多くのチームが AI を社内データにつなぐとき、期待するのは「誰でも必要な数字をすぐ確認できる状態」である。営業は今月の成約率、サポートは増えている問い合わせ、プロダクト担当者は新機能の継続率を知りたい。毎回データ担当者にクエリ作成を頼む運用では、回答までに時間がかかる。
しかし、AI がクエリを書けることと、会社として正しい数字を答えられることは同じではない。古いテーブルや別部門向けの定義を選んでも、AI はもっともらしい文章を返せるからである。
Anthropic が公開した社内事例では、Claude が社内の分析問い合わせの約 95% を自動処理し、正確率も約 95% に達した。一方、分析手順や背景知識を与えない状態では、同じ社内評価の正確率は 21% 以下だったという。指標定義、参照すべきデータソース、分析手順を、AI が調査前に読む操作説明ファイル（Anthropic が skills と呼ぶ）へ整理したことで、正確率が 95% 以上で安定した。
この事例から持ち帰るべき判断は明確である。AI に会社の数字を聞く前に、どこを参照し、どの定義で計算し、誰が確認するかを決めておく。
AI が数字を間違える三つの経路
社内データは、一冊の整った辞書ではない。チームごとに「アクティブユーザー」の計算方法が違うこともあれば、古いテーブルと新しいテーブルが並存していることもある。同じ顧客でも、CRM（顧客関係管理システム）と請求システムで項目が異なる場合がある。
この状態で AI にデータウェアハウスを自由に検索させると、主に三つの問題が起きる。
- 正式なテーブルではなく、古い表やテスト用の表を選ぶ。
- 試用、有料、解約済みのアカウントを、同じ「顧客数」として集計する。
- 参照元、除外条件、不確実な点を示さず、数字だけを回答する。
聞き直すだけでは、これらの問題は解消しない。AI が迷わず正式な参照先へ到達できるように、社内側で答えの出どころを整える必要がある。
この考え方を実際の業務フローへ広げるなら、AIツールが予算を削減すると言うなら、まず何の費用を置き換えるのかを見るが、導入目的と責任範囲の整理に役立つ。利用量や再試行による支出も含めて運用条件を決めたい場合は、AI モデルの請求が膨らむ場所は、たいてい範囲と再試行にあるも参考になる。
公開前に確認する四つの条件
AI に売上、利用量、顧客、プロダクトの数字を答えさせる前に、次の四条件を確認する。これが本記事の中心となる判断表である。
| 条件 | 確認する内容 | 満たさない場合 |
|---|---|---|
| 正式な参照先 | よくある質問ごとに、正式なテーブル、レポート、または指標定義を集中管理するセマンティックレイヤーが指定されているか | 似たテーブルが複数あり、AI が独自に選ぶ可能性があるなら、正式な数字の回答には使わない |
| 指標定義 | 「アクティブユーザー」「解約」「成約」「利用量」に、計算方法と除外条件があるか | 同じ言葉に複数の計算式があるなら、定義を統一するまで回答範囲を限定する |
| 検索手順 | 最初に見る場所、データ不足時の応答、追加質問が必要な条件を AI に示しているか | 指示が「質問に答える」だけなら、回答ではなく調査用の草案として扱う |
| 確認責任 | 高リスクな回答を誰が確認し、どの回答に参照元、検索条件、不確実性を添えるか決まっているか | 由来を追跡できる担当者がいないなら、会議や意思決定へ数字を持ち込まない |
特に、予算、評価、人員削減、価格、顧客への約束に影響する数字は、人間の確認を残すべきである。指標が最近変更された場合、個人情報や契約条件が関わる場合、質問の対象期間や地域が曖昧な場合も同様だ。
そのような場面でも、AI は質問の整理、必要な指標の列挙、検索用クエリの草案作成には使える。ただし最終的な数字は、データ責任者、指標責任者、または業務責任者が確認する。
小さく始めるなら、まず一つの質問を固定する
大規模なデータ基盤を先に作る必要はない。今日できる最小の一手は、頻繁に尋ねられる数字を一つ選び、その質問について次の情報を一枚にまとめることである。
- 正式に参照するテーブル、レポート、または業務システム
- 指標の計算方法、対象期間、除外条件
- AI が回答時に示す参照元と、不確実な場合の停止条件
- 最終確認を担当する人
この一枚で四条件を埋められなければ、その質問はまだセルフサービス分析に向いていない。AI には調査の補助だけを任せ、数字を意思決定へ使う前に人が確認する。
AI セルフサービス分析の利点は、データ担当者を待つ時間を減らせることである。同時に、もっともらしい誤答が速く広がる危険もある。正式な参照先、指標定義、検索手順、確認責任を固定してから利用範囲を広げれば、速さを得ながら説明できない数字を増やさずに済む。
AI 整理カード
一つの質問について、未確定の情報を洗い出す
次のプロンプトは、AI に最終判断を任せるものではない。実際の質問に必要な入力がそろっているかを確認するために使う。
社内で AI に答えさせたい数字の質問が一つある。次の情報を私に順番に尋ねてほしい。
- 実際に答えたい質問と、その数字を使う意思決定
- 正式に参照するテーブル、レポート、または業務システム
- 指標の計算方法、対象期間、除外条件
- AI がデータ不足時に回答を止める条件
- 最終確認を担当する人
不足している情報は推測せず、「要確認」と示してほしい。
最後に、準備済み／情報不足／人による確認が必要、の三つに分けて整理し、今日確認すべき一項目だけを提示してほしい。
出力は準備状況を整理するための草案である。実際の数字を利用する前に、データの参照先、権限、指標定義、責任者を人が確認する。
生活四コマ
- 同僚が AI に直接運用数字を聞こうとするが、周囲には似たデータカードが多すぎる。
- AI は関連して見える表をいくつも見つけ、チームは答えを出す前に一度止める。
- チームは正式ソース、指標定義、確認ポイントを一枚のフローボードに固定する。
- AI は固定された経路に沿って答えを整理し、人間の確認者がソースと条件を確認する。
参考資料
- Anthropic：How Anthropic enables self-service data analytics with Claude（社内事例の 21%／95% という数値）— https://claude.com/blog/how-anthropic-enables-self-service-data-analytics-with-claude（2026-06-03）
- InfoQ：Anthropic Reports Claude Now Handles 95% of Internal Analytics Queries — https://www.infoq.com/news/2026/06/anthropic-claude-analytics/（2026-06-21）
- 山本健太（note）：From 21% to Over 95% Accuracy with the Same Claude: How Anthropic’s Internal Self-Service Analytics Revealed the Importance of Data Infrastructure — https://note.com/pn_yamaken/n/nd3ae714ce54a?hl=en（2026-06-15）
- dbt Labs：Semantic Layer: What it is and when to adopt it（指標定義とビジネスロジックの一元管理）— https://www.getdbt.com/blog/semantic-layer-introduction（更新：2026-05-04）
- Microsoft Learn：Lineage in Fabric（データソースと上流・下流の関係の追跡）— https://learn.microsoft.com/en-us/fabric/governance/lineage（更新：2026-06-04）
