8月12日、Databricksが「The Future of Data Analytics: Why AI is rewriting the Analyst's Job Description」と題した記事を公開した。AIの台頭によってデータアナリストの職務がどう変わるか、何が自動化されて何が残るかについて、著者らが50人以上のアナリスト採用と複数業界のAI活用設計から得た知見をもとに論じている。

「アナリスト不要論」は何を見誤っているか

「AIがSQLを書き、ダッシュボードを作り、インサイトを生成するなら、アナリストを雇う必要はない」――この主張は繰り返されてきた。だが、Databricksはこれを明確に否定する。

自動化されるのはタスクであって、仕事ではない。具体的には、データの手動整形、新しいステークホルダーのたびに作り直すダッシュボード、一度限りのアドホックSQLクエリ――こうした作業が消えていく。しかし、ビジネス課題を正しく定義し、意思決定を動かす仕事は、むしろ価値が高まる。

記事の著者たちは50人以上のアナリストを採用し、複数業界にわたるAI活用の意思決定フレームワークを設計してきた経験から、一貫したパターンを観察したという。成果を出すアナリストは、最高のSQLを書く人ではなく、最良の問いを立てる人だ、と。

BI時代が生んだ「ダッシュボード工場」問題

もともとアナリストは、ビジネス部門とITのデータウェアハウスをつなぐ橋渡し役だった。QlikView・Power BI・Tableauといったセルフサービス型BIツールの普及がその役割を変えた。データへのアクセスが民主化される一方で、アナリストは「データを直して、ダッシュボードを作る人」へとじわじわ矮小化されていった。

その結果、本来最も重要なはずのスキル――ビジネス課題の構造化――が組織内で育たなくなった。アナリストは常に忙しく、しかし自分たちの価値を示せない状況に置かれた。多くの組織でデータチームのリストラが繰り返されてきた背景には、この価値の見えにくさがある。

記事は「現在の世代のアナリストは、何が起きたかは答えられても、なぜそれが重要で、次に何をすべきかは答えられない」と総括する。

AIが自動化するのは「作業」、残るのは「判断」

Databricks AI/BIのような自然言語インターフェースの登場で、ユーザーは平文で欲しいものを記述するだけでダッシュボードやメトリクスを生成できる。Genie Oneによってステークホルダーは待ち行列なしにアドホック質問を直接投げられる。なお、Databricks AI/BI・Genie One・Genie Code・後述のUnity CatalogはいずれもDatabricksのデータインテリジェンスプラットフォーム上に統合された機能群であり、組み合わせて利用することを前提に設計されている。

記事中の事例として、ある公共部門のアナリストが顧客セグメンテーションモデルを構築した話が挙げられている。従来は2ヶ月かかっていた作業が、Genie Codeを使って半日で完了した。AIが技術的な実行を担い、アナリストはビジネスにとって意味のあるセグメント定義そのものに集中できた。

ただし、速さそのものが価値ではない、と記事は強調する。「間違った問いに完璧に答えるAIは、やはり間違っている」。

AIが担えない仕事として、記事は以下を挙げている：

• ビジネスが本当に計測すべき指標の定義
• データに触れる前に、正しい問いを立てること
• 出力結果がビジネスのコンテキストで意味をなすかの検証
• データポイントを具体的な行動への推奨に変換すること

Capgemini Research Instituteの調査によれば、「自分のニーズをAIシステムに的確に伝えられるリーダーは33%に過ぎない」という。問いを立てる技術は、今後むしろ稀少なスキルになる。

アナリストに求められる5つの能力

記事は、技術タスクが自動化された後に残る仕事を5つに整理している。

1. 問題の構造化　ステークホルダーが「本当は何を知る必要があるか」を引き出す。例えばメール施策のクリック率を測るよう依頼されても、90%割引のキャンペーンであれば収益全体を見る必要がある。SQLを知らなくても、この翻訳者の役割はAIには果たせない。

2. 文脈と判断　「リテンションが5%下がった」という数字は、指標の定義を変えた直後なら無意味だ。AIにはそのビジネス固有の記憶がない。過去の一時的なプロモーション、CRMの手動修正、上流システムの未修正バグ――ドメイン知識を持つアナリストだけが「この数字はおかしい、理由もわかる」と言える。

3. ストーリーテリングと影響力　データが意思決定を動かすのではなく、ストーリーが動かす。人は統計ではなくナラティブを記憶する、というのは行動経済学・認知科学の知見とも一致する考え方だ。役員室でLLMが代わりを務めることはない。

4. ガバナンスと信頼　AIが生成するインサイトが正確かを検証し、ハルシネーション（AIによる事実誤認）を検出する品質レイヤーとしての役割。Unity Catalogのようなデータカタログ・ガバナンスツールと組み合わせることで、メトリクスの定義一元管理やアクセス制御が機能し、信頼性の基盤となる。

5. オーケストレーション　アナリスト自身がSQLを書くのではなく、AIエージェントを「指揮」する。Genieスペースのキュレーション、メトリクス定義、分析ワークフローの設計――プレイヤーからコーチへの転換だ。

組織への示唆：採用基準と評価指標を変える

記事は組織向けに実践的な提言をまとめている。

• 採用： SQLスキルでスクリーニングをやめ、好奇心・ビジネス感覚・コミュニケーション能力を見る。技術は習得できるが、問いを立てる姿勢は採用時点で見極める必要がある
• ツール投資： 技術レイヤーを自動化するプラットフォームを導入し、アナリストを技術的負債から解放する。これによりアナリストは反復作業ではなく判断業務に時間を充てられる
• 配置： アナリストをデータチームの深部ではなく、意思決定者の近くに置く。物理的・組織的な距離がビジネス感覚の劣化に直結するためだ
• 評価指標： ダッシュボードの納品数やクエリ数ではなく、「影響した意思決定の数」「問いを再定義した回数」で測る。アウトプットではなくアウトカムへの転換が、チームの行動様式そのものを変える

「AIによるアナリティクスのROIは、アナリストを減らすことではなく、正しい意思決定を実際に動かすアナリストを得ることだ」と記事は締めくくる。

詳細はThe Future of Data Analytics: Why AI is rewriting the Analyst's Job Descriptionを参照していただきたい。