10月12日、InfoWorldが「Why data work is one step behind on AI」と題した記事を公開した。この記事では、データ業務に携わるビジネスユーザーがアジェンティックAIによる生産性向上の恩恵を受けられていない理由と、その解決策について詳しく論じている。

エンジニアだけがAIの恩恵を享受している現実

プログラマーがアジェンティックAI（自律的にタスクを実行するAIエージェント）をいち早く使いこなせた理由は明快だ。コードは検証できるからである。エージェントに関数を与え、差分（diff）を読み、テストを走らせ、採用するかどうか判断する。出力が自分の読める形式で返ってくるため、機械を信頼するためのハードルが低い。

一方、データを扱うビジネスユーザーや財務オペレーション担当者はどうか。元記事によれば、米国ではソフトウェア開発者に対して約6対1の比率でこうした職種の方が多いにもかかわらず、生産性向上の恩恵はほとんど得られていない。AIに分析を依頼して返ってくるのは数値やグラフ、あるいは200行のコードだ。それがどのように導き出されたかは、アナリストには見えない。ブラックボックスである。

3つの問題

問題1：自分のデータに手が届かない

ビジネスユーザーのデータは、スプレッドシート、SharePoint上のファイル、Salesforce、あるいはDatabricks・Snowflake・BigQueryといったデータプラットフォームに散在している。それらへのアクセスはデータプラットフォームチームへのリクエスト申請が必要で、そのチームは慢性的に人手不足だ。

結果、ビジネスユーザーが手に入れるのは「コピーのコピー」になりがちである。数ヶ月前に取り出したCSVや、4回も手渡されて変更履歴が失われたワークブックがその典型だ。AIエージェントがそのデータを処理するとき、高速に動いているが、動いている対象は「真実の影」である。データリネージ（データがどこから来てどう変換されたかの追跡情報）はとっくに失われており、数字の出所を誰も確認できない。金融機関であれば、キャリアに関わる問題になりうる。

問題2：データのファクトチェック手段がない

チャットボットは結果をほとんど文脈なしに返す。生成されたコードを見せても、ビジネスユーザーはそれを読めない。「確認できないデータで意思決定にサインオフするな」というのが正論だが、エンジニアがテストを省いてコードをリリースするのと同様に、「速く動くこと」が「正しくあること」に勝ってしまうことが多い。そして後から監査担当者や上司に数字の根拠を問われたとき、「AIがそう言ったから」は通用しない。

問題3：ツールが本当に必要な仕事の手前で止まっている

現在市場に出回っているビジネスユーザー向けのAIツールの多くは、データがすでにクリーンで整った状態にあることを前提としている。いわゆるText-to-SQL型のアプローチだ。しかし実際のビジネスユーザーの一日は、さまざまな形式で届くベンダーファイルの処理から始まる。データの前処理を飛ばしていきなりクエリに進むから、デモでは華麗に動くが実運用では使われないツールが量産される。

解決策：AIは「作業を見せる」べきだ

エンジニアがdiffとテスト結果によって信頼を獲得したように、ビジネスユーザーにも自分で理解できる成果物が必要だ。

AIエージェントがデータを処理するとき、その結果はステップバイステップの視覚的なワークフローとして示されるべきである。売上数字がどこから来たのか、日付範囲を変えると何が起きるのか、各変換ステップで何が行われたのかが一目でわかる状態。ビジネスユーザー自身がそのステップを確認し、エージェントがビジネスロジックを誤解している箇所を修正できる。それが本当の意味での「ヒューマン・イン・ザ・ループ」であり、アジェンティックなブラックボックスへの形式的な承認とは異なる。

元記事はこの点を特に強調している。現状の多くのAIワークフローでは、承認ステップが形式的なチェックボックスに過ぎず、ユーザーが実際に処理内容を理解して判断を下せる設計になっていない。信頼とは結果の提示だけでは生まれず、処理の透明性と修正可能性によって初めて成立する、というのが記事の核心的な主張だ。

さらに、こうした処理をガバナンスの効いたプラットフォーム上（既存のアクセス制御下、スケジュール監視付き）で動かすことで、「影のスプレッドシート」問題も縮小していく。ガバナンスを通る経路が最速の経路でもあれば、誰も迂回路を選ばない。データアクセスの申請フローが遅く、使いにくいから迂回が生まれる。解決策は規制の強化ではなく、正規ルートを最も使いやすいルートにすることだ。

6倍の市場がまだ手つかずにある

元記事によれば、モデルのベンチマーク競争を続けても、この問題は解決しない。エンジニアの6倍の人数が、生産性向上の一歩手前で止まったままだ。これらのユーザーを実際のデータに接続し、AIの処理を検査可能な形で提供する。それによってアナリティクスのバックログは解消される、というのが記事の結論である。

※編集部の考察：過去のセルフサービスBI普及の波では、デスクトップツールが1000台のPCにワークフローを分散させ、サイロと技術的負債を10年かけて積み上げた歴史がある。今回のAI活用においても同様の轍を踏まないためには、信頼とガバナンスを最初から設計に組み込む必要があるだろう。「速く広める」より「正しく根付かせる」フェーズに、データ領域のAI活用は今まさに差し掛かっている。

詳細はWhy data work is one step behind on AIを参照していただきたい。