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
公開:
AIエージェントが誤った数字を返すのは、モデルが小さいからではない。組織の「暗黙知」を渡していないからだ。
Google Cloud の「Data & AI Summit '26 Fall」で、Google Cloud の山田雄氏は、データを移さずに AI エージェントへ業務知識(コンテキスト)を渡すためのリファレンスアーキテクチャ「SOAP アーキテクチャ」を解説した。セマンティックとオントロジーの違いから、肥大化した SKILL.md を Knowledge Catalog に移してトークン消費を83.6%減らすデモまで、コンテキストを「作って、保ち続ける」ための考え方と道具を紹介した。
この記事の要点
- コンテキストを持たない AI エージェントは「初日の新入社員」と同じ。分からない部分をもっともらしい推測で埋め、気づかれない誤答を生む
- 数字の計算ルールを持つセマンティックと、実体のつながりと行動の規約を持つオントロジーは役割が違い、両方をそろえる必要がある。スキルには手順だけを書き、データの意味は Knowledge Catalog に集める
- コンテキストは作った瞬間から古くなる。小さく始め、Knowledge Studio などで集める・充実させる・検証する・人が承認する、のループを回し続ける
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。Track 1 の最初のブレイクアウトセッションに登壇したのは、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だ。テーマは「データ移行なしで AI へ繋ぐ『SOAP』アーキテクチャ ─ オントロジーによるコンテキスト最適化とトークン消費の抑制」。山田氏は、AI エージェントが業務で信頼されるために必要な業務知識の整え方と、その運用の仕方を、3部構成で解説した。
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
山田氏は同じ日の基調講演でも、SOAP アーキテクチャの概要を紹介している。基調講演の内容は「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」にまとめた。
AIエージェントは「初日の新入社員」
山田氏はまず「新入社員のパラドックス」を取り上げた。新しく入った社員は、会議に出たり、先輩の話を聞いたり、社内のドキュメントを読んだりしながら、仕事の進め方や分析のやり方を身につけていく。山田氏は「まさにそれがコンテキスト」だと述べた。コンテキストを与えられていない AI エージェントは、SQL は上手に書けても、それを業務でどう使えばよいかが分からない。分からない部分は「もっともらしい推測」で埋めてしまい、気づかれないハルシネーションにつながるという。
新入社員はファイル・会議・メンターなど6つの源泉から組織の暗黙知を学ぶが、AI エージェントにはデータしかない
そのうえで山田氏は、企業が AI エージェントを使いこなすうえでぶつかる壁を2つ挙げた。
① 移行の壁
他のクラウドや部門ごとの DWH に散らばったデータを、まず全部移してから AI に取り組もうとすると、移行だけで1〜2年が過ぎてしまう。
② 定着の壁
データをつないでも、物理カラム名だけでは社内用語や会計上の除外ルールが分からない。もっともらしい SQL で誤った経営数値を出し、信頼を失う。
山田氏は、メタデータの運用でさえ定着は難しく、コンテキストレイヤーになるとさらに複雑になると指摘した。セッションは、概念の整理、製品との対応と SOAP アーキテクチャ、運用のデモの3部で進んだ。
「移行の壁」と「定着の壁」、そしてセッションの3部構成
セマンティックは「公式集」、オントロジーは「業務の地図」
Google Cloud は、セマンティックレイヤーとオントロジーに加え、用語集、ユーザーがプロンプトに打ち込んだ対話ログ、日々流れる SQL のログまでを含めて「コンテキスト」と捉えている。山田氏は、どれか1つがあれば足りるわけではなく、それぞれを分けて整えることが必要だと述べた。
セマンティックとオントロジーの違いを説明する山田氏
中核になる2つの層について、山田氏が示した違いは次のとおりだ。
| 比較項目 | セマンティックレイヤー | オントロジー |
|---|---|---|
| たとえ | 計算機と公式集 | 辞書・業務地図・行動規約 |
| 答える問い | 売上や粗利はどう計算するか | 実体は何で、どうつながり、何をしてよいか |
| 例 | 税込か税抜か、クーポンの割引や返品をどう反映するか | 顧客が注文し、注文が発送され、在庫がなければ発送されない |
| 主な標準 | LookML、dbt MetricFlow、OSI、SQL | OWL、RDF |
| それだけだと | 数字は出せるが動けない | 動けるが計算を誤る |
※スライド「Semantic と Ontology の定義 ― 何が違うのか?」と講演の内容をもとに編集部が整理
山田氏は、人は「顧客が注文する」という順番をなんとなく理解しているが、AI エージェントは教えなければ分からず、逆向きにひもづけてしまうこともあると説明した。関係の向きと意味まで定義するのがオントロジーの役割だ。
コンテキストは AI に渡す業務知識の総称。中核を成すのがセマンティックとオントロジーの2層だ
両方がそろうと、エージェントはどう動くのか。山田氏は「荷物の到着が遅れています。返金を受けられますか?」という問い合わせを例に示した。
① Ask(受け付ける)
自然言語の問い合わせを受け、エージェントが利用者の意図をつかむ。
② Reason(オントロジー)
「遅延が10日を超え、かつ金額が3,000円未満なら返金できる」といった社内ルールを取り出す。
③ Compute(セマンティック)
定義済みの計算式と結合の経路に沿って、BigQuery で実際の遅延日数と注文金額を計算する。
④ Act(実行する)
条件を満たせば、決済用の MCP を通じて返金を実行する。
スライドでは、金額が6,800円であれば制約違反として自動で止め、人間の承認に回す例も示された。山田氏は、こうした層がなければすべてを AI の推論に頼ることになり、ハルシネーションを起こしやすいと述べた。
返金の問い合わせを、Ask・Reason・Compute・Act の4段階で処理する例
「スキルに全部書けばいい」の落とし穴
「それなら全部スキルに書けばよいのでは」という疑問に対し、山田氏は役割の違いを説明した。MCP はツールや知識をつなぐ「パイプ」、Agent Skills はエージェントの「作業手順書」であり、セマンティックとオントロジーはそのパイプを流れる「中身」にあたる。業務ルールをスキルやプロンプトに直接書くと、ツールごとに定義が乱立してガバナンスが効かなくなる。お手本の SQL(ゴールデンクエリ)を渡しても、書いた質問にしか答えられず、それ以外は推論に頼ることになる。
業務ルールは各エージェントのプロンプトに散らさず、基盤側で一元管理して MCP で配る
現場でよく見かけるのが、スキーマ情報や計算ルールまで SKILL.md に書き込んでしまうパターンだ。これでは質問のたびに無関係な定義まで読み込まれ、チームごとにコピーされた定義もずれていく。スライドでは、同じ分析を「全部書きのスキル」と「スキルと Knowledge Catalog に分けた形」で比べていた。
| 比較項目 | 全部書き(Fat Skill) | 分けた形(Slim Skill × Knowledge Catalog) |
|---|---|---|
| SKILL.md の大きさ | 622行・1万6,153トークン | 18行・293トークン |
| SKILL.md の中身 | 分析手順は冒頭の15行だけ。残り600行超に、22テーブル分のカラム辞書、区分コードや会計除外の規定、定型の SQL 10本 | 分析の進め方、MCP の呼び出し手順、出力形式だけ |
| データの意味の置き場所 | 各自の SKILL.md(規定が変わるたびに乖離する) | Knowledge Catalog のコンテキストセット(スキーマの説明、正規の結合経路、検証済みの SQL など) |
※スライド「現場の罠:『肥大化した SKILL.md』と本来あるべき役割分担」をもとに編集部が整理
スキルには「How(分析の手順)」を、Knowledge Catalog には「What(データの意味)」を書く。手順と知識を分けることで、定義のサイロ化を防ぎ、トークン消費も抑えられる。
山田氏によると、社内で比べたところ、SKILL.md に書いたときよりトークンの消費量を大幅に圧縮できたという。すでに作ってある SKILL.md は、そのまま Knowledge Catalog に取り込むこともできる(後述のデモ)。
622行・1万6,153トークンの SKILL.md を、18行・293トークンのスキルと Knowledge Catalog に分ける
「つなぐ」「意味を与える」「働かせる」 SOAP アーキテクチャ
続いて山田氏は、こうした考え方を Google Cloud の製品に当てはめた。セマンティックレイヤーは、LookML や、メジャーを定義できる BigQuery Graph で表現できる。オントロジーは、関係の向きまで持てる BigQuery Graph や、Knowledge Catalog の用語集・コンテキストグラフで扱う。コンテキストそのものは Knowledge Catalog に置き、最近加わった「コンテキストセット」も使えるという。
そのうえで紹介したのが、データを移さずに AI エージェントの基盤を作るためのリファレンスアーキテクチャ「SOAP アーキテクチャ」だ。3つの層でできている。
① つなぐ
Borderless Lakehouse の機能で、AWS の S3 や Azure にあるデータを BigQuery の1テーブルとして直接参照する。データを移さずに、他のクラウドのデータと合わせて分析できる。
② 意味を与える
BigQuery Graph で関係を定義する。Knowledge Catalog はメタデータを自動生成し、過去のクエリでよく使われる結合キーからテーブル間の関係を推論する。
③ 働かせる
ダッシュボードや Gemini エージェントによるアドホック分析、Claude Desktop や VS Code といった手元の道具から、整えたデータとコンテキストを使う。
山田氏は「働かせる」の例として、AI で作った HTML のダッシュボードを他の人と共有する場面を挙げた。HTML のまま渡すと、作った本人に見えている数字がそのまま見えてしまう。Looker の「Data Apps」[1]を使えば、エージェントが作ったアプリを Looker の権限管理の下に置き、見る人の権限に応じた数字だけを見せられるという。VS Code や Claude Desktop の利用者向けには、BigQuery や Knowledge Catalog につながるスキルを数十個まとめて導入できる拡張機能「Data Agent Kit」も紹介した。
コンテキストは「できた瞬間から古くなる」
講演の後半は、コンテキストを作り続ける「コンテキストエンジニアリング」の運用に充てられた。山田氏が勧めるのは、次の4段階のループを回すことだ。
- 集める:対話ログや、社内のあちこちにある規定書などを集める
- 充実させる:集めたものを AI に渡し、コンテキストをエンリッチメント(充実)させる
- 検証する:正解データを用意し、エンリッチメントした結果で正しい答えが出るかを確かめる
- 人が承認する:確度の高い提案は自動で承認し、低すぎるものは自動で却下し、迷うものだけ人が見る
この運用を支える機能として、Knowledge Catalog の「Knowledge Studio」[2]のデモ動画が2本流された。Google Cloud は2026年10月、刷新した Knowledge Studio をプレビューとして発表している。なお、デモの場面は撮影していないため、画像は掲載していない。
デモ1:規定書と対話ログから、コンテキストを自動で作る
1本目は、説明欄が空のまま運用されている BigQuery のテーブルに「9月の純売上高」を尋ねる場面から始まった。AI エージェントはエラーも出さずに、正解より1,162万円多い誤った数字を返す。社内の QA アカウントの除外や配送料の控除といったルールを知らないためだ。
そこで、Google ドキュメントの経理規定書、過去の対話の修正ログ、検証用の評価セットを Knowledge Studio に登録して実行すると、35件のコンテキストの提案が自動で作られ、本番に反映する前の評価で正答率が0%から100%に上がった。承認したルールを公開したあとは、分析エージェントが補足の指示なしに、1回目の質問で正解の878万9,000円を出したという。
デモ2:肥大化した SKILL.md を、そのまま取り込む
2本目は、先に紹介した622行の SKILL.md を Knowledge Studio にそのまま取り込むデモだ。Knowledge Studio は SKILL.md の中身を解析し、テーブル定義、11個のビジネス用語、コンセプト、会計規定文書の、25個のカタログ項目に自動で分けた。スキルは18行の手順書になり、分析のときは質問に必要な定義だけを API で取得する。デモでは、プロンプトのトークン消費が1万6,153トークンから2,649トークンへと83.6%減り、それでも規定どおりの正解を一度で算出していた。
山田氏は、コンテキストエンジニアリングに悩む企業は多く、実践例もまだ少ないとしたうえで、何から始めるべきかについて「最初から全部やろうとすると、成功事例が出る前に工数がかかりすぎて挫折しやすい」と話した。まずは小さなテーブルと小さなコンテキストから始め、うまく動くエージェントを使ってもらい、定着させる。コンテキストは作った瞬間から古くなるため、そこから運用を回していけばよいという。
精度やトークンエコノミクスを決めるのは、モデルの大きさではありませんし、ハイエンドなモデルを使えばいいというものでもありません。コンテキストであるセマンティックやオントロジーをどううまく作っていくかが、非常に重要になってきます。
山田氏は、その参考になる設計図として SOAP アーキテクチャを、一番大変なコンテキストの運用には Knowledge Studio を使ってほしいと呼びかけた。
登壇者
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 | 【Track 1】データ移行なしで AI へ繋ぐ「SOAP」アーキテクチャ ─ オントロジーによるコンテキスト最適化とトークン消費の抑制 |
| 登壇 | 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 公式ブログ「Introducing Looker data apps」. https://cloud.google.com/blog/products/business-intelligence/introducing-looker-data-apps(参照 2026-11-19)
- Google Cloud 公式ブログ「Knowledge Catalog self-learning context enrichment for AI agents」(2026年10月22日). https://cloud.google.com/blog/ja/products/data-analytics/knowledge-catalog-self-learning-context-enrichment-for-ai-agents(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
- 【基調講演】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
- 【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 Track 1 の SOAP アーキテクチャのセッションを取り上げました。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)









