AIアナリティクスとは？ なぜガバナンスされたデータでのみ機能するのか

AIアナリティクスとは、データ分析に人工知能と機械学習を適用する手法であり、手動でクエリを作成することなく、システムがパターンを特定し、インサイトを生成し、自然言語での質問に回答できるようにします。これにより、アナリティクスは過去を振り返るダッシュボードから、より幅広いビジネスユーザーが直接アクションを起こせる、自動化された対話型かつ予測的なワークフローへと移行します。

現在、どのBIベンダーでも自然言語クエリのデモを行うことができます。質問すればチャートが表示され、会議室で見栄えのするデモになります。しかし、より困難な問題であり、カテゴリを定義するような優れたプラットフォームと単なる優れたデモを分けるのは、そのシステムが実際のエンタープライズ環境に導入されたときに何が起こるかということです。そこには、矛盾する指標の定義、質問に答えられそうな5つのテーブル、そして本来は基盤となるデータの半分を見るべきではないユーザーが存在します。

Richard Tomlinsonは、Databricksのビジネスインテリジェンス（BI）およびアナリティクス製品の製品マーケティングを率いています。今回の対談では、BIがAIネイティブになることで何が変わるのか、なぜAIの導入によってガバナンスの重要性が低下するどころか高まるのか、そしてデータリーダーがベンダーに対して、どの基盤モデルを使用しているかではなく、何を問いかけるべきなのかについて話し合いました。

AIアナリティクスは従来のBIとどう違うのか？

BIは常に「何が起きたか」を伝えることができました。AIアナリティクスの何が実際に異なり、なぜ単にBIにチャットボットを後付けしたもの以上の価値があるのでしょうか？

Richard Tomlinson: 優れたBIは、単に何が起きたかだけでなく、それ以上のことを理解するのに常に役立ってきました。本当の限界は、従来のBIでは一般的に、分析のプロセスを人間が主導する必要がある点です。誰かがどのダッシュボードを開くか、どのフィルターを適用するか、どのディメンションをドリルダウンするか、次にどのクエリを実行するか、そして多くの場合、いつアナリストに依頼するかを判断しなければなりません。

AIアナリティクスは、その作業を行う主体を変えます。あらかじめ定義されたデータのビューを提示する代わりに、AI搭載システムはビジネス上の質問の背後にある意図を理解し、どのデータとビジネスコンテキストが関連しているかを判断し、必要なクエリを生成して実行し、さらにはユーザーに代わって複数ステップの調査を実行できるようになります。

この最後の部分こそが、エージェンティック（自律型）アナリティクスが重要になる領域です。例えば、「前四半期に北東部でマージンが低下したのはなぜか？」と質問した場合、エージェンティックなシステムはそれを1つのSQLクエリに変換してチャートを返すだけではありません。仮説を立て、製品構成、値引き、顧客セグメント、あるいはコストを調査し、それぞれの結果から学習し、その証拠を統合して説明を作成することができます。

つまり、進化のプロセスはおおむね次のようになります。

• ダッシュボード：すでに測定することを決定した内容を表示する。
• 対話型アナリティクス：新しい質問を可能にする。
• エージェンティックアナリティクス：代わりに質問を調査する。

これは、ダッシュボードにチャットボックスを配置するよりも、はるかに根本的な変化です。

では、ダッシュボードが何が起きたかを示すものだとすれば、その調査によって何が明らかになるのでしょうか？ AI搭載のアナリティクスは、ダッシュボードでは決して伝えられないどのような情報を意思決定者に提供できるのでしょうか？

Richard Tomlinson: 最大の変化は、観察から調査への移行です。ダッシュボードは、小売業者に対して売上総利益率が3ポイント低下したことを伝えることができます。これは有用ですが、意思決定者は依然として「なぜか」という疑問を抱いたままになります。

AI搭載システムは、その低下が特定の店舗、製品、または顧客セグメントに集中しているかどうかを調査し、値引きが変更されたかどうかをテストし、製品構成がシフトしたかどうかを判断し、プロモーションやサプライヤーの変更とタイミングを比較し、それらの調査結果を統合して説明を作成できます。価値のあるアウトプットは、別のチャートではありません。例えば、次のような内容になります。「マージンが低下した主な原因は、北東部において大幅に値引きされた2つの製品カテゴリへの売上比率が高まったためであり、販売数量と新規顧客獲得は安定していました。」 これこそ、意思決定に実際に必要とされる情報に極めて近いものです。

このプロセスは、「何が起きたか」、「何が変わったか」、「なぜ変わったか」、「次に何を調査または決定すべきか」という段階として説明できます。また、すべてのAIアナリティクスシステムが自律的に意思決定を行ったり実行したりできるとまで言うつもりはありません。近い将来における有意義な進歩は、シグナルから十分な根拠に基づいた意思決定に至るまでに必要な分析作業を劇的に削減することです。

AIがデータをセマンティックに解釈するとはどういう意味か？

AIアナリティクスがデータをセマンティックに解釈することについてお話しされましたが、これは具体的にどういう意味でしょうか？

Richard Tomlinson: AIアナリティクスも、当然ながらデータをクエリします。違いは、どのようにクエリするかを決定する前に、データが何を意味するかを理解する必要がある点です。

データベースはAIシステムに対して、net_revというカラムやbookingsというカラムが存在すること、そして2つのテーブル間に関係があることを伝えることはできます。しかし、その企業が「収益」をどのように定義しているか、経営陣が受注収益と認識収益のどちらを使用しているか、どの会計カレンダーが適用されるか、どの顧客階層が信頼できる情報源か、あるいはキャンセルされた注文を含めるべきかどうかを伝えることはできません。これらはセマンティックな問いです。これらは、ユーザーの言語と物理的なデータの間に存在するビジネス上の意味です。

実務において、強力なAIアナリティクスシステムには、指標やKPIの管理された定義、ビジネスエンティティ間のディメンションと関係性、ビジネスで使用される用語や類義語、ビジネスルールと計算ロジック、信頼できる情報源、権限とガバナンス、および多くの場合、人々が歴史的にどのようにデータを使用してきたかから得られる組織的な知識が必要です。このコンテキストがあるからこそ、システムはクエリを構築する前に、「エンタープライズの更新状況はどうか？」を、エンタープライズ、更新、および状況（パフォーマンス）の正しい解釈へと変換できるのです。

だからこそ、AIの導入によってセマンティクスの重要性は低下するどころか、より重要になるのです。

AIが生成するアナリティクスを信頼できるものにするにはどうすればよいか？

データリーダーから「AIが生成するアナリティクスを信頼できるものにするにはどうすればよいか」と単刀直入に聞かれたら、どのように答えますか？

Richard Tomlinson: モデルから始めるべきではありません。モデルが推論を行うことを許可されている基盤から始めてください。信頼できるAIアナリティクスは、4つの要素に集約されると考えています。

第1に、信頼できるデータです。AIは、別のAI環境にエクスポートされたコピーではなく、役員向けレポートで信頼するのと同じ、管理されたエンタープライズデータへのアクセスを必要とします。第2に、信頼できるビジネスコンテキストです。ビジネスにとって重要な指標、エンティティ、用語の定義を共有することです。LLMにデータベーススキーマを提供することは、ビジネスの仕組みを教えることとは異なります。第3に、信頼できる実行です。ガバナンスと権限は、ユーザーからデータまで一貫して適用される必要があります。誰かが自然言語で質問したからといって、AIシステムが既存のアクセス制御を回避するようなことがあってはなりません。第4に、検証可能性です。ユーザーとデータチームは、検査可能な証拠、ソースデータ、回答の背景にある計算やクエリ、必要に応じた引用、および既知の正しい質問に対して回答を体系的に評価する方法を必要とします。

アナリティクスがエージェンティックになるにつれて、この最後のポイントはさらに重要になります。1つの不適切なクエリは1つの誤った回答を生み出すだけですが、エージェントは調査中に複数の分析上の決定を下す可能性があるため、最終的なアウトプットだけでなく、プロセス全体をグラウンディング（根拠付け）し、検証するためのメカニズムが必要になります。

重要な考え方は、信頼性とはモデルの特性ではなく、システム全体の特性であるということです。より能力の高いLLM単体では、エンタープライズアナリティクスを信頼できるものにすることはできません。

管理されたデータにグラウンディングされていない場合、なぜ破綻してしまうのでしょうか？ 具体的に何が問題になるのでしょうか？

Richard Tomlinson: ここで1つ区別しておきたいのは、ガバナンスは必要ですが、それだけでは十分ではないということです。完全に管理されたデータがあっても、AIがそのデータが何を意味するのかを理解していなければ、自信満々に間違った回答を返す可能性があります。

管理された基盤がなければ、いくつかの問題が同時に発生する可能性があります。システムが認定されたテーブルではなく、古いテーブルを選択してしまうかもしれません。2人のユーザーが、同じKPIの異なるバージョンから計算された回答を受け取る可能性があります。機密情報が、見るべきではない人に公開されてしまうかもしれません。そして、回答が間違っているように見える場合、データチームはどのデータや計算がそれを生成したのかを追跡する信頼できる方法を持たない可能性があります。

AIは、データをクエリできる人と質問できる数を劇的に増やすため、これらの問題を増幅させます。以前であれば、曖昧な点があればアナリストが説明を求めていたかもしれません。しかし、AIシステムは代わりに、もっともらしい仮定を立てて自信を持って処理を進めてしまう可能性があります。

だからこそ、基盤にはガバナンスに加えてセマンティクスが必要です。つまり、どのデータを使用できるか、誰がアクセスできるかの制御と、そのデータが何を意味するかについての共通の理解です。目標は、単にハルシネーション（幻覚）を防ぐことだけではありません。AIが生成するアナリティクスが、組織がすでに人間が生成するアナリティクスに期待しているのと同じ定義、権限、および証拠基準の下で動作するようにすることです。

チームごとに同じ指標を異なる方法で定義すると何が起こるか？

多くの組織では、異なるBIツールに異なるビジネス定義が存在しています。AIが導入された場合のデータリスクは何でしょうか。また、データリーダーはそれらの定義の標準化についてどのように考えるべきでしょうか？

Richard Tomlinson: AIは、長年にわたるBIの問題をはるかに大きな問題へと変えます。組織は、収益、アクティブ顧客、チャーン（解約）、コンバージョンといったものの定義の不一致に常に悩まされてきました。ダッシュボードの場合、それらの不整合は少なくとも比較的限定的な範囲にとどまります。財務部門には財務用のダッシュボードがあり、営業部門には営業用のダッシュボードがあり、人々は最終的にどちらを使用すべきかを学習します。

AIはそのような境界線を取り除きます。ユーザーは単に「前四半期の売上はいくらでしたか？」と尋ねるだけです。ここでAIは、どの定義、データセット、計算方法が組織の意図する意味を表しているかを判断しなければなりません。もしこれらの定義が個々のBIツール、セマンティックモデル、ダッシュボードに分散している場合、AIは事実上、組織内の意見の不一致を自力で解決することを求められていることになります。これは危険なことです。なぜなら、返ってきた回答が一見すると完全に妥当であるように見えるからです。

その解決策は、必ずしも会社全体を記述しようとする1つの巨大なセマンティックモデルではありません。重要なビジネス上の意味を、基盤となるデータの近くに存在し、分析やAIのエクスペリエンス全体で再利用できる、共有されガバナンスが効いたセマンティック定義へと移行することです。企業がより多くのAIエージェントを導入するにつれて、これはさらに重要になります。すべてのダッシュボード、コパイロット、エージェントが「純売上」の意味を個別に学習するような事態は避けたいはずです。すべてが同じ共有されたビジネスコンテキストから情報を引き出すようにする必要があります。

これは、AIが分析にもたらす最大のアーキテクチャ上の変化の1つです。つまり、セマンティクスはもはやプレゼンテーション層の中だけに存在することはできないのです。

なぜユーザーはAIがどのようにして回答にたどり着いたかを知る必要があるのでしょうか？

精度だけでなく、ビジネスユーザーが回答そのものだけでなく、AIがどのようにしてその回答にたどり着いたかを確認できることがなぜ重要なのでしょうか？

リチャード・トムリンソン：なぜなら、分析とは単に回答を得ることだけではなく、その回答に基づいて意思決定を行うための十分な根拠を持つことだからです。もしAIが営業リーダーに「企業の解約率が14%増加した」と伝えた場合、当然次に生じる疑問は、「どの期間と比較しているのか」「どの顧客が含まれているのか」「解約はどのように定義されているのか」「その結論を裏付けるデータは何か」「詳細をドリルダウンできるか」といったことです。信頼できるシステムであれば、これらの疑問に答えられるようにすべきです。

「AIがどのようにしてそこにたどり着いたかを示す」という意味を正確に定義したいと思います。それは、モデルの非公開の推論プロセスや思考の連鎖（chain of thought）を公開することを意味するわけではありません。ユーザーが必要としているのは、プロベナンス（来歴）と根拠です。つまり、使用されたデータソース、実行された計算やクエリ、関連する引用、裏付けとなる表や可視化、そして結果に実質的な影響を与える前提条件です。

これは、エージェント型分析（agentic analytics）においてさらに重要になります。エージェントが10ステップの調査を実行した場合、ユーザーは最後の段落を盲目的に信じるべきではありません。重要な結論の背後にある根拠を検証できる必要があります。透明性はユーザーの行動も変えます。AIを「神託」から「分析パートナー」へと変貌させるのです。人々は回答に疑問を投げかけ、さらに調査し、その根拠が行動を起こすのに十分な強さであるかどうかを自分で判断できるようになります。

AI分析システムは、どのデータソースを信頼すべきかをどのように決定するのでしょうか？

もっともらしい回答やソースが複数ある場合、AIはどれを信頼すべきかをどのように判断するのでしょうか？

リチャード・トムリンソン：ほぼすべてのベンダーが、印象的な自然言語のデモを披露することができます。難しいのは、実際のエンタープライズ環境が複雑で整理されていない場合に何が起こるかです。財務部門と営業部門で売上の計算方法が異なっていたらどうなるでしょうか？質問に答えられるテーブルが5つあったらどうなるでしょうか？一方のソースは認定されており、もう一方は昨日作成されたものだとしたらどうでしょうか？質問している人が、基盤となるデータの一部しか閲覧権限を持っていない場合はどうなるでしょうか？

ベンダーは、自社のシステムがどのようにビジネス定義を理解し、ソースの権限を判断し、ユーザー権限を適用し、曖昧さを処理し、得られた回答の根拠を示すことができるかを説明できる必要があります。もし回答が実質的に「LLMがなんとかします」というものであれば、非常に慎重になるべきです。エージェント型システムでは、これはさらに大きな問題になります。なぜなら、システムは1つの検索決定を下すだけでなく、どのデータを調査し、どの仮説を追求するかについて、数十もの決定を下す可能性があるからです。

この質問は、どの基盤モデルで動作しているかを尋ねるよりも、そのAI分析プラットフォームが実際のエンタープライズ環境での実用に耐えられるかどうかに、はるかに迫るものです。

より優れたAIモデルは、ビジネスコンテキストの必要性をなくすのでしょうか？

多くのデータリーダーが現在AI分析について信じていることで、あなたが間違っている、あるいは誇張されていると考えるものは何ですか？

リチャード・トムリンソン：最大の誤解は、より優れたAIモデルによって、ビジネスコンテキストのモデリングやキュレーションが不要になるという考えです。実際にはその逆が起きています。LLMは言語の理解や情報に基づく推論には非常に優れていますが、組織独自のビジネス定義を確実に推測することはできません。CFOが5つの売上計算方法のうちどれを正式なものとみなしているか、自社における「アクティブ顧客」が何を意味するのか、あるいは取締役会のためにどのデータセットを信頼すべきかを、LLMが本質的に知っているわけではありません。AIの能力が向上し、より自律的になるにつれて、そのコンテキストはさらに重要になります。なぜなら、AIがユーザーに代わってより多くの決定を下すようになるからです。

2つ目の誤解は、AIによってダッシュボードが不要になるというものです。私はそうは思いません。売上、パイプライン、稼働率、解約率、在庫、サービスレベルなど、監視したい対象が明確な場合、ダッシュボードは引き続き極めて有効です。AIが最も威力を発揮するのは、質問がまだダッシュボードに組み込まれていない場合です。特に、誰かが「なぜ」と問いかけたり、予期しない変化を調査したかったり、複数のディメンションにわたる調査が必要な場合です。

BIの未来は、ダッシュボードの代わりにチャットを使うことではありません。それは、ダッシュボードが既知の質問を処理し、対話型分析がアドホックな質問を処理し、エージェントが複雑な調査を処理するという連続体（コンティニュアム）です。これは、単にすべてのダッシュボードをチャットボットに置き換えるよりも、はるかに信頼できる次世代BIの定義です。

AI分析はBIの困難な作業をなくすのではなく、その場所を移動させる

これらすべてに通底するテーマは、AI分析がBIの困難な作業をなくすのではなく、その場所を移動させるということです。指標を定義し、アクセスを管理し、「売上」の意味について合意を形成する作業は、自然言語インターフェースを追加したからといって消えてなくなるわけではありません。むしろ、これまで人間のアナリストが行っていた判断を、どのアナリストチームも及ばない規模でシステムが下すようになるため、その重要性はさらに高まります。

AIファーストのプラットフォームを評価するデータリーダーにとって、重要なのはデモの見栄えが良いかどうかではありません。その背後にあるシステム、ガバナンスの効いたデータ、共有されたセマンティクス、権限を認識した実行、検証可能な根拠が、複雑で整理されていない実際のエンタープライズ環境での実用に耐えられるように構築されているかどうかです。それこそが、AI分析を単なる印象的なクエリエンジンから、意思決定の材料として信頼できるものへと変える基盤なのです。

AIを活用したダッシュボードと対話型分析が、ガバナンスの効いたデータ上でどのように直接動作するかをご覧ください。Databricks AI/BIの詳細を見る

(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