2026/10/12

Tableau が Salesforce 社内でエージェンティック分析を構築した方法: 4 つの要素からなるフレームワーク

Slackbot のスキル、セマンティックガバナンス、AI コンテンツ制御、コスト管理、および運用状況の可視化により、信頼性の高いエージェンティック分析を大規模に実現するには。

Tableau は、お客様に同様の導入を勧める前に、自らが最初の顧客となる「カスタマーゼロ」として、自社のエージェンティック分析システムを数万人の Salesforce 従業員に展開しました。その過程で私たちが経験したことが、この製品の開発方法のあらゆる要素を形作るものとなりました。

エンタープライズデータアーキテクチャが大規模化するにつれて、すべての従業員に高性能な分析エージェントを提供することは、データアクセスの問題ではなく、ガバナンスと信頼性の問題になります。この記事では、大規模環境における正確性、厳格なガバナンス、運用状況の可視化、および予測可能なコストを実現するために開発した、4 つの要素からなるフレームワークをご紹介します。

カスタマーゼロの詳細: Salesforce 全体にエージェンティック分析を展開

営業チームが求めていたのは、担当する取引先やパイプライン、商談について、毎朝、外出先でも、アナリストの対応を待たずに正確な回答をすぐに得られることでした。どの大企業でも、分析に最もよく求められるのは、 「自分の業績はどうか、何が変わったか、それにどう対応すべきか?」という問いへの答えです。そこにあるギャップは、データの欠如ではなく、信頼できる回答を得られるかどうかということでした。

そこでわかったことは、従業員はその信頼を 3 つの方法で得たいということでした。つまり、何か変更があった際に情報を積極的に 従業員に送信すること、ビジネス全体を一目で把握できるように 視覚化すること、そして、平易な言葉でフォローアップの質問を投げかけられるように 会話形式 にすることです。これら 3 つはすべて、ガバナンス管理された同じ信頼できる情報源に基づいている場合にのみ機能します。

私たちはシンプルなアーキテクチャを採用し、お客様も利用できる次のようなコンポーネントのみで構築しました。利用者の窓口には Slack を使い、Slackbot スキルで各コンポーネントをつなぎました。毎日のブリーフィングを先回りして届ける、ダッシュボードを Slack に直接表示する、自由形式の Q&A) に対応するといったワークフローをまとめることで、エージェントが優秀なアナリストとして回答できるようにしました。

内部的には、それらのスキルは、ガバナンス管理された回答を持つエンジンにルーティングされます。Tableau Next のセマンティックモデルには Tableau Next MCP を、Tableau Cloud と Server には Tableau MCP を使います。このアーキテクチャの柔軟性により、Tableau Cloud、Server、Tableau Next のいずれを基盤として展開するかに関わらず、あらゆる組織がまったく同じパターンを今すぐ実装できます。

信頼できる情報源となるセマンティックモデルが存在しないと、主要なビジネス概念の解釈は、実行時に LLM に完全に委ねられることになります。このため、エージェントは「パイプライン」「カバレッジ」「獲得率」といった用語の意味を推論し、定義を推測せざるを得ませんでした。セマンティックな根拠がなければ、エージェントの正答率は 30 ~ 45% に過ぎず、自信満々で提供される誤った回答は見抜くのが困難です。

突破口となったのは、より高性能なモデルではなく、ガバナンス管理された信頼できる情報源でした。私たちはセマンティックモデルを導入し、その上にビジネス設定と検証済みの Q&A を追加しました。これにより、「パイプライン」、「ACV」、「カバレッジ」、「現在の四半期」はそれぞれ承認された定義として解釈されるようになりました。この「ノウハウ」こそ、私たちが現在 「Tableau Knowledge.」と呼んでいるものです。

その結果、実際のユーザーからの 200 件以上の質問に対する構造化された評価を複数回実施し、リリース前の精度を 85% 超にまで高めることができました。数字以上に重要なのは、担当者が回答を信頼していること、そしてアナリストが同じ質問に繰り返し答える必要がなくなったことです。

エージェンティック分析に関してデータリーダーが直面する 4 つの重要な課題を解決

社内でこの取り組みを展開していくと同時に、私たちは同じ道を歩んでいるお客様ともこうした議論を重ねていました。その中で、4 つの質問が何度も出てきました。これらは例外的なケースとしてではなく、あらゆるエージェンティック分析導入におけるアーキテクチャ上の中核的な決定事項に関するものです。

1.セマンティックガバナンス: 「全員が確実に同じ定義に基づいて作業できるようにするにはどうすればよいか?」

 「今四半期の私の進行中のパイプラインはどうなっていますか?」という、ごくありふれた質問を例にとってみましょう。ガバナンス管理された定義がない場合、エージェントはすべての用語を推測しなければなりません。

  • 「パイプライン」 — 進行中のすべての商談が対象となるのか、または見込みがあると判断された商談のみが対象となるのか。
  • 「今四半期」 — 暦年に基づく四半期か、会計年度に基づく四半期か。では、新しい四半期が始まって最初の月曜日に「今四半期」と尋ねられたら、ユーザーはどの四半期を指しているのでしょうか。
  • 「私の」 — 私自身が担当している案件か、または階層構造の中で私の下にあるすべての案件か。

同じ質問を別の日にエージェントに尋ねた場合、異なる回答が得られる可能性があります。これは、自由形式での表現においてはプラス要因となるかもしれませんが、ビジネス指標においては「おそらく」では不十分なため、マイナス要因となります。規模が大きくなると、重要な指標 (パイプライン、カバレッジ、ACV、獲得率) はすべて、いつの間にか多数の独自の定義へと分岐してしまいます。

Tableau の解決策は、セマンティックレイヤーセマンティックレイヤーとビジネスのノウハウを組み合わせることです。これにより、組織全体で拠り所にできる信頼性の高い情報源を一本化し、その組織ならではの知識も提供します。セマンティックモデル、ビジネス設定、検証済みの Q&A に、承認された指標の定義やディメンション、ビジネスルールを組み込んでいます。そのため、誰がどのような言葉で、どの画面 (ダッシュボード、概要、チャット) から質問しても、管理された定義やルールに基づき、当社 (またはお客様) 固有のビジネス用語を正しく踏まえた、一貫性のある回答が得られます。

カスタマーゼロとして実際に行ったことは次のとおりです。

  • 主要なメトリクスと、営業担当者がそれらを分析する際の切り口となるディメンションを明確に定義するセマンティックモデルを構築しました。コミット、カバレッジ、進行中のパイプライン、商談の進行速度に加え、重複排除ロジックや会計期間の特定など、実際にエージェントの動作を妨げる複雑な要素も定義し、「現在の四半期」が新しい四半期の初日でも正しく特定されるようにしました。
  • セマンティックモデルに知識 (ビジネス設定と検証済みの &A) を追加し、当社特有のビジネス用語の文脈を与えました。たとえば、Salesforce における AOV は、Annual Operating Volume (年間営業規模) の略です。これは、他社における平均注文額を表しています。「今四半期のチームの業績はどうですか」と言う場合、それは ACV と NNAOV がどうなのかという意味です。
  • 常に最新の参照仕様を維持 しました。このデータに基づいて構築される新しいスキルやワークフローはすべて、毎回計算式を新たに作成するのではなく、事前に検証および承認された同じ計算式 (主要 KPI、過去のスナップショット、週ごとの差分、取引の動きを示すフラグなど) を呼び出す必要があります。この実際の仕組みにより、あらゆるワークフローおよびあらゆるペルソナが同じ質問に同じように答えることが可能になります。
  • AI レイヤーとダッシュボードレイヤーは、偶然ではなく意図的に連携するように設計 しました。一部のメトリクスはダッシュボードにネイティブに存在し、AI 向けレイヤーは同じガバナンス管理されたセマンティックモデルバージョンを経由するよう意図的にルーティングされます。Slackbot に質問する営業担当者と、ダッシュボードを開く営業担当者が目にする数値は、同じ方法で定義された同じ数値です。これは、両方の経路が偶然一致したからではなく、一致するように設計されているからです。
  • データは企業の境界内に保持 されます。汎用の AI ツールにビジネスデータを貼り付けるのではなく、ガバナンス管理された内部セマンティックモデルに対して実行されるため、回答を得るために機密データがセキュリティ境界を越える必要がありません。この機能を大規模に評価する CIO や CDO にとって、信頼性の面で大きく異なる体制となります。
  • これが、デモではスマートに 見えるエージェンティック分析と、実際に活用できる分析との違いです。

2.コンテンツガバナンス: 「AI が生成するコンテンツをどのように管理するか?」

AI はユーザーのどのような要求にも、数秒以内で即座に視覚的な応答を生成できます。しかし、検証を伴わないスピードはガバナンス上のリスクとなります。問題は、AI がコンテンツを作成できるかどうかではなく、どうのようにして適切なコンテンツをユーザーに確実に届けるかです。これには、回答だけでなくダッシュボードも含まれます。 ビジュアライゼーション自体は難しいことではありません。難しいのは、 信頼できるビジュアライゼーションです。

Tableau の答えは、以下の 4 つに集約されます。

  • 本番環境への制御されたパス。セマンティックモデリング、エージェントの最適化、適切に準備されたコンテンツの作成はすべて、まず管理された環境 (サンドボックス) で行い、そこでレビュー、改良、承認した後、本番環境に展開します。これは、ソフトウェアチームが既に信頼している開発→ステージング→本番というプロセスを反映したものであり、分析の成果物にも適用されます。
  • Q&A の調整。 データプロフェッショナルとビジネスエキスパートが、最も一般的で重要な質問に対する標準的な回答を厳選し、それらに照らし合わせてエージェントの応答をテストし、結果を公式に検証します。これにより、エージェントが直接、承認済みの回答を利用することが保証されます。
  • ガバナンス管理された Slackbot スキル。(何でもできる単一のエージェントではなく) それぞれが単一の役割を持つ、ガバナンス管理された少数のスキルセットを構築しました。具体的には、営業リーダー向けの情報概要、営業データの Q&A スキル、そして Slack に直接ダッシュボードを表示するスキルです。これにより、リーダーは業務の流れを中断することなく、ビジネス全体の状況を一目で把握できます。ビジュアライゼーションを支える、ガバナンス管理されたセマンティックレイヤーが大きな効果を発揮します。チャットツールでグラフを表示するのは簡単ですが、真の信頼を生み出すのは、そのグラフが企業全体の検証済みロジックに基づいて構築されていることを保証することです。
  • 自主管理ではなく、真のレビュープロセス。スキルは、既存の内部ガバナンスプロセスに基づいて提案、レビュー、パブリッシュされます。新しいダッシュボードに適用されるのと同じ規律が、新しいスキルにも適用されます。

初めて社内の経営幹部向け情報概要を作成した際に、初期テストでいくつかの実際のデータギャップが明らかになりました。通貨換算で海外の取引先が抜け落ちたり、フィールド名の不一致で合計値が不正確になったり、自動化されたスケジュールがエラー表示もなく失敗したりしました。より広範な社内テストにおいて、AI が生成したダッシュボードには、レイアウトの不整合、リンク切れ、指標の不一致など、同様の問題が見られることが明らかになりました。

いずれの場合も、解決策は明確でした。AI スキルにデータ構造をゼロから推測させるのをやめ、適切なビジネス設定を備えた、ガバナンス管理された単一のセマンティックレイヤーを直接の根拠として稼働させることです。このような基盤を確立したことで、展開は劇的に加速しました。コンテンツとワークフローに対する適切なガバナンスがあれば、スピードはもはや弱点ではなく、強みとなります。

現在では、新しい営業リーダー向けに、完全にガバナンス管理されたカスタムのダッシュボードスキルを作成するのにかかる時間はわずか数分です。その結果、Salesforce 全体で数十もの信頼性の高い、目的に特化したスキルが利用できるようになっています。これが「Tableau で作成」の実際の例です。アドホックなリクエストや未完成のレポートを、手作業によるエンジニアリングなしに、エンタープライズグレードの安全なダッシュボードに変換します。

3.予測可能な総所有コスト: 「利用規模が拡大するにつれて、コストをどのように抑制すればよいのか?」

これは CIO たちが夜も眠れないほど悩む問題であり、それも当然のことだと言えます。原理的には、あらゆる自然言語による質問は、データウェアハウスに対して複雑でコストのかかる計算処理を引き起こす可能性があります。何千人ものユーザーがそれぞれ求めることを要求してきた場合、コストは予測困難なほど膨れ上がる可能性があります。

多くのチームが最初に試みるのは、すべてのやり取りにおいてエージェントに、クラウドレイクハウスに対してクエリを直接実行させることです。これこそまさに、コストが予測不可能な形で急速に上昇するパターンです。なぜなら、誰も想定していなかった形で、コストが使用量に応じて増加するからです。

Tableau が出した答えは、ユーザーにとって最高の体験を提供し、次の方法でコストを最適化すること (エッジでのコンピューティング) です。

  • セマンティックレイヤーと Hyper エンジンにより、モデルがデータを見る前に計算処理を実行する。集計、セマンティック、およびパーミッションは、質問が LLM に到達するまでに既に解決されているため、スキーマ探索や再試行ループは不要です。ガバナンスのない構成では、こうしたスキーマ探索や再試行だけでも、トークンコストの大きな割合を占めます。
  • 毎回の呼び出しにおいて、データウェアハウスにクエリを実行するのではなく、抽出にクエリを実行する。エージェントがすべての質問に対してデータウェアハウスに直接クエリを実行するのではなく、ガバナンス管理された高速な Hyper 抽出 (エッジにあるデータ) にクエリを実行します。これは、ある大手顧客が、毎回データウェアハウスに直接アクセスする代わりに、Tableau で管理された抽出結果をエージェントの前に配置するだけで、データウェアハウスへの直接クエリを完全に廃止し、コストを 10 分の 1 未満に削減できたのと同じパターンです。
  • MCP により、生データではなく回答を返す。これによってモデルは、解釈しなければならない生のデータ行ではなく、事前に集計された結果を受け取るため、トークンのコストとハルシネーションのリスクの両方 (これらは同じ根本的な問題の 2 つの症状) が同時に低下します。
  • このアーキテクチャに、予測可能なユーザー単位の料金体系を組み合わせる。トークン単位やクエリ実行単位ではなく、ユーザー単位の定額料金制を採用することで、企業の経営陣は予算の予測可能性を高めることができます。これにより、利用料金の高騰を恐れることなく、数千人のユーザーに対してエージェンティック分析を展開することが可能になります。
  • よくある質問への回答を迅速化する。検証済みの質問とキャッシュにより、クエリ実行時の AI の処理負荷が軽減されます。検証済みの質問が一致すると、承認済みの回答が即座に返されます。AI の呼び出しも、データウェアハウスへのアクセスも不要です。キャッシュ機能により、保存された結果から繰り返し質問に回答できるため、トークンの消費はゼロになります。
  • 利用管理とスケジュール管理を徹底する。自動化されたブリーフィングを、一度に何千件も送信するのではなく、夜間の時間帯に分散して送信するようにしました。これは設計上の小さな選択でしたが、負荷とコストに大きな影響がありました。

スピードとコスト効率は表裏一体の関係にあります。適切に整理されたコンテキストがあれば、エージェントはより迅速に回答を処理でき、迅速な回答は通常、より安価になります。優れたシステムを構築することは、単に精度向上に対する投資ではなく、総所有コスト (TCO) 削減のための投資でもあります。トークンの使用量を削減するアーキテクチャは、単価を固定する料金モデルと同じくらい重要です。

4.エージェンティック分析の監視: 「AI が実際に何をしているのかを把握するには、どうすればよいか?」

多くの組織はエージェントを展開した後、手探りで運用しており、何が要求されているのか、何が生成されているのか、あるいはシステムが時間とともに改善しているのか悪化しているのかといったことを、まったく可視化できていません。見えないものを管理することはできません。

Tableau が出した答えは、単一の回答レベルから環境全体に至るまで、運用上の透明性を提供することです。

  • すべての回答を説明可能にする。すべての回答に説明可能性を組み込み、情報を段階的に見ることができるようにしました。各回答には、ビジネスユーザー向けに平易な言葉による要約が表示されます。そこから 1 段階詳しく見ると、データに興味のあるユーザー向けに使用フィールドと適用フィルターが示され、さらにデータプロフェッショナル向けには SQL 全文まで確認できます。
  • 回答が生成される過程で、思考のステップを表示する。エージェントは作業中にその思考プロセスをストリーミングします。これにより、エージェントが従っているプランを見ることができます。ユーザーは推論がどのように形成されるかを観察し、どのようにしてその結果に至ったかを知ることで、その結果を信頼できるようになります。

ほとんどのプラットフォームでは、AI が回答したという 事実がわかります。Tableau では、回答が どの程度正確l で、 どのような根拠に基づいているかがわかります。それがブラックボックスと、操作・信頼・改善できるシステムとの違いです。

全体像: セマンティックレイヤーが突破口となる理由

4 つの質問を客観的に見てみると、それらすべてを結びつける 1 つのテーマが見えてきます。それはセマンティックレイヤーです。

分析におけるボトルネックは、データへのアクセスではなく、 構造とビジネスロジックにあります。正解はすでに Tableau のセマンティックモデル (パブリッシュされたデータソース) にあります。 現在、Fortune 500 企業の 97% がビジネスロジックを Tableau に組み込んでいます。それらの企業では、Tableau のダッシュボードを毎日使用して数百万ドル規模のビジネス上の意思決定を行っています。なぜなら、 それらの企業は Tableau のセマンティックモデルに内在するビジネスロジックを信頼しているからです。 

Tableau の強みはそこにあり、これはカスタマーゼロのストーリー全体の根幹をなすものでもあります。つまり、私たちはそのレイヤーをゼロから構築する必要がなく、特定の製品に縛られることもないということです。Tableau は長年にわたってセマンティックレイヤーに投資しており、 Tableau Next、Tableau Cloud、Tableau Server のいずれを使用している場合でも同じように機能します。パブリッシュされたデータソース、ワークブック、指標が、その同じセマンティック構造にマッピングされているのです。カスタマーゼロとして、私たちは Slackbot スキルを、既存のレイヤーが Tableau Next、Cloud、Server のいずれであっても、そのガバナンス管理されたレイヤーに接続し、初日からガバナンス管理された定義、行レベルのセキュリティ、および信頼できるビジネスロジックをそのまま引き継いで利用できるようにしました。

セマンティックレイヤーはあいまいさを解消します。ビジネス設定は、アナリストの頭の中にある専門知識を明文化します。これらを組み合わせることで、ハルシネーションが含まれた推論ではなく、ガバナンス管理された真実に基づいて推論するエージェントが生まれます。それは単なる機能ではありません。他のすべての基盤となります。

信頼性の高いエージェンティック分析を大規模に実現するための道筋

エージェンティック分析の展開を検討している CDO や CIO にとって、上記の 4 つの質問は後で解決すべき細かい問題ではありません。これらこそが、 アーキテクチャそのものです。セマンティックガバナンス、コンテンツガバナンス、予測可能なコスト、そして運用の監視が、その構成要素となります。それらを正しく設定すれば、エージェントは組織から信頼される存在となります。これらを誤ると、自信満々に誤った答えを非常に速く出し、しかもコストが膨れ上がる仕組みを構築してしまうことになります。

Tableau なら、これら 4 つの質問すべてに答えることができます。なぜなら、私たちはそれを会議室で設計したわけではないからです。私たちはカスタマーゼロとしてこれらの課題を自ら経験しました。Tableau Next、Cloud、Server にわたり、Tableau を活用した Slackbot スキルを通じて、自社の数万人の従業員に展開したのです。そして、学んだことを反映させて製品を開発しました。

すべての従業員が有能なアナリストをいつでも手元で利用できるようにする技術が、ついに実現しました。従業員からの信頼を得られるかどうかは、その根底にある構造にかかっています。私たちはその基盤を長年かけて築き上げてきました。お客様が同じように基盤を構築する際にも、ぜひお手伝いしたいと考えています。

さっそく使い始めましょう。