7月17日、George Lawtonが「How Agentic AI Amplifies Data Management Challenges」と題した記事を公開した。この記事では、AIエージェントが既存のデータ管理上の課題をどのように悪化させ、新たな問題を生み出すかについて詳しく紹介されている。以下に紹介する。

「ダッシュボードで気づけた誤りが、秒単位で12システムに伝播する」

AIエージェントが従来のデータ品質問題に対して何が違うのか。その本質はエラーの伝播速度と規模にある。

ダッシュボードに誤った数値が出れば、データアナリストが朝会の前に気づける。だがAIエージェントが同じデータを自律的に分析し、数秒以内に十数のシステムにわたって行動を起こした場合、エラーを捕捉する窓口は瞬時に閉じる。記事ではこの構造的なリスクを軸に、7つの課題が整理されている。

課題1：データ品質——「ガベージエージェント」の量産

デジタルトランスフォーメーションコンサルティング企業SutherlandのCIOであるDoug Gilbertは、データ品質の低さがAIプロジェクト失敗の主因だと指摘する。

「基盤データが不完全・非一貫・陳腐化・バイアス含み・ガバナンス不在の場合、リスクは出力品質の低下にとどまらない。クリティカルなビジネスアプリケーションで、マシンスピードのカスケード障害を引き起こす」

ITコンサルティング企業BridgenextのVP・データ責任者Dan Federoffは、AIエージェントは不正なデータに対して疑問を呈したり拒否したりしないと警告する。データ管理界隈では「garbage in, garbage out」の変形として「garbage data, garbage agents」という表現が広まっている。

対策として挙げられているのは以下の点だ。

• **マスターデータ管理（MDM）**をオプションではなく基盤として位置づける（ただし技術的複雑さとコストは依然高い）
• データパイプライン内にデータオブザービリティとクオリティゲートを組み込む（事後監査ではなく事前制御）
• 標準化されたプロンプト設計とエンジニアリングガードレールを整備する

データサイエンティストのRosaria Silipoは「エージェントの信頼性は、推論に使うデータの質と同水準にしかならない。それは今も人間の責任だ」と述べている。

課題2：データガバナンス——エージェントは既存の穴を拡大する

AIエージェントの登場以前から、多くの組織はデータガバナンスの整備に苦慮してきた。エージェントはその未解決の問題を加速させる。エージェントが自律的に意思決定し、外部システムへ書き込みや連携を行う場合、どのデータをどの権限で使ったかの追跡（データリネージ）が人手では追いつかなくなる。

記事では、ガバナンスの欠如が特にマルチエージェント構成で深刻化すると指摘されている。複数のエージェントが互いの出力を入力として連鎖的に処理する場合、上流エージェントのガバナンス違反が下流全体に波及する。Federoffは「エージェントにデータポリシーを理解させるのではなく、ポリシーをデータ基盤に埋め込まなければならない」と述べており、ガバナンスをシステムではなくデータレイヤーで実装するアプローチが推奨されている。

課題3：コンテキストとセマンティクスの欠如

GartnerのアナリストであるRita Sallamは、2026年5月のGartner Data & Analytics Summit（ロンドン）で次のように述べた。コンテキスト層——メタデータと共有セマンティクスに基づくデータの関係性・ルールの明示——がなければ、エージェントは「幻覚を起こし、バイアスを持ち込み、信頼できない結果を生み出す可能性がはるかに高まる」。

Gartnerの予測では、2027年までに統一セマンティクスを優先した組織は、そうでない組織と比較してエージェントの精度を最大80%向上し、運用コストを最大60%削減できるとされている。この数値はSummit登壇発言に基づくものであり、前提条件として「セマンティクス統一への組織的投資を優先した場合」が明示されている点に留意されたい。Sallamはセマンティクスへの投資を「交渉の余地のない基盤」と表現し、規制当局がエージェントの使用するセマンティクスの透明性を要求するようになると予測している。

課題4：エージェントのデータアクセス制御

データセキュリティプラットフォームImmutaのCTOであるSteve Touwは、従来のIDとアクセス管理（IAM）のアプローチはエージェントAIに対してスケールしないと指摘する。

エージェントの「認証（誰か）」を証明するだけでは不十分で、本質的な問題は「認可（何にアクセスできるか）」のリアルタイムガバナンスだという。数百〜数千のエージェントが異なる権限レベルを持つユーザーの代理で動作する場合、静的なロールでの手動管理は不可能になる。

「アクセスの門番から、アクセスのオーケストレーターへ移行しなければならない」

Touwが推奨するのは、セキュリティポリシーをデータストレージ層から切り離すことだ。抽象的な認可層を設けることで、エージェントがどのシステムからデータを引き出す場合でも、データマスキングや行レベルセキュリティといったきめ細かな制御を自動的に適用できるようになる。

課題5：データバイアス——セッション履歴そのものが汚染源になる

ソフトウェアベンダーZenityのAIセキュリティ・ガバナンスディレクターRock Lambrosは、エージェントのバイアス問題に独自の観点を示している。エージェントのセッション履歴自体をデータ管理問題として扱う必要があるというのがその主張だ。

Lambrosが実際に目撃したケースとして、エージェントが「1時間前にプロセスが失敗した」という履歴を理由に有効なデータソースをスキップし、不完全なデータのみを参照して自信を持った回答を生成した事例が紹介されている。過去の失敗体験が正常なデータ取得を妨げるという、人間の認知バイアスに近い現象がエージェントでも起きうる点が重要だ。対策は、定期的なセッションリセットと、エージェントが読み込む全アーティファクトへの出所メタデータの追跡だ。

課題6：非構造化データ——コンテキストの宝庫が管理の盲点になる

AIエージェントは、構造化データだけでは得られないコンテキスト情報を非構造化データ（メール、議事録、契約書、音声など）から取得しようとする。これ自体はエージェントの強みでもあるが、多くの組織ではそもそも非構造化データの所在・分類・品質管理が追いついていないという根本的な問題がある。

エージェントがガバナンスされていない非構造化データを参照した場合、機密情報の漏洩や誤情報に基づく意思決定のリスクが高まる。推奨されているのは、構造化・非構造化データを統一的にガバナンスできる**データレイクハウスの導入と、エージェントによる誤用防止のための大規模なデータ分類**の整備だ。非構造化データをエージェントに「触らせる」前に、まずどこに何があるかを組織が把握することが前提となる。

課題7：データ統合——一方向パイプラインの前提が崩れる

従来のデータ統合は「ソース→データウェアハウス」という一方向パイプラインを前提としてきた。だがエージェントはその前提を根底から変える。SHI InternationalのDavid DuCheneは「エージェントは統合データを消費するだけでなく、新たなデータを生成し、潜在的な関係性を発見し、エンリッチされたコンテキストをデータ資産に書き戻す」と説明する。

この変化は、パイプライン設計の刷新を求めるだけでなく、書き戻されたデータの品質・出所・権限管理という新たなガバナンス課題を生む。統合は双方向かつ継続的になる必要があり、エンタープライズ全体を一括で変革しようとするより、ドメイン単位のアプローチが「数年ではなく数週間でビジネス価値を見つける」うえで有効だとしている。

記事全体を通じて強調されているのは、AIエージェントは既存のデータ管理の弱点を隠蔽するのではなく、加速・拡大させるという点だ。データ品質、ガバナンス、セマンティクス、アクセス制御、バイアス管理——これらの基盤が整っていない組織では、エージェントは生産性の孤島にとどまり、エンタープライズ規模の価値創出には至らないと筆者は結論づけている。

詳細はHow Agentic AI Amplifies Data Management Challengesを参照していただきたい。