AIエージェントは「信頼」と「コスト」で選ばれる、Google Cloud・KDDI・MBKデジタルが示すデータ基盤の条件
公開:
「何ができるか」を競う AI エージェントの議論は、もう終わりにしなければならない。
Google Cloud の「Data & AI Summit '26 Fall」の基調講演「Agent-Ready 2.0 ー 理論から実践、その先へ」で、Google Cloud の濱田真氏はこう語った。AI エージェントを本気で業務に組み込むとき、データ基盤に求められるのは「正しく、信頼でき、管理できるコストで動くこと」だという。KDDI の山中雅貴氏は Gemini で広告データの集計作業を94%短縮した事例を、MBKデジタルの岩尾一優氏は業務要件から逆算し、試算で AI の利用料を約88%抑えられる構成を選んだ事例を紹介し、Google Cloud の山田雄氏は、コンテキストを整えることで軽量なモデルのまま業務の正解率を29%から95%に高められることを、デモと社内ベンチマークで示した。
この記事の要点
- データ基盤の役割は、分析の答え合わせ(System of Insight)から、業務そのものを支える基盤(System of Action)へ変わる。鍵は、正しさを担保するコンテキスト(セマンティックとオントロジー)だ
- KDDI は Knowledge Catalog に社内用語の定義を入れて Gemini で集計を5分に、MBKデジタルは業務要件から逆算してモデルと処理方式を選び、AI の利用料と人の工数を減らした
- コンテキストを整えれば、軽量なモデルでも高い正解率と低いコストを両立できる。AI エージェントは機能ではなく、業務システムとしての「信頼」と「コスト」で選ばれる段階に入った
目次
Google Cloud は2026年11月18日、データと AI をテーマにしたイベント「Data & AI Summit '26 Fall」を Google 渋谷オフィスとオンラインで開いた。75分の基調講演「Agent-Ready 2.0 ー 理論から実践、その先へ」には、Google Cloud 執行役員 データクラウド事業本部の濱田真氏、KDDI の山中雅貴氏、MBKデジタルの岩尾一優氏、Google Cloud の山田雄氏らがリレー形式で登壇した。
Google Cloud 執行役員 データクラウド事業本部の濱田真氏
データ基盤は「System of Insight」から「System of Action」へ
濱田氏はまず、タイトルの「Agent-Ready、理論から実践へ」は、半年前の春の Data & AI Summit とあえてまったく同じにしたと明かした。言いたいことが「理論から実践へ」だからだという。AI エージェントを本気でワークフローに組み込むために何が必要なのかを、データの視点から伝えたいと述べた。
前提として濱田氏が挙げたのは、皆さんの視点で見れば LLM(大規模言語モデル)や基盤モデルは「コモディティ」だということだ。Google 自身は今後もモデルに大きな投資を続けるが、この「最強のコモディティ」を各社の業務プロセスや価値につなげる翻訳をするのはデータであり、データが第一だという。
そのうえで濱田氏は、データ基盤の役割が、分析(答え合わせ)のための「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」へ変わると強調した。この日、Google Cloud の社員が着ていたスウェットの背中には「Don't Just Analyze」と書かれていたという。役割が変われば、システムに求められる要件も大きく変わる。Google Cloud はこの要件を7つに整理している。
分析のための基盤から業務インフラへ。Google Cloud が整理した7つの要件
知識層、データを動かさない、コスト全体で考える
濱田氏は7つの要件のうち、特に重要な3つを取り上げた。
① 正しく、信頼できること
AI エージェントが業務に入るとき最も重要なのは、正しく信頼できること、しかもそれを将来にわたって担保できる仕組み。それを司るのが知識層(コンテキストレイヤー)だ。
② データを動かさない
他のハイパースケーラーや SaaS にあるデータも、Google Cloud に移さず、コンテキストレイヤーを通して AI エージェントとつなげる。大がかりなマイグレーションを前提にしない。
③ コストを全体で考える
トークンエコノミクスの議論をモデルのレイヤーにとどめず、AI エージェント時代のクラウドのコスト全体で考える。
1つ目の知識層について、濱田氏はセマンティックとオントロジーという2つの考え方を説明した。セマンティックは、売上や利益をどう計算するかを定めた「計算機」「公式集」。オントロジーは、業務の地図やルール、行動規約にあたり、現場の人の頭の中にある知恵をエージェントに理解させるため、実体どうしのつながりを定義する。作って終わりではなく、誰がどう運用し続けるかに取り組み始めた企業も少なくないという。
3つ目のコストについて、濱田氏は2つの観点を示した。1つは、コンテキストを整えると、正しさだけでなくトークンの消費量にも圧倒的な差が出ることだ。スライドでは、軽量なモデルに Knowledge Catalog でコンテキストを整えたエージェントと、業界最高水準のモデルを使いながらコンテキストが整っていないエージェントなどを比べていた。
| エージェント | 構成 | タスク成功率 | トークンコスト |
|---|---|---|---|
| Agent A | 軽量モデル(Gemini 3.1 Flash Lite)+ Knowledge Catalog | 97% | 0.33ドル(基準) |
| Agent B | 軽量モデルのみ(従来のメタデータ) | 56% | 0.42ドル(1.27倍) |
| Agent C | 業界最高水準のフロンティアモデル(従来のメタデータ) | 87% | 8.28ドル(25倍) |
※スライド「Tokenomics 時代に コンテキストレイヤーに取り組む経済的価値」をもとに編集部が整理
データ整備に着手すれば、安価なモデルでも高精度なアウトプットと低コストを両立できる
もう1つは、AI エージェントがヒットするデータ基盤側のコストだ。濱田氏によると、Google Cloud は業界に先んじて、約半年前からデータ基盤に秒単位の課金を導入している[1]。インフラから垂直統合で持っているからこそできる最適化で、既存の基盤のコストを下げるだけでなく、人ではなくエージェントが1秒に何百ものクエリを投げてくる時代になったとき、大きな TCO(総所有コスト)の差になるという。スライドでは、国内の導入企業で既存のデータ基盤から39.9〜88.0%のコスト削減を実測した例が示された。
国内導入企業の既存データ基盤からの削減実測値(大手消費財 −88.0%、大手小売 −63.8%、大手ヘルスケア −59.6%、大手DXクラウド −57.6%、大手SI −48.0%、大手SNS −39.9%)
デモ:Gemini エージェントが借換ローンの施策を一気通貫で
「理論じみた話が続いた」として、濱田氏はデモ動画を流した。前提となるのは「Gemini エージェント」だ。スキルやコンテキストレイヤーと連携しながら、従業員一人ひとりにとって唯一の窓口のエージェントとなり、その先のマルチクラウドやマルチモデルを利用者が意識せずに業務を回せる、という世界観だという。
単一の統合エージェント層が、マルチクラウドとマルチ LLM を横断して制御する
デモは、架空の銀行「さくら未来銀行」が借換ローンの施策を進める想定で、データ推進部からマーケティング部門へと仕事が引き継がれていく流れを描いた。
- データ推進部が Gemini エージェントに頼むと、Knowledge Catalog を使って、BigQuery の7テーブルと Apache Iceberg の3テーブルをデータ移動なしで結ぶリネージ図を自動で作る。ビジネス用語集には借換の適格基準や実質年率の計算式など10個の標準定義がひもづいている
- Managed Spark で BigQuery と Iceberg をゼロコピーで結合し、適格顧客6万5,458人、年間65.3億円の削減ポテンシャルを試算。提案金利を6.9%から4.9%に下げると、1人当たりの削減額12万3,891円、総額81.1億円に即座に再計算される
- 成約しそうな顧客を予測する Spark XGBoost のモデルを作り、過去約39万件で検証して ROC-AUC 0.855、上位10%の成約精度86.9%を確認。モデルは Knowledge Catalog に登録して全社に公開する
- マーケティング部門の担当者は、SQL を書かずに大阪府の上位6,000人を抽出。配信同意や銀行広告の表示ルールなど9項目の検証も自動で通り、広告バナーと案内メールまで用意される
- 配信1週間後の効果測定では、承認済みのクエリテンプレートでライブダッシュボードを呼び出す。成約728件、実行総額5.39億円、成約までの日数の中央値4日。承認済みの SQL を直接実行するので、推論のトークン消費はゼロ。東大阪市に絞り込んでも LLM の再推論は走らない
デモの画面。BigQuery と Apache Iceberg をゼロコピーで結合し、提案金利を切り替えると削減額が再計算される
都市別に絞り込んでも LLM の再推論は走らない(画面は東大阪市:配信605件から成約69件、成約までの日数の中央値5日)
KDDI:広告データの集計を1.5時間から5分へ
最初のゲストとして登壇した KDDI の山中雅貴氏は、au、UQ mobile、KDDI ビジネスといった事業ブランドのコミュニケーション全体を統括している。テーマは「広告データ分析の変革」だ。
KDDI株式会社 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
山中氏はまず、広告メディアが多種多様になっている現状を、KDDI の調査データで示した。KDDI は広告を、認知ではなく「広告想起」(お客さまの記憶にどこまで残せたか)で評価している。どのメディアで想起したかを比べると、テレビだけの層が減り、Web が伸びていた。
| 広告想起の内訳 | 2022年調査 | 2025年調査 |
|---|---|---|
| TV のみ | 55.4% | 44.7% |
| WEB のみ | 3.1% | 13.1% |
| TV × WEB | 12.2% | 14.8% |
| 合計 | 70.7% | 72.7% |
出典:KDDI 調べ(スライド「コミュニケーションを取り巻く環境」)。編集部が表に整理
広告想起の内訳。テレビのみが減り、Web が伸びた(出典:KDDI 調べ)
KDDI は広告実績、検索量や SNS の話題量、10年間続けて毎週実施している意識調査、競合の情報の4つを組み合わせて効果を評価している。分析の体制も整えてきた。2019年にオン・オフのメディアを統合して分析する MMM(マーケティング・ミックス・モデリング)と BI ツールを導入し、2021年に調査・分析の専門チームを設置、2023年には「データコンサル」チームへ改称して、分析集団から課題解決集団への転換を目指した。
ところが、依頼する側のデータリテラシーが上がるほど「このデータも見たい」という個別の集計依頼が増え、データコンサルの担当者は集計作業に追われるようになった。分析の流れを見直すと、データの収集・加工が作業時間の7〜8割を占めていたという。
そこで KDDI は Google Cloud と、Gemini を窓口にしたデータ分析の環境を作った。Gemini に自然言語で指示すると、BigQuery でデータを加工・集計し、Cloud Storage の各種データも使って答える。社内の用語集や付随情報は Knowledge Catalog に入れた。依頼する側も専門用語なしで使えるようにすることにこだわったという。これまで1案件あたり約1.5時間かかっていた集計作業は、トライアルで5分になった。94%の削減だ。
各担当者からデータコンサル担当者への集計依頼は1.5時間。Google Cloud の仕組みで5分になった
山中氏は、時間が短くなっても精度が悪ければやり直しになると述べ、重要だったのは Knowledge Catalog だと強調した。たとえば社内でよく使う「パーセプション」という言葉は、いろいろな意味に取られかねない。そこで「ブランドを認知している回答者における、各情緒・機能イメージの保有者」という概要と、「各情緒・機能イメージ設問で『保有』と回答した人の割合」という集計定義をきちんと入れておく。そうすれば、自然言語で聞いても集計を間違えないという。
社内用語「パーセプション」の概要と集計定義を Knowledge Catalog に入れる
本当に AI は賢いです。ただ、正しい活用や正しい結果を出すには、ナレッジカタログのような泥臭い土台づくりが本当に重要だと思っています。
浮いた時間で、データコンサルの担当者は体験やインプット、深く考える時間を持てる。数字を出す人・見る人で終わらず、マーケティングを導くコンサルタントになっていける、と山中氏は展望を語った。濱田氏は、事業会社の立場から、ナレッジやコンテキストの整備が肝だと示してもらえたと応じた。
MBKデジタル:業務要件から逆算する「AI Economics」
続いて登壇したのは、三井物産グループで企業のデータと AI の活用を戦略から実装まで支援する MBKデジタルの執行役員 CTO、岩尾一優氏だ。AI エージェントを作るハードルは下がった一方で、PoC を超えられる企業とそうでない企業がある。岩尾氏は、本番導入を進めるための考え方「AI Economics」を、実際に本番導入した2つの事例で説明した。
株式会社MBKデジタル 執行役員 CTO / AI・データ事業本部 事業本部長の岩尾一優氏
岩尾氏によると、AI の実装が進むいま問われるのは「実際にペイするのか」だ。品質、応答時間、費用の3つの観点のうち、PoC では品質と応答時間に目が行きがちだが、本番でペイするかを考えると費用が非常に重要になる。そして、最も高性能なモデルが常に最適解とは限らないという。
事例1:大手インフラ企業の VoC 分析
大量の問い合わせ音声を、Gemini で文字起こしし、DLP で個人情報を除き、分類・要約して月次の傾向を分析する案件だ。分析対象は数年分、100万件超の通話。1件あたりの費用が全体に大きく効く。一方で、分析は月次なので即時性は要らず、すべてを完璧に処理する必要もない。85%以上が文字起こしと個人情報の除去を経て保存されればよく、問題があったものは隔離して分析に使わない、という条件だった。
当初は Gemini 3.5 Flash の通常の API を使う予定だったが、それでは予算を大きく超える。そこで、24時間以内の処理と引き換えに費用が半分になる Batch API や、より軽量な Flash-Lite でも条件を満たせるのではないかと仮説を立て、サンプリングで実測した。どちらも必要な保存率を満たしたため、3.5 Flash-Lite を Batch で使う構成を選んだ。基準とした構成に比べ、AI の利用料を約88%削減できたという(888通話の実測トークン量に基づく試算)。
構成別の料金試算。採用した 3.5 Flash-Lite(Batch)は基準の約0.12倍
事例2:株主総会の回答支援 AI
こちらは速さと確実性の両方が求められる。当日に AI が回答を生成するとハルシネーションのリスクがあるため、事前に約2,000問の想定問答を用意し、当日は承認済みの Q&A だけを5秒以内に検索して示す。ただ、想定問答づくりは30部門からデータを集める大変な作業で、作成、レビュー、修正、部門をまたいだ再レビューを繰り返し、最終承認まで1〜2か月かかっていた。
MBKデジタルは、AI が資料をもとに Q&A を生成し、生成したのとは別のモデルが採点する仕組みを入れた。原稿に沿っているかに加え、過去の株主の質問や直近のプレスリリースから「本番で聞かれそうか」も評価する。必要な箇所だけを再生成・再評価し、最後の確認と承認は人が担う。人の往復作業を大幅に減らしながら、品質確認の工程は維持できたという。
VoC 分析
100万件超の通話を月次で分析。必要な保存率を満たす Flash-Lite と、即時性が不要なので Batch を採用。最適化の軸は AI の利用料。
株主総会の回答支援 AI
約2,000問を事前に準備し、当日は承認済みの Q&A だけを検索。生成と評価は AI、最終判断は人。最適化の軸は人の作業工数。
AI の利用料と人の工数を含め、費用対効果で判断する
岩尾氏は、AI Economics の視点では AI の利用量だけでなく人の工数も含めて費用対効果が得られるかを見るべきだとし、自社の業務で業務要件を定義し、AI と人の分担を整理し、費用対効果を計算してみてほしいと呼びかけた。この日の午前中には、MBKデジタルが担当するハンズオンも開かれ、BigQuery のエージェントや Knowledge Catalog で精度を高めつつ、Cloud Trace でトークンの使用量やコストを確かめる内容だったという。
濱田氏は、トークンエコノミクスという言葉よりさらに広く、エージェント時代の AI エコノミクス全体をどう捉えるかという視点だとまとめた。
SOAP アーキテクチャで「3つの壁」を越える
最後に登壇した Google Cloud の山田雄氏は、「では明日から何を始めればいいのか」に答えるリファレンスアーキテクチャとして、「SOAP アーキテクチャ」のさわりを紹介した。
Google Cloud データ アナリティクス スペシャリスト テックリードの山田雄氏
山田氏は、AI エージェントが PoC から先に進まないとき、多くの企業が3つの壁に当たると指摘した。
① 現場への定着
コンテキストがないまま作ったエージェントはハルシネーションが多く、経営層などが使って「使えない」と感じてしまう。
② System of Action
見るだけでなく、行動を起こさせるエージェントでなければ、毎日使われない。
③ Token Economics
今後1年で、ほぼ全員が毎日エージェントを使うようになる。コストをどう抑えるかが重要になる。
続くデモでは、AWS の S3 上にある Apache Iceberg の注文テーブルと、BigQuery の商品・物流マスタを、データを移さずに直接つないだ環境で、同じ質問を2つのエージェントに投げた。7つの物理テーブルを生のままつないだエージェントは、50秒以上かけて、正解より6,000ドル以上高い誤った利益を返した。50ドル以上の注文で会社が負担する送料8.50ドルの控除ルールが抜け落ちていたためだ。一方、BigQuery Graph で実体の正しい結合経路をオントロジーとして固定し、Knowledge Catalog のコンテキストセットで送料の負担ルールや優良顧客の離反の基準を渡したエージェントは、19.7秒で正しい答えを出した。
| 比較項目 | 生データに直結 | SOAP(オントロジー+コンテキスト) |
|---|---|---|
| 応答時間 | 50.4秒 | 19.7秒(2.5倍高速) |
| ジーンズの実質営業貢献利益 | 4万7,197ドル(誤答) | 4万1,027ドル(送料規定 −8.50ドルを正しく適用) |
| SQL の試行回数 | 9.5回 | 1.1回 |
| 消費トークン | — | 67.3%削減 |
| 業務の正解率(軽量モデルのまま) | 29.0% | 95.0% |
※スライド「結果:精度・速度・コストを同時に達成」をもとに編集部が整理。応答時間・利益・トークンは実機デモの実測値、正解率は Google Cloud 社内ベンチマーク(5タスク×20回=100試行)の平均
鍵はモデルのサイズではなく、推論を接地させる「オントロジーとコンテキストの質」
山田氏は、良いモデルを使えば正解率は上がるが、コストパフォーマンスが合わないと指摘した。スライドでは、ハイエンドな推論モデルに切り替えても正解率は35〜37%にとどまり、コストは113〜192倍に膨らむ一方、軽量モデルのまま SOAP を使えば正解率95.0%、コストは0.33倍になると示した。毎日100回、1,000回と使われる場面で毎回ハイエンドなモデルを使うのは厳しく、軽量なモデルにコンテキストレイヤーを付けて正解率を上げる方法を勧めた。
「+8pt に100倍払うか、モデルを変えずに +66pt を取るか」
SOAP アーキテクチャの特徴は3つある。Borderless Lakehouse で、AWS や Azure のデータを BigQuery に移さずに直接見られる「つなぐ」。Knowledge Catalog でコンテキストを集め、充実させる「意味を与える」。BI のダッシュボードやエージェント、Claude Desktop など、使い慣れた画面から同じコンテキストとデータを使える「働かせる」だ。現場に定着させるためには、UI を変えずに Slack や Teams など普段の道具からエージェントを使えるようにすること、継ぎはぎせず垂直統合で作ること、作った瞬間から古くなるコンテキストを運用し続けることが大事だという。詳しい実装方法は、この後の Track 1 のセッションで山田氏自身が解説した。
山田氏は、SOAP アーキテクチャの実装方法やコンテキストエンジニアリングの進め方は、この後の自身のセッション(Track 1)で紹介するとして、パートを締めくくった。そのセッションは「AIエージェントは「初日の新入社員」 Google Cloud 山田氏が説く、データを動かさない「SOAP」アーキテクチャとコンテキスト運用」で詳しく紹介している。
機能ではなく、「信頼」と「コスト」で選ばれる段階へ
最後に濱田氏は、基調講演全体のポイントを3つにまとめた。
1つ目は、AI エージェントの議論のあり方だ。この1年、1年半は「何ができる、あれができる」という話が続いてきたが、濱田氏はこれを市場として止めなければならないと訴えた。
業務システムなので、業務システムを選ぶときに、機能要件では選ばれないはずです。機能要件はできて当たり前。それをいかに業務品質で正しく、信頼できるものとして、管理可能なコストで実現できるかが、いま一番重要になってきています。
2つ目はコストだ。トークンエコノミクスという言葉が指すトークンやモデルのコストは一部にすぎない。コンテキストの整備をもとにトークンの消費量を抑え、その先でヒットするデータ基盤のコストも適正にする。そこまで含めた AI 全体のエコノミクスと、予算の考え方そのものを見直す時期に来ているという。
3つ目は、データを動かさずに済むようになったことだ。濱田氏は、日本では「Google はいいけれど、うちのデータは全部 AWS や Azure にある」という会話が非常に多かったが、それが今は圧倒的に解決されていると述べた。マイグレーションや統合という手段が目的化しないだけでなく、業務課題と業務価値を起点にデータと AI の議論ができる技術的な素地が整ったことが本質だという。
AI エージェントを業務に入れる段階では、機能の多さではなく、正しさを支えるコンテキストと、モデルからデータ基盤までを含めたコストが問われる。そのための土台を、データを動かさずに整えられるようになった。
濱田氏は、この日のキーワードを掘り下げるブレイクアウトセッションを、Google Cloud、パートナー企業、そしてユーザー企業の登壇で18本用意していると案内し、基調講演を締めくくった。
登壇者
執行役員 データクラウド事業本部
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
執行役員 CTO / AI・データ事業本部 事業本部長
データ アナリティクス スペシャリスト テックリード
開催概要
| イベント | Data & AI Summit '26 Fall(主催:Google Cloud) |
|---|---|
| 開催日 | 2026年11月18日(水) |
| 会場 | Google 渋谷オフィス+オンライン配信 |
| セッション | 【基調講演】Agent-Ready 2.0 ー 理論から実践、その先へ |
| 登壇 | 濱田真氏(Google Cloud 執行役員 データクラウド事業本部) 山中雅貴氏(KDDI株式会社 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) 岩尾一優氏(株式会社MBKデジタル 執行役員 CTO / AI・データ事業本部 事業本部長) 山田雄氏(Google Cloud データ アナリティクス スペシャリスト テックリード) |
出典:Data & AI Summit '26 Fall 公式ページ
References
- Google Cloud「BigQuery release notes」(2026年6月3日:BigQuery fluid scaling, which provides per-second billing with no minimum duration for autoscaling reservations, is generally available). https://docs.cloud.google.com/bigquery/docs/release-notes(参照 2026-11-19)
Data & AI Summit '26 Fall のほかのレポート
- 【総括】AI エージェントに任せる前に、データに「意味」を Google Cloud と登壇10社が示したデータ基盤の条件
- 【Track 1】AIエージェントは「初日の新入社員」 Google Cloud 山田氏が説く、データを動かさない「SOAP」アーキテクチャとコンテキスト運用
- 【Track 1】キリンビール営業部門、商談の質問に AI でその場で回答 BigQuery と Looker で約12週間で本番へ
- 【Track 1】三菱ケミカルが M365・AWS・ServiceNow を Google Cloud でつなぎ、ヘルプデスクを自律化
- 【Track 1】Google Cloud が示すエージェントのデータ基盤、BigQuery と Knowledge Catalog の役割
- 【Track 2】メルカリが dbt platform へ移行、AI エージェントでデータ基盤の運用を自律化
- 【Track 2】G-gen が検証、BigQuery に表と列の説明と業務用語を書くと AI の正答率は17%から100%に
- 【Track 2】LegalOn Technologies、Agent Skill で現場にデータ基盤を渡し「構造」で守る運用
- 【Track 3】Google Cloud が解説、BigQuery と Iceberg の使い分け 4つのテーブル形式と3つの連携パターン
- 【Track 3】ダイニーが AI エージェントを社内向けと社外向けで設計し分ける理由、誤答の影響で「LLM に任せる範囲」を決める
- 【Track 3】Google Cloud が語る「見る BI」の先 Looker で AI と会話し、作らせ、エージェントから使う
- 【Track 3】Google Cloud が提言、AI エージェントから本番 DB を守る「サービング DB」と3つの設計要件
- 【Track 3】MIXI が Looker の会話分析をサブエージェントに、アナリストが自ら育てる「モンスト」の社内分析 AI
本イベントのほかのレポートも公開しています
この記事では基調講演を取り上げました。ほかの12本のレポートは、上の一覧からご覧いただけます。(trends. 編集部)









