OpenAI、「誰もがデータを活用できる」と発表。ただし真の試練はガバナンス
OpenAIは9月10日、データベースクエリの記述や別の分析ツールの習得をせずとも、誰もがデータを活用できるようになるとしてData agentを発表した。このエージェントはChatGPT Workを企業データに接続し、ビジネス上の問いを調査して、その結果をインタラクティブなダッシュボードへと変換する。約束はシンプルに聞こえる。難しいのは、すべての回答で適切な定義、権限、根拠が使われるようにすることだ。
これは単なるチャート向けの会話型インターフェースではない。OpenAIは、組織がパフォーマンスを測る方法を定義するシステムと従業員の間にChatGPTを置こうとしている。Data agentは、単一の会話からデータウェアハウス、文書、セマンティックレイヤー、ビジネスインテリジェンスツールにアクセスできる。追加の質問を受けて分析を磨き上げることも可能だ。
MicrosoftとSalesforceはすでに、Power BIとTableauに自然言語による分析を導入している。OpenAIは別の方向から圧力をかけている。AIを一つの分析製品内の機能にするのではなく、企業がすでに利用しているツール全体の分析をChatGPT Workに調整させたい考えだ。このアプローチが成功するかどうかは、流暢な回答よりも、その下にあるガバナンスに左右される。
一つの会話を通じて、誰もがデータを活用できる
当面の変化は、ChatGPT Workが単一の会話ワークフロー内で、データ調査、ダッシュボード作成、追加分析を調整できるようになったことだ。
OpenAIはData agentを、承認済みの企業システムと連携するプラグインとして説明している。Data agentの発表で挙げられた対応ソースには、Amazon Redshift、Google BigQuery、ClickHouse、Databricks、MongoDB、Snowflakeが含まれる。また、Google DriveやSharePointに保存されたファイルや文書も取り込める。
ユーザーはクエリではなく、ビジネス上の問いから始められる。例えば、週間アクティブユーザー数が変化した理由、支出が増加した場所、更新リスクのあるアカウントなどを尋ねられる。エージェントは基盤となる情報を調査し、考えられる要因を特定し、調査結果を裏付ける根拠を示せる。
会話を文章による回答で終える必要はない。ユーザーはエージェントに、チャート、フィルター、組織固有のブランディングを備えたインタラクティブなダッシュボードの作成を依頼できる。その後、チームは基盤データの変化に合わせて、そのダッシュボードを編集、共有、更新できる。
ビジネス上の問いは、完全な分析仕様として届くことがほとんどないため、このワークフローは重要だ。マネージャーは最初に売上減少の理由を尋ね、次に地域、顧客セグメント、製品ごとに問いを絞り込むかもしれない。従来のレポーティングでは、こうした調整のたびにアナリストへの新たな依頼になることが多い。Data agentは、それらの調整を同じ会話内に留める。
OpenAIによると、同エージェントはOmni、Oracle BI、Power BI、Sigma、Tableau、ThoughtSpotを含む既存プラットフォーム上で、ダッシュボードを構築・操作することもできる。この位置付けは、即時の置き換えではなく協働を示唆している。既存の可視化・ガバナンスシステムはワークフローの一部として残り、その上位でChatGPTが会話型の制御レイヤーとなる。
エージェントが利用するのは生のテーブルだけではない。リクエストを解釈するために、ビジネス定義、カスタム計算、指標間の関係、信頼できるデータソースを活用できる。OpenAIは、Databricks Genie Ontology、dbt、Snowflake Horizonなどのシステムにおけるセマンティックレイヤーを例に挙げている。
セマンティックレイヤーは、データをどのように解釈すべきかを説明する、ガバナンスされた一連のビジネス定義である。例えば、どの取引を売上として数えるか、どの活動をもって顧客をアクティブとみなすかを定められる。この文脈がなければ、エージェントは技術的には有効でも、誤ったビジネス上の問いに答える計算を作成してしまう可能性がある。
管理者は、Dataを利用可能にするかどうか、またどのロールがインストールまたは利用できるかを制御する。OpenAIの設定ガイダンスでは、少なくともデータウェアハウスとセマンティックレイヤーを接続することが推奨されている。また、結果に依拠する前に、ソース、期間、フィルター、指標定義を確認するようユーザーに助言している。
インストールの流れにも、こうした依存関係が反映されている。管理者はWorkspace設定からDataを利用可能にし、関連するソースプラグインを構成する。次にユーザーはプラグインをインストールし、認可されたアカウントを接続して、リクエストを@Dataに送ることができる。
インターフェースを会話型と呼んでも、基盤インフラが不要になるわけではない。有用な回答は依然として、適切に維持されたデータ、文書化された指標、正しく設定された接続に依存する。このエージェントは、誰が調査を開始できるか、そしてどれだけ素早く反復できるかを変える。企業データを信頼できるものにするための作業をなくすわけではない。
Data agentが分析依頼キューに圧力をかける
OpenAIによる最大の挑戦はアナリストそのものではなく、ビジネス上の問いと分析上の回答を隔てるキューにある。
多くの組織では、分析業務を二つの段階に分けている。ビジネスチームが問いを特定し、データ専門家がそれをクエリ、計算、可視化、説明へと変換する。この分業は品質を守る一方、問いの数が利用可能な分析能力を上回ると遅延を生み出すこともある。
OpenAI Data agentはこのボトルネックを狙っている。営業、財務、オペレーション、プロダクトの各チームが、日常的な調査を独立して始める手段を提供する。アナリストは一般的なレポートの再作成に費やす時間を減らし、定義の検証、データモデルの改善、より深い判断を要する問いへの対応に多くの時間を割ける。
OpenAIによれば、社内での導入はすでに自社組織の大部分に広がっている。同社によると、プロダクトチームのほぼ全員と、市場開拓組織の3分の2以上が、ChatGPT Work内の関連するデータエージェント機能を利用しているという。これらの数値は同社報告による導入シグナルであり、分析精度やビジネスへの影響を独立して測定したものではない。
顧客事例は、OpenAIが製品に担わせようとしている業務を示している。NTT DATAは、営業およびコーポレート部門の非エンジニアが、平易な言葉でダッシュボードを構築・更新したと述べている。Thermo Fisher Scientificは、同エージェントを用いてチームを準備し、サプライベースに関わる機会を特定したと報告している。
ServiceTitanは、より具体的な例を示している。同社は、自社のAIアシスタントであるAtlasを利用した顧客と利用しなかった顧客を比較するダッシュボードを、エージェントで構築したという。この分析では、Atlasユーザーは非ユーザーのおよそ3倍の割合でキャンペーンを開始していたことが分かった。ServiceTitanは、この知見がオンボーディングの判断に影響を与えていると述べている。
この事例は、セルフサービス分析の魅力と限界の両方を示している。3倍の関連性は、有用なプロダクト戦略を示唆し得る。しかし、それだけでAtlasが顧客によるキャンペーン開始の増加を引き起こしたことを証明するわけではない。より活動的な顧客ほど、単にアシスタントを導入しやすい可能性もある。
通常、アナリストは顧客規模、利用期間、過去の活動、その他の考えられる説明を検討することで、この違いを検証する。会話型エージェントはそうした確認を支援できるが、なぜ重要なのかを認識するのは依然として人間の役割だ。分析へのアクセスが速くなっても、統計的な規律が自動的に生まれるわけではない。
他のアルファユーザーも、同様の生産性向上を説明している。CookUnityは、グロースチームが同エージェントを使って季節的なコンバージョンダッシュボードを洗練させ、その結果を社内レポートと照合したと述べている。Micro1は、オペレーションチームが元のダッシュボードの誤りを特定しながら、約30分でパフォーマンスダッシュボードを再構築したと述べている。
これらの説明は具体的なワークフローを示しているため、有益である。ただし、いずれもOpenAIが選定した顧客の証言にとどまる。異なるデータ環境をまたぐ一般的なエラー率、標準化された時間短縮、測定可能なリターンを立証するものではない。
したがって、分析チームへの圧力は一様ではない。成熟した指標定義と整った権限構造を備える組織は、より多くの探索的業務を委任できる。システムが断片化している企業では、どの数字が権威あるものなのかについて、未解決の意見の相違がエージェントによって露呈するかもしれない。
その結果にも価値はある。二つのチームがリテンションを異なる方法で計算している場合、洗練されたダッシュボードはその対立を隠しかねない。ソースと定義を示す会話型ワークフローは、その不一致を可視化できる。真の生産性向上は、一つの問いへの回答を速めることではなく、その曖昧さを一度解消することから生まれるかもしれない。
ナレッジワーカーにとって、この変化は、より広範なAIナレッジベースへの移行に似ている。情報を見つけることは最初の一歩にすぎない。有用なシステムは、事実を文脈、来歴、そして人々が下すべき意思決定と結び付けなければならない。
OpenAI Data agentが既存BIツールをまたいで機能する仕組み
OpenAIはオーケストレーションを通じて競争している。すべての作業を単一のBI製品内で始める必要なく、一つのエージェントがデータウェアハウス、文書、ビジネス定義、可視化プラットフォームを横断できる。
これが今回の発表の中核となる仕組みだ。データウェアハウスは構造化された企業データを保存する。セマンティックレイヤーはビジネス上の意味を説明する。文書は定性的な文脈を加える。BIプラットフォームは承認済みのレポートと可視化を提示する。ChatGPT Workは、これらの構成要素を調整するインターフェースを提供する。
更新率の低下を調査する営業責任者を考えてみよう。データウェアハウスには、契約日、製品利用状況、サポート活動、アカウント属性が含まれている可能性がある。SharePointにはアカウントプランが置かれ、BIダッシュボードには会社が承認したリテンション指標が表示される。Data agentは、利用可能なコネクターと権限の範囲内で、これらのソースを一つの調査にまとめられる。
責任者は影響を受けたセグメントを尋ね、過去の期間と比較し、最も有力な要因の根拠を求められる。追加の指示では、文書からサポートチケットのテーマを追加したり、地域別に整理されたダッシュボードを求めたりできる。価値は、問いの変化に応じて分析の筋道を維持することにある。
これは基本的なテキストからクエリへの変換機能とは異なる。文をSQLへ変換することは、ワークフローの一部を解決するにすぎない。ユーザーは依然として、正しいソースを選び、結果を解釈し、代替案と比較し、知見を伝えなければならない。OpenAIはこれらのステップをエージェント型プロセスとしてまとめており、これはソフトウェアが明示された目標に向けて、複数のつながったタスクを計画・実行できることを意味する。
今回の発表によって、既存BIベンダーが無関係になるわけではない。MicrosoftのCopilot data questionsはすでにPower BIのセマンティックモデルにクエリを実行し、回答を可視化として返している。Microsoftは、結果を改善するため、モデル作成者に明確なフィールド名、適切なモデル構造、ビジネス固有の同義語を使用するよう助言している。
Tableauも自社環境内で同様の道筋をたどっている。Tableau Agentは、可視化の作成、計算フィールドの作成、データのフィルタリング、自然言語による探索を支援できる。同社のドキュメントは、ソースの制約や、ユーザーが個別のステップに分けるべきタスクを含む境界も説明している。
これらの製品には重要な優位性がある。組織がすでに認定済みソース、ダッシュボード、権限、レポーティングワークフローを管理している可能性がある、確立された分析環境の内部で動作するためだ。ユーザーはプラットフォームを離れることなく、AI支援と直接的なビジュアル編集を行き来できる。
OpenAIの強みは、その幅広さにある。Data agentはChatGPT Workから開始し、複数のデータシステム、文書、BI製品にアクセスできる。これは、質問が部門の境界をまたぐ場合や、関連するコンテキストが正式なダッシュボードの外にある場合に役立つ可能性がある。
したがって、戦略上の競争は単純にData agent対Power BI、あるいはData agent対Tableauというものではない。分析作業の出発点を巡る競争である。Microsoftは多くの質問をPower BIのセマンティックモデルから始めたいと考えている。Salesforceは、ユーザーがTableauのガバナンスが管理された環境を通じて探索することを望んでいる。OpenAIは、ビジネス上の問いをChatGPT Workで始め、外部へとルーティングすることを目指している。
この違いは、ベンダーと顧客の双方に影響を及ぼす。ChatGPTが共通のインターフェースになれば、データプラットフォームは会話の背後にある目立たないインフラになりかねない。BI製品が信頼されるプレゼンテーションとレビューのレイヤーを維持すれば、OpenAIは最終的な記録システムではなくコーディネーターにとどまる。
OpenAIは既存ツールをサポートすることで、この現実を認めている。このエージェントは、顧客にすべてのダッシュボードを作り直すよう強いるのではなく、Power BIやTableauと連携できる。これにより導入時の摩擦が減り、組織は現在のデータスタックへの投資を維持できる。
同時に、技術的な複雑さも生まれる。各接続では、異なる機能、メタデータ、権限モデルが公開される可能性がある。あるプラットフォームでサポートされるダッシュボード操作が、別のプラットフォームでは利用できないこともある。OpenAIのガイダンスは、接続ツールでの操作がツール自体の機能とユーザーのアクセス権の両方に依存すると説明している。
同じ問題は、非構造化コンテキストにも当てはまる。ある文書は指標が変化した理由を説明できるかもしれないが、内容が古かったり、推測的だったりする可能性がある。エージェントは、権威ある定義と補足的なコメントを区別しなければならない。管理者は、どの情報源を信頼に値するものとするか、矛盾する証拠をどのように扱うかを決める必要がある。
最善の実装は、利用可能なすべてのシステムを直ちに接続するものではない。範囲を限定したワークフロー、既知の信頼できる情報源、明示的なレビュープロセスから始めるべきだ。そうすればチームは、エージェントの適用範囲を広げる前に、承認済みの指標を再現できるかを測定できる。
knowledge blendingのアプローチは、ユーザーがこの設計を理解する助けになる。構造化された指標と定性的な文書は、それぞれ異なる目的を果たす。システムが各結論の根拠を示すのに十分なコンテキストを維持して初めて、それらを組み合わせることが有用になる。
自然言語でもガバナンスの問題は解消されない
Data agentはインターフェース上のスキル障壁を下げる一方で、定義、アクセス制御、検証、責任ある共有の重要性を高める。
OpenAIによれば、クエリには、テーブル、行、列の制限を含む接続アカウントの既存の権限が適用される。これは不可欠だ。なぜなら、会話型インターフェースが、ユーザーにソースシステム上で持たないアクセス権を与えるべきではないからだ。管理者は、利用可能にする接続と、それを利用できるロールも選択する。
こうした制御は、ある種のリスクを低減する。しかし、すべてのガバナンス上の問いに答えるわけではない。ユーザーが機密データに正当なアクセス権を持っていても、より広い対象者向けのダッシュボードを作成する可能性はある。公開や共有という行為は、第2の権限境界を導入し得る。
OpenAIのヘルプ文書は、分析で使用したデータが公開サイトにコピーされる可能性があると警告している。また、受信者を選ぶ際に権限を考慮するようユーザーに求めている。つまり、ソースレベルの認可と出力レベルの配布は、別々にレビューする必要がある。
ダッシュボードは、集計を通じて機密情報を明らかにする可能性もある。小規模なグループ、絞り込まれたフィルター、あるいは通常と異なる組み合わせによって、個々の行では見えなかった詳細が露出する場合がある。組織には、クエリが成功したかどうかだけでなく、可視化が何を伝えるかを扱う公開ポリシーが必要だ。
精度もまた別の課題である。大規模言語モデルは曖昧な要求を自信を持って解釈できる一方、ビジネスデータには暗黙の前提が含まれることが多い。「売上」「顧客」「アクティブユーザー」には、それぞれ複数の妥当な定義があり得る。自然言語による質問は、こうした選択を解決するのではなく、隠してしまう可能性がある。
セマンティックレイヤーは、この問題に対するOpenAIの主要な回答である。承認済みの計算式と関係性にエージェントを基づかせることで、組織は曖昧さを減らせる。この製品は証拠を示し、同じ会話の中でユーザーが発見内容を問い直すことも可能にする。
しかし、セマンティックレイヤーには継続的な保守が必要だ。新製品は指標の定義を変える。チームはフィールド名を変更し、アトリビューションルールを変え、データベースを移行する。ガバナンス管理されたコンテキストが事業の変化に追いつかなければ、エージェントは古い前提に基づく、よく説明された回答を出しかねない。
エージェントが行動を推奨する場合、リスクはさらに深刻になる。診断は、人員配置、支出、顧客の優先順位付け、製品投資に影響し得る。こうした意思決定に必要なのは、もっともらしいグラフだけではない。ユーザーは、どのデータが含まれ、どの期間を検証し、どの代替説明が残っているのかを知る必要がある。
OpenAI自身のガイダンスも、そのレビューを推奨している。ユーザーは情報源、フィルター、期間、指標の定義を検証すべきだ。回答が既存のレポートと矛盾する場合は、それらの詳細を比較するようエージェントに依頼すべきである。これは、会話型の利便性が正確性を保証しないという現実的な認識だ。
競合各社も同様の注意点を示している。Microsoftは、生成AIの出力が非決定的になり得るため、人が評価・検証すべきだと指摘している。Tableauは、既存の行レベルおよび列レベルのセキュリティポリシーを維持しつつ、ソースとワークフローの制約を文書化している。
こうした注意書きは、業界に共通する結論を示している。AIは分析へのアクセスを容易にできるが、信頼できるセルフサービスは、依然としてキュレーションされたモデルと人によるレビューに支えられている。会話レイヤーは体験を変える。しかし、データガバナンスの原則を廃止するものではない。
Data agentの仕組みを評価する組織は、見栄えだけでなく再現性をテストすべきだ。同じ権限を持つ2人のユーザーが、一貫した計算結果を得られるか。エージェントは、公式レポートと同じ定義を引用するか。レビュアーは、意外な結果に至った手順を再構築できるか。
権限分離もテストすべきである。有用なパイロットには、地域、部門、管理職レベルのアクセス権が異なるユーザーを含めるべきだ。目的は、分析、編集、更新、共有の全工程にわたり、回答とダッシュボードがその違いを尊重することを確認することにある。
もう1つのテストは、意図的な曖昧さに関するものだ。チームは定義が不十分な質問を投げかけ、エージェントが確認を求めるのか、それとも黙って定義を選ぶのかを観察できる。信頼できるシステムは、推奨を提示する前に、重要な前提を明示すべきである。
データ品質は最後の制約として残る。重複レコード、遅延した取り込み、欠損値、十分に文書化されていない結合は、従来のダッシュボードとAIエージェントの双方を誤解に導き得る。自然言語では、ユーザーが基礎となるクエリを目にしないため、こうした問題が見えにくくなる可能性がある。
これが、Now everyone can put data to workの背後にある主要な緊張関係だ。アクセスの拡大は、質問から意思決定までの距離を短縮できる。同時に、自らモデル化していないデータに基づいて意思決定を行う人の数を増やす可能性もある。
このローンチが成功するのは、企業がガバナンスを製品体験の一部として扱う場合に限られる。定義は発見内容とともに表示されるべきだ。証拠は検証可能な状態で残るべきだ。影響の大きい意思決定にはレビューが必要であり、公開されるダッシュボードには明確な責任者が必要である。
約束が実現するかを示す3つのシグナル
次の試金石は、Data agentが説得力のあるダッシュボードを描けるかではなく、組織がその分析を信頼し、繰り返し利用できるかどうかだ。
第1のシグナルは、一部のアルファ事例を超えた、検証済みの導入である。OpenAIは、このエージェントを営業、支出、オペレーション、供給計画、製品導入に利用している顧客を挙げている。より強い証拠となるのは、確立されたレポートとの照合が文書化された、複数部門にわたる継続的な利用だ。
組織が初期パイロット後もエージェントを使い続けるなら、そのワークフローは持続的な問題を解決していることになる。利用が技術専門家に集中するなら、Now everyone can put data to workという主張は、見出しが示すより狭いものに見えるだろう。導入は、プロンプト数だけでなく、完了しレビューされた意思決定で測定すべきである。
第2のシグナルは、OpenAIがプロベナンスと検証をどこまで標準化できるかだ。ユーザーには、情報源、適用されたフィルター、指標の定義、更新時刻、計算ロジックが可視化される必要がある。レビュアーは、情報源に基づく発見とモデルによる解釈を区別できるべきだ。
明確なプロベナンスは、分析的な制御レイヤーとしてのOpenAIの立場を強化する。不十分または一貫性のないプロベナンスは、慎重な企業を重要な業務のために既存のBI環境へ戻らせるだろう。会話型インターフェースは、複雑さを単に隠すのではなく、検証を容易にするときに信頼を得る。
第3のシグナルは、Microsoft、Salesforce、主要データプラットフォームの反応である。Power BIとTableauは、すでに自然言語による質問とビジュアル分析をサポートしている。データウェアハウスのプロバイダーも、自社のガバナンス管理されたメタデータに基づくAIインターフェースを追加している。
競合他社は、複数ソースにまたがる推論を拡張し、エージェントのワークフローを改善し、非技術者が自社製品をより使いやすくすることでOpenAIに対抗できる。また、信頼される分析は、データモデルと権限がすでに管理されているプラットフォーム内にとどまるべきだと強調することもできる。
OpenAIのパートナー戦略は、この対立を和らげる可能性がある。Snowflake、Databricks、MongoDB、AWS、ClickHouse、G2は、ローンチに支持するコメントを寄せた。こうした参加は、主要なデータプロバイダーが、自社システムをChatGPT Workから利用可能にする価値を見出していることを示している。
ただし、パートナーシップによってユーザーの関心を巡る競争がなくなるわけではない。従業員が最初にChatGPTへ質問するなら、別の企業がデータを保存したり最終チャートを描画したりしていても、OpenAIが出発点の体験を支配する。この立場は、エージェントがより長い分析ワークフローを担うようになるにつれ、戦略的に重要になり得る。
エンタープライズの購入担当者にとって、次の一手として理にかなうのは慎重なパイロットだ。週次のパイプラインレビューや製品導入レポートのように、定義が安定した意思決定プロセスを1つ選ぶ。エージェントの出力を承認済みダッシュボードと比較し、不一致を記録し、アクセスを拡大する前にあらゆる共有経路をテストする。
パイロットには明確な成功基準を与えるべきだ。有用な指標には、認定済みメトリクスとの一致、繰り返される質問にかかる時間の削減、必要な修正の数、意思決定者が裏付けとなる証拠を検証できるかどうかが含まれる。洗練されたデモを、運用上の信頼性の証明として扱うべきではない。
個々のナレッジワーカーにとって、実践的な機会はより速い探索にある。エージェントを使って質問を組み立て、セグメントを比較し、最初のダッシュボードを作成する。その後、出力を推奨事項に転換する前に、定義と証拠を確認する。
Data agentは、ビジネスインテリジェンスの未来について大胆な賭けに出ている。人々は目標を述べ、エージェントにその下にあるシステムを調整させることを好むようになる、という前提だ。特に、質問がデータウェアハウス、文書、確立済みダッシュボードをまたぐ場合には、これは説得力のある方向性である。
より難しい問いは、組織がその利便性を信頼できるものにできるかどうかだ。OpenAIがプロベナンスをどのように公開するか、顧客が持続的な導入をどのように報告するか、既存BIベンダーがどう対応するかを注視すべきである。これらのシグナルが、誰もがデータを活用できるようになるのか、それとも信頼される分析が依然としてすべての回答を支える少数の人々に依存するのかを決めるだろう。
