2週間かかっていましたが、今では2分未満で完了します。マネージャーが700ページのPDFを何時間も探さなければならなかったFDAの食品基準に関する質問も、今では引用付きの分かりやすい回答が数秒で返ってきます。

舞台裏では、9つの個別のデータソースがガバナンスの効いた1つのレイクハウスに統合され、2026年4月中旬のローンチ時点で北米の数百の店舗をサポートしています。また、対話型エージェントは約12の言語を約98%の精度でサポートしているため、現場のスタッフは自分が最も使いやすい言語でやり取りすることができます。

迅速なインサイトから違反の削減へ

スピードは出発点に過ぎません。2週間を2分に短縮することの真の価値は、チームが取り戻した時間をどのように活用できるか、そしてさらに重要なことに、問題がペナルティに発展する前に未然に防げる点にあります。

例えば、食品安全違反でもある害虫問題が発生した場合、別々のワークフローで二重に検出されるのではなく、一度フラグが立てられ、調査され、解決されます。Ecolabの顧客にとって、その成果はコンプライアンス体制の確実な強化、ペナルティの削減、そして後手に回るのではなく先手を打ってインテリジェンスを提供するパートナーの獲得です。Ecolabにとっては、顧客関係を深め、運用データを永続的な競争優位性に変えるプラットフォームとなります。

"かつては9つのシステムからデータを抽出して1通のコンプライアンスレポートを作成するのに2週間かかっていましたが、Databricks上のClaudeを使用することで、今では2分未満で完了します。600拠点の現場スタッフは、700ページに及ぶFDA（米国食品医薬品局）の食品規範から、根拠が明記された分かりやすい回答を、各自が得意な言語で、わずか数秒で得ることができます。" — Ecolab、リテールインテリジェンス担当プロダクトマネージャー、ジョシュ・マッコイ（Josh McCoy）

次に、EcolabはMCPを活用した自動アクション（チャットインターフェースから直接トリガーされる害虫検査、化学薬品の再注文、食品安全基準、作業指示など）を追加する予定です。
これにより、システムは単なるインテリジェンスレイヤーから、完全に自律的な運用エージェントへと進化します。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事