Google Cloudは11月18日、「Data & AI Summit '26 Fall」を開催した。基調講演では「Agent-Ready 2.0 - 理論から実践、その先へ」をテーマにAIエージェントを業務に組み込むうえで、企業固有のデータや業務知識を理解させるコンテキストレイヤーの重要性を強調。KDDIはGeminiを活用した広告データ分析の取り組みを紹介し、従来1案件当たり約1.5時間を要していた集計作業を約5分に短縮したことを明らかにした。

「LLMはコモディティ」、AIエージェント時代に変わるデータ基盤

基調講演に登壇したGoogle Cloud 執行役員 データクラウド事業本部の濱田真氏は、AIエージェント時代に求められるデータ基盤の在り方を説明した。

同氏は「Googleが今後も基盤モデルへの大規模な投資を続けていく一方で、ユーザー企業の視点ではLLM(大規模言語モデル)や基盤モデルはコモディティ化していきます」との考えを示した。

  • Google Cloud 執行役員 データクラウド事業本部の濱田真氏

    Google Cloud 執行役員 データクラウド事業本部の濱田真氏

では、強力なLLMを企業のビジネスプロセスや価値創出へとつなげるものは何か。濱田氏は、その役割を担うものとしてデータの重要性を強調する。

山中氏は「AIエージェントが本格的に業務プロセスへ入り込めば、データ基盤の役割も変わります」と指摘。従来のようにデータを分析して答えを導き出す「System of Insight」から、ワークフローや業務プロセスそのものを支える「System of Action」に変化すると説明した。

  • データ基盤は「System of Insight」から「System of Action」へ

    データ基盤は「System of Insight」から「System of Action」へ

Google Cloudが示すAIエージェント時代のデータ基盤、3つのポイント

こうしたAIエージェント時代のデータ基盤を考えるうえで、濱田氏は3つのポイントを挙げた。

1つ目はコンテキストレイヤーだ。AIエージェントが業務で判断するためには、その回答が正しく、信頼できることを継続的に担保する必要がある。そのために重要になるのが「セマンティック」と「オントロジー」だ。

セマンティックは「売上をどのように計算するのか」「利益をどう算出するのか」といった、業務上の指標の定義や計算ルールを定めるもの。一方のオントロジーは、業務上の知識やルール、データ同士の関係性など、担当者の頭の中にある知識をAIが理解できる形にするものだ。

  • セマンティックとオントロジーを統合したコンテキストレイヤー

    セマンティックとオントロジーを統合したコンテキストレイヤー

2つ目は、データを1カ所に集約することを前提としないデータ連携。企業内のデータはさまざまなクラウドやシステムに分散しているが、それらをすべてGoogle Cloudへ移行するのではなく、データを移動させることなくAIエージェントと連携する。

3つ目がAIエコノミクスだ。生成AIのコストというとモデルのトークン価格に目が向きがちだが、AIエージェントが業務プロセスに入り、大量のデータアクセスが発生するようになれば、データ基盤側の処理コストまで含めた全体最適が必要になる。

このうちコンテキストレイヤーを実際の企業はどのように業務へ落とし込んでいるのか。その具体例として紹介されたのが、KDDIの広告データ分析だ。

KDDI、広告データの多様化で増え続ける分析依頼

KDDI ブランド・コミュニケーション本部 コミュニケーションデザイン部 部長の山中雅貴氏は、広告データ分析の変革について説明した。

  • KDDI ブランド・コミュニケーション本部 コミュニケーションデザイン部 部長の山中雅貴氏

    KDDI ブランド・コミュニケーション本部 コミュニケーションデザイン部 部長の山中雅貴氏

山中氏が率いる組織では、auやUQなどの事業ブランドのコミュニケーションを手がけている。同氏は「昨今の広告を取り巻く環境は、テレビやラジオといったマスメディアに加え、動画や静止画、音声などのインターネット広告、交通広告や屋外広告、イベントなどへと広がっています。それに伴い、広告効果を判断するために扱うデータも増加しました。インプレッションやクリック、視聴率に加え、検索量や話題量、消費者の意識変化、自社だけでなく競合の状況まで組み合わせてコミュニケーションの効果を分析しています」と述べた。

同社は、こうしたデータ活用を高度化するための環境整備を進めてきた。2019年にはMMM(マーケティング・ミックス・モデリング)を導入。さらに、BI(ビジネスインテリジェンス)ツールによるデータの可視化を進め、調査・分析を担う専門チームも単なる分析だけではなく、課題解決を支援するデータコンサルへと役割を変えてきた。

  • KDDIにおけるコミュニケーション分析高度化の変遷

    KDDIにおけるコミュニケーション分析高度化の変遷

ところが、データ活用を進めた結果、新たな課題が生まれてきたという。分析を依頼する側のデータリテラシーが高まったことで、個別の集計・分析依頼が増加した。戦略、メディア、クリエイティブなどを担当する社員がデータを使えるようになれば「もっとこういうデータを見たい」「こういう切り口で分析したい」という要求も増える。

一方、それらの依頼を受けるデータコンサルは、依頼ごとにデータを集計・分析しなければならない。本来はデータを起点に課題解決まで支援することを目指していたにもかかわらず、実際には個別の集計作業に多くの時間を費やす状態になっていた。

KDDIがデータ分析のプロセスを確認したところ、データの収集・加工が作業時間全体の7~8割を占めていたという。山中氏は「人員を増やせば一時的には解消できるが、それでは対症療法にすぎない」と考えた。

Geminiで集計時間を1.5時間から5分に - 94%削減

そこで、同社がGoogle Cloudと構築したのが、Geminiを活用したデータ分析基盤となる。仕組みはシンプルだ。Geminiをユーザーとの窓口とし、自然言語による指示を受けてBigQueryでデータを加工・集計する。

  • KDDIによるGeminiを活用したデータ分析基盤の構成

    KDDIによるGeminiを活用したデータ分析基盤の構成

例えば「UQ mobileのユーザーにおける広告認知率を、性年代別で年代順に集計してください」と入力する。すると、どのような定義で集計したのかを示したうえで、結果の要約に加え、具体的な数値やグラフまで提示する。

山中氏は「従来、各担当者からデータコンサルへ個別の集計を依頼し、アウトプットを得るまで1案件当たり約1.5時間を要していました。今回の仕組みをトライアルしたところ、作業時間は約5分まで短縮し、94%の削減につながりました」と効果を強調する。

  • 集計作業時間を1.5時間から5分に短縮した成

    集計作業時間を1.5時間から5分に短縮した

ただし、重要なことはGeminiを導入するだけで正しい分析結果が得られるわけではないという点だ。そこで、重要になるのがGoogle Cloudの「Knowledge Catalog(旧称:Dataplex)」となる。企業には、その企業でしか通用しない言葉やデータの定義が数多く存在し、山中氏は一例として「パーセプション」を挙げた。

一般的な言葉としての意味だけでなく、KDDIの調査業務ではパーセプションが何を意味し、どのような条件で集計するのかという独自の定義が存在する。

同氏は「こうした用語の意味や付随情報、集計方法をKnowledge Catalogに登録しておくことで、ユーザーが自然言語で『パーセプション』と入力した場合でも、GeminiはKDDIにおける定義を踏まえて必要なデータを集計できます。つまり、コンテキストレイヤーを実際の広告データ分析へと落とし込んでいます」と説明する。

  • Knowledge Catalogに「パーセプション」の定義や集計方法を登録

    Knowledge Catalogに「パーセプション」の定義や集計方法を登録

AI時代、データ分析者は「数字を出す人」から課題解決へ

山中氏は、Geminiは賢いとする一方、正しく活用して正しい結果を得るには、Knowledge Catalogのような「泥臭い土台作り」が重要だと強調した。そして、集計作業を効率化する目的は単なる省力化ではない。

これまでデータコンサルは、依頼された数字を出す人や見る人になりがちだったが、集計に費やしてきた時間を削減すれば、その時間を仮説の検討、情報のインプット、より深い分析に使うことができるという。

同氏は「AIにデータの集計などを任せ、人間は創造性や発想力を使い、課題解決を考える。それによってデータ分析者がマーケティングを本当に導けるコンサルタントに変わっていく」と力を込める。

  • データコンサルを数値を出す人からマーケティングを導く存在へ

    データコンサルを数値を出す人からマーケティングを導く存在へ

KDDIの取り組みで特徴的なのは、Geminiによる集計時間の短縮そのものだけではない。分析を依頼する側のデータリテラシーが高まったことで増加した集計作業をAIに任せ、データコンサルを本来担うべき課題解決へシフトさせようとしている点だ。

一方、自然言語で正しい分析結果を得るためには、社内固有の用語や集計方法をKnowledge Catalogに定義する必要がある。山中氏が「泥臭い土台作り」と表現したように、AI活用が実践段階へ進むほど、モデルの性能だけでなく、企業固有のデータや知識をAIが正しく理解できる環境の整備が重要になりそうだ。