3名のデータチームに毎週積み上がるリクエスト、事前定義されたダッシュボード以外の分析は全員がデータチームを経由する——それがLangChainのBI時代の日常でした。 🔍 チームは変化を決意しました。求めたのは「ダッシュボード・ノートブック・会話型インターフェースを統合し、ネイティブにAIエージェントを扱える」プラットフォームです。Hexを選び、dbtデータモデル・セマンティックレイヤー・ワークスペースガイド・エンドースメント（信頼シグナル）・GitHub連携という5層のコンテキスト構造を設計しました。移行は6週間で完了し、社員全員が採用するという結果になりました。 変化の核心は技術ではなく「明示性」でした。「account_statusはアカウントのステータスです」という曖昧な定義を、ライフサイクル状態・デフォルトフィルタ・レポート規約を含む詳細な記述に書き換えるだけで、エージェントの回答精度が劇的に変わります。ARR・パイプライン・カスタマーヘルスなど主要指標はセマンティックレイヤーで一元定義し、複数のアセットが同一概念を扱う際にエージェントが混乱しないよう信頼シグナル（エンドースメント）で正規ソースを明示しました。 今、マーケティング・プロダクト・営業・カスタマーエンジニアリングの全部門が、データチームを介さずに自分で分析を進められるようになっています。月間約2,200件のエージェント会話が生まれ、3名のチームが手動で対応できる量の40倍のリクエストをエージェントが処理しています。データチームの仕事は「質問に答える」から「他者が質問に答えられるシステムを設計する」へと変わりました。LangChainの実践記録「How LangChain Built an Agent-First Data Stack」は、エージェント時代のデータチームのあり方を具体的な数字と設計思想で語っています。 #DataStack# #AIエージェント#

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#