Googleがborderless Lakehouseを紹介、高額なコピーや複雑な移行なしにAWSやAzureの分析開始が可能

borderless Lakehouseと関連機能でできること

borderless Lakehouseは、統制された業務の文脈にエージェントを基づかせ、Geminiをデータへ直接持ち込めるように作られています。Googleは、borderless LakehouseをAgentic Data Cloud全体のデータ基盤とし、チームがインフラ管理から業務成果の調整へ移れるとしています。^[1]

Googleによると、多くの組織でAI拡大の最大の障壁は、複数クラウドや業務用データベース、SaaSへの企業データの分散です。全データを1か所へ物理的に移すと、遅く高額で、ガバナンスのリスクも生じます。

図1　borderless Lakehouseの設計の特徴

Googleは、エージェントが分析だけではなく操作も行うため、分析用レイクハウスと業務用データベースを1つのシステムとして動かす必要があるという立場です。BigQueryやManaged Service for Apache Spark、Spanner、AlloyDBは、連携して動くように作られています。

Apache Icebergを基盤に統合

borderless Lakehouseは、オープンなApache Icebergを基盤に、マルチクラウドやSaaS、業務データを統制下の1つの構造につなぎます。AWSやAzure、Google Cloudのデータを、高額なコピーや複雑な移行なしに分析し始められます。

図2　borderless Lakehouseの分析の特徴

BigQueryとManaged Service for Apache Sparkは、オープンなIcebergテーブル上で分析やAIを直接実行できる点が特徴です。Googleによると、価格性能はネイティブストレージと同程度です。

AWSやAzureへは、Cross-Cloud Interconnectとインテリジェントキャッシュでプライベートな高速経路を確立できます。クエリが触れるアクティブなデータブロックだけをキャッシュし、繰り返しの参照をローカルで処理し、データレジデンシーを守りつつ変動するエグレス料金をなくす仕組みです。

図3　borderless Lakehouseの接続とキャッシュ

垂直統合のセキュリティとガバナンス

Lakehouse runtime catalogのCredential vendingは、データの場所を問わず、セキュリティポリシーがエージェントに伴うよう支援します。Googleは、所在を問わないデータ保護を必須としています。

図4　垂直統合のセキュリティとガバナンス

Knowledge Catalogの文脈

borderless Lakehouseは、ストレージ層のメタデータを自動で集めてコンテキストエンジンへ渡し、エージェントと企業データを橋渡しします。Lakehouse runtime catalogと直接連携するKnowledge Catalogは、Google内外のメタデータと意味の文脈をエージェントへ提供します。

図5　Knowledge Catalog関連の機能と提供状態

Knowledge Catalogの拡張集約は一般提供で、Looker、dbt、BigQueryのメタデータや指標、業務ロジックを1か所で統合する機能です。Googleは、統制された単一のセマンティックレイヤーが、マルチクラウドの資産間で指標のずれを防ぐとしています。

プレビューで提供される機能

プレビューのGemini grounded with Knowledge Catalogとcontext setsでは、厳選した指標と指示をトークン効率のよいまとまりにできます。エージェントがそのまとまりを、標準APIやModel Context Protocolで利用する仕組みです。

図6　context setsなどの使い方（プレビュー）

Knowledge Catalogのstudio experience（プレビュー）では、データ管理者がノーコードで定義の欠落を埋め、エージェントに許した文脈を安全に統制できます。Googleは、関連性の高い文脈だけを渡すと、応答の遅れやトークン費用を抑え、高コストな推論ループを防げるとしています。

BigQueryなどの処理基盤

Googleは、AIエージェントがリアルタイムの事業判断をするには、データのある場所で複雑な推論ループを動かす必要があるとしています。GoogleのAIと高性能な処理エンジンを、データ複製の複雑さなしにオープンなテーブル形式で使う主なユースケースは以下の通りです。

Googleによると、Lightning Engine for Apache Sparkはオープン形式のSparkワークロードを実行します。主要な代替製品と比べて3倍超の価格性能を持つとしています。

トークン消費を抑える機能

Knowledge Catalogは、プロンプトごとに必要なメタデータと指標だけを選んで渡し、未整理の大量データを言語モデルへ送らずに済ませる仕組みです。Googleは、トークン消費を大幅に減らせるとしています。

図7　トークン消費を抑える機能

BigQuery AIには、クエリ実行前の使用量の見積もりや上限の設定、optimized modeによる小型モデルへの自動切り替えが組み込まれています。Googleによると、BigQueryのコスト最適化AI関数の使用トークンは、行ごとの生成AI処理の230分の1です。

業務で使うエージェント機能

borderless LakehouseはGeminiと直接統合され、統合したデータ上でAIエージェントを構築、テスト、運用できます。Conversational analyticsでは、業務利用者がデータチームの個別レポートを待たずに、自然言語で信頼できる回答を得られます。

図8　業務で使うエージェント機能

One-click publishingは、承認済みの技術モデルをすぐに会話型ツールへ変える機能です。従業員はコーディングの経験なしで、自然言語の質問や正確なレポートの実行、カスタムエージェントの根拠付けに使えます。

Data Agent Kitの導入方法

Data Agent Kitでは、IDEやCLIから文章の指示で、コード作成やノートブック構築、MLモデルの実行ができます。事前構築のagentic skillsとMCP toolsで複雑なデータパイプラインを作り、15以上のGoogle Cloudデータサービスを横断して作業できます。^[1]

Data Agent Kitは2026年10月1日に一般提供を開始しており、導入先は以下の通りです。^[2]

CLIプラグインは、公式のGoogleCloudPlatform/data-agent-kit-pluginリポジトリから各コーディングエージェント用のコマンドで導入します。1回サインインして使うGoogle Cloudサービスを選ぶと、必要なAPIの有効化やスキルの導入、MCPサーバーの設定が自動で行われます。

機能を使い始める前に確かめる条件

Knowledge Catalogの機能は一般提供とプレビューで提供状態が異なり、TimesFM 3.0 in BigQueryには今回の発表で区分が付されていません。編集部の提案は、プレビューの機能を組み込む場合は機能ごとに提供状態を、Data Agent Kitは事前に課金や権限の扱いを確かめることです。^[1][2]

図9　一部機能の提供状態と確かめ方

Data Agent Kitは追加費用なしで使え、エージェントが使うGoogle Cloudサービスには標準料金がかかります。エージェントは利用者本人か、権限を借用したサービスアカウントとして接続するため、行や列のセキュリティポリシーが自動で適用されます。

borderless Lakehouseと関連機能の選び方

編集部が、各機能の用途から目的別に整理しました。各候補は、図と段落の条件に当てはまる場合に限ります。

図10　目的別に見る候補の選び方（編集部の整理）

AWSやAzureのデータを高額なコピーや複雑な移行なしに分析したい場合は、borderless LakehouseとCross-Cloud Interconnectが候補です。エージェントに業務指標の定義をそろえて渡したい場合は、一般提供のKnowledge Catalogの拡張集約から確かめます。

Apache SparkやTrinoを使う場合は、互換性のあるLakehouse runtime catalogへの接続が候補です。Apache SparkやBigQueryは、ファイルを複製せずにテーブルを共有できます。^[3]