新しいカテゴリが形成されつつあり、まだ確定した名前を持っていません。「AI BI」と呼ぶ人もいれば、「自然言語アナリティクス」と呼ぶ人もいます。私たちは Data Agent に落ち着きました。この記事はその長い理由です。
カテゴリを 1 文で
Data Agent はあなたのデータと共に存在し、ジュニアアナリストのように質問に答えるソフトウェアです：スキーマを理解し、SQL や Python を書き、分析を実行し、グラフを描き、結果を説明します。
BI ツールではありません。ダッシュボードを先に構築することを求めません。
チャットボットではありません。セッション終了時にデータを忘れません。
エージェントです — つまり、エンドツーエンドで作業を行い、各ステップでどのツールを使うかを判断し、重要だと判明したアーティファクトを保持します。
なぜ新しい言葉が必要だったか
過去 20 年間、「データと話す」とは 2 つのことしか意味していませんでした：
1 つ目は 従来の BI — Tableau、Looker、Metabase、Power BI。誰かを雇ってデータをモデリングし、ダッシュボードを構築し、ダッシュボードがたまたま答えてくれる質問を誰かが尋ねるのを待ちます。ダッシュボード が 作業単位です。質問はダッシュボードに暗黙的に含まれています。
2 つ目は コードを書く — DBeaver で SQL、Jupyter ノートブックで Python、ワークブックで Excel 数式。あなたがアナリストです。質問は明示的ですが、答えるには技術的に有能である必要があります。
ほとんどの企業のほとんどの人にとって、どちらの形も合いませんでした。彼らはアナリストではなく、月 1 回しか聞かない質問のために BI 導入を正当化することもできませんでした。実際のワークフローは：スクリーンショットを友人に送り、「これを理解するの手伝ってくれない？」と尋ね、2 日待つ、というものでした。
2023〜2024 年に LLM が良くなったとき、3 つ目の形が一時的に有望に見えました：CSV を ChatGPT にアップロードし、自然な言葉で質問する。単発の質問に対しては、これは真に有用です。しかし、2 つ目の質問には耐えられません。永続性なし、自動化なし、スケジュール実行なし、エクスポートをコピペせずに実際のデータベースを接続する方法なし、「昨日の分析」を今日再利用する方法なし。
足りなかったのは、チャットをインターフェースとし、エージェントを作業者とし、永続性をデフォルトにする カテゴリでした。それが Data Agent です。
Data Agent が BI ツールではしないこと
BI ツールの主動詞は publish（公開する） です。ダッシュボードやレポートを構築し、ユーザーに公開します。作業は前もって、専門家によって行われます。消費者は消費します。
Data Agent の主動詞は answer（答える） です。質問をすれば、その場で作業を行います。前もってのモデリングステップはありません。アナリストを待つこともありません。
これは小さな違いに聞こえますが、下流のすべてを変えます。BI ツールはガバナンス向けに最適化します — 全員が同じ「収益」数値を見ることを保証します。Data Agent はレイテンシ向けに最適化します — 質問に 60 秒以内で答えを返すことを保証します。BI ツールの失敗モードは古さです：ダッシュボードは 6 か月前に誰かが尋ねた質問に答えます。Data Agent の失敗モードは再現不可能性です：火曜日に返した答えは、保存していなければ水曜日に返す答えと異なるかもしれません。
両者は共存します。Tablize は Looker を必要とする企業の Looker を置き換えようとはしていません。スクリーンショットと Slack の DM でデータ分析を済ませているチームの 99% — フィットするツールを一度も持ったことがないチーム — に対して、適切な形になろうとしています。
Data Agent がチャットボットではしないこと
最も単純なテストは 2 つ目の質問です。
ChatGPT に「過去 6 か月の MRR トレンドは？」と尋ねます。Stripe のエクスポートをアップロードします。グラフが返ってきます。素晴らしい。
来月、新しいデータで同じ質問があります。新しいエクスポートをアップロードします。グラフは違います。新しいトレンドを先月のものと比較したいと気づきます。できません。セッションは消えています。グラフは単なる画像でした。分析はなく、出力だけでした。
Data Agent は、分析を永続的なものとして扱うことでこれを解決します。MRR トレンドをレポートとして保存 — 毎月新しいデータで再実行できます。スクリプトとして保存 — 自動実行できます。ウォッチとして保存 — MRR が閾値を下回ったら通知が来ます。ダッシュボードとして保存 — 共同創業者があなたに尋ねずに見られます。
チャットボットは質問に答えます。Data Agent は answer（答え） を構築します — 振り返って参照でき、再実行できる永続的なものを。
実データの問題もあります。ChatGPT はアップロードしたファイル上で動作します。Data Agent はあなたの実際の Postgres、実際の Stripe アカウント、実際の Shopify ストアに接続します。データはあるべき場所にあり、エージェントの方からそこに来ます。
ここでの「エージェント」が実際に意味すること
「エージェント」という言葉は 2026 年に多くの仕事をしており、その大半は誇大広告です。だから具体的に。
Data Agent において、「エージェント」は 3 つの具体的なことを意味します：
エージェントは各ステップで適切なツールを選びます。 質問をすると、決定します：SQL を書く必要があるか、Python を実行するか、ダッシュボードを構築するか、それともすべて？ 単一モデルをラップした単一目的のチャットボットではありません — ツール（SQL 実行、Python サンドボックス、アプリ生成、スケジュールジョブ作成）を持ち、順番に使います。
エージェントはスキーマを読みます。 どのカラムが存在するか教える必要はありません。内省し、テーブルレイアウトを学び、質問が本当に曖昧な場合のみ明確化の質問をします。これが「エージェント的」と「スクリプト化」の違いです — スクリプト化されたシステムは事前にスキーマの宣言が必要です。
エージェントは状態を保持します。 会話の中で、以前に何を尋ねたかを覚えています。同じデータに対する会話を横断して、過去の分析を参照できます。会話ではなく、ワークスペースが記憶の単位です。
エージェントが しない こと、そしてこれが重要です：あなたの承認なしにデータに対して行動しません。SQL を書いて見せます。メールを下書きしてあなたが送るのを待ちます。ウォッチルールを作成し、ライブになる前にレビューさせます。Tablize はこれを Confirmation Center と呼びます — すべての影響のある行動はステージングされ、可逆です。
Data Agent が勝つ場面、勝たない場面
Data Agent が勝つとき：
- チームが小さい（1〜30 人）で、BI 部門がない。
- データが複数の場所にある — スプレッドシート、データベース、API、場合によってはセンサーフィード。
- 質問の大半はアドホック、繰り返される少数は自動で実行され続けるべき。
- 余裕があればジュニアアナリストを雇うところ。
Data Agent が合わないとき：
- 組織全体で施行すべきガバナンスされたメトリック定義を持つ大企業。
- データチームが分析の 80% を自身で書き、より速い IDE が欲しいだけ。
- 仕事が一日中同じ数値を凝視するオペレーショナルダッシュボード — それはまだ Looker の仕事。
- セマンティック層、認定データセット、マーケットプレイスを備えた完全な BI 実装が必要。
Tablize が存在する理由は、データを持つ小規模チームのセグメントが両極端からひどく扱われていたからです。BI ツールは重すぎました。チャットボットは忘れすぎました。エージェントの形はその間に位置し、アナリストを一度も持ったことのないチームのためにアナリストの仕事を行います。
このカテゴリの今後
私たちは早期にいます。おそらく十数のプロダクトが Data Agent の形に本気で取り組んでおり、価値がどこにあるかについて異なる賭けをしています — 一部は NL-to-SQL に傾き、一部は AutoML に、一部は生成アプリに、一部は IoT と物理世界のデータに。Tablize の賭けは keep ループ です：差別化要因はチャット面ではなく、チャットの 後 に起こることです — 良い回答をレポート、スクリプト、ダッシュボード、ウォッチ、小さな生成アプリに変えて、仕事が複利で積み上がるように。
「データのための AI」の中で、2 番目の質問、3 番目の質問、月曜日朝 9 時を永遠にやってくれるバージョンを待っていたなら — 自分のデータで Tablize を試してください。無料です。最初の答えは 1 分以内に返ってきます。
関連記事：