データ分析してますって言うと 「それAIでよくない？」 って言われることがある。 どんな仕事でも外からは見えない難しさがあるのに、人間は理解していない領域を雑にまとめる。 だから「データ分析はAIでできる」みたいな雑な話になる。 でも実際は、代替されるのは“分析そのもの”じゃなくて、その一部だけ。 この切り分けをしない限り、 AI議論はずっとズレ続ける。 よくある「男はみんな〜」とか「中国人は〜」っていう、主語がデカすぎるのと同じ、乱暴な議論は本質にたどり着けない。 AIの限界、任せられること、人間の役割。 考え抜いた人だけがAIを使いこなせる。

金融庁データ分析事例集「FSA Analytical Notes（2026.6）vol.2」を公表しました。本レポートは、「市場変動局面における店頭デリバティブ取引の証拠金動向に関する分析」を紹介しています。

2013年、Wayfairのデータ分析はオンプレミスのSQL Serverに縛られ、データベースをまたぐ結合すらできませんでした。それから10年余り、クラウドデータウェアハウスとモダンデータスタックが次々と制約を取り払い、データサイエンティストは「レポーター」から「業務上の意思決定者」へと役割を変えてきました。 📈 そして今、AIによって分析そのものを作るコストはほぼゼロに近づきました。しかしIan Macomber氏はブログ「The Shape and Feel of the Post-AI Data Stack」で、「現実について合意することは安くならない」と指摘します。ダッシュボードが乱立するほど、同じ指標を聞いても答えが割れる「合意の分断」が起きやすくなるというのです。 🤖 記事が描く「ポストAIデータスタック」では、人間ではなくエージェントがダッシュボードを読み解き、意思決定のために情報を再構成します。そのために必要なのが、エージェントが読めるアーティファクト、APIで操作できるツール、ベンダーに縛られないコンテキスト、そして答えの一致率を測る「合意のテスト」という4つの要件です。Ramp社では、あらゆるインターフェースに同じ質問を投げて答えのズレを測定し、ゼロdivergenceを目指しているそうです。 ✍️ Macomber氏は、これからのデータサイエンティストの価値は個々の分析の巧拙ではなく、自分の判断をインフラに組み込み、未来のエージェントや従業員が「何が真実か」を引き継げるようにする力で測られると結んでいます。 URL: #データ基盤# #AIエージェント#

Amazon S3 に眠ったままのデータ、 動かさずに AI エージェントの基盤へ → Google Cloud の最新データ分析ポートフォリオ SOAP（Semantic and Ontology Agent Platform）アーキテクチャは、データを動かさずにつなぎ、意味と知識の層で AI をグラウンディングします。

逆に、プログラミングとかデータ分析とか、今まで自分がやることに価値を感じていたものに関しては、AIができるようになってから全く価値を感じなくなりました。 こういったものは、どんどん AI に任せていけばいいかなと思ってます。