Share
Embed
生成AIによる情報システムへのインパクト (2026年11月版)
2026年11月21日に、青山学院大学 ADPISA-Z で行った講義「生成AIによる情報システムへのインパクト」のスライドです。
2025年から2026年にかけて、AIは「教えてくれるAI」から「任せられるAI」へと進みました。この講義では、その流れを踏まえて、生成AIが情報システムにもたらす変化を次の3つに分けて考えました。
・使い方の変化:画面を操作するのではなく、聞けば答えが返ってくる
・作り方の変化:情報システム部門に数ヶ月かけて作ってもらうのではなく、頼めばアプリやデータができる
・人の役割の変化:業務部門は自分で作る人になり、情報システム部門は AI に正しい文脈を渡し、答えを確かめ、守る人になる
後半では Databricks Free Edition を使ったハンズオンを行いました。Genie One でデータに質問し、Genie Agent に会社の決まりを教え、Lakeflow Designer で分析用の表を作る、という流れです。
Takaaki Yayoi
November 21, 2026
Transcript
72 slides
-
databricks 生成AIによる 情報システム へのインパクト 2026年11月21日 Databricks Japan 弥生 隆明 ©2026
Databricks Inc. — All rights reserved 1 -
自己紹介 弥生 隆明(やよい たかあき) Databricks シニア スペシャリスト ソリューションアーキテクト 青山学院大学 プロジェクト准教授
2020年からデータブリックス ジャパンにおいて、プレセールス、POCに従事 専門領域は生成AI、データエンジニアリング、Webアプリケーション 前職はコンサル、総合電機メーカーにてデータ分析・Webサービス構築などに従事。 イ ンド赴任経験あり Qiita(@taka_yayoi)でいろいろ書いています ©2026 Databricks Inc. — All rights reserved 2 -
データ&AIカンパニー Databricks 20,000+ $7B+ 70% のお客様 の売上 (年換算) の Fortune
500 企業が利用 発明者 リーダー OSS レイクハウスの発明者、生成AIの パイオニア Gartner、Forrester Waveが認める リーダー Apache Spark、Delta Lake、 MLflow、Unity Catalog ©2026 Databricks Inc. — All rights reserved 3 -
アジェンダ 2時間 (10:00〜11:00 / 11:10〜12:10) 第1部 変化の兆候 10分 2025年から2026年に何が起きたか 第2部
変化の原動力 20分 エージェント、MCP、Genie 第3部 変化の姿 25分 3つの変化をBefore/Afterで見る 第4部 ハンズオン 45分 聞く → Agentにする → データを整える 第5部 まとめ 15分 変化にどう向き合うか ※ 導入 (5分) と第3部までが1コマ目、休憩 (11:00〜11:10) をはさんで第4部から2コマ目。第5部は質疑を含む ©2026 Databricks Inc. — All rights reserved 4 -
本日のストーリー 変化を軸に、理解から体験へ 第1部 今、何が起きている? 第2部 なぜ今、変われる? 第3部 どう変わる? 第4部 変化を体験する
第5部 どう向き合うか? 座学で理解 → ハンズオンで体験 → 自分ごととして持ち帰る ©2026 Databricks Inc. — All rights reserved 5 -
本日のゴール 講義を修了すると、以下のことができるようになります 1 2025年以降、生成AI・AIエージェントの領域で何が起きたかを説明できる 2 AIエージェントの概念と、それを支える技術(MCPなど)を理解できる 3 情報システムの3つの変化をBefore/Afterで説明できる 4 Databricks
で「聞く・定義を渡す・データを整える」を体験できる 5 自分の立場で、変化にどう向き合うかのイメージを持てる 前提知識:プログラミング経験は不要です ©2026 Databricks Inc. — All rights reserved 6 -
生成AI、仕事で使っていますか? 毎日使っている たまに使っている まだ使っていない 使ったことがない どの立場でも、今日の講義は役に立つ内容です
©2026 Databricks Inc. — All rights reserved 8 -
2025年は「AIエージェント元年」だった 去年起きたことを振り返る 80倍 元年 MCPのダウンロード数 (1年間で10万→800万) 2025年は 「AIエージェント元年」 Model Context
Protocol Gartner Hype Cycle 2025 ※ MCP = Model Context Protocol:AIエージェントがツールと連携するための標準プロトコル ©2026 Databricks Inc. — All rights reserved 9 -
日本でも、AIは「使うもの」になった 総務省「令和8年版 情報通信白書」(2026年7月) 86.4% 58.8% 27.0% 生成AIを業務で 使っている企業 生成AIを 使ったことがある人
業務の変革に 「組織的な取組はない」 2024年度は55.2% 2024年度は26.7% 米国は1.4% 使う企業は増えた。でも、仕事の進め方はまだ変わっていない この差が、今日の問い「情報システムにどう影響するのか」の出発点 ©2026 Databricks Inc. — All rights reserved 10 -
2026年、AIは「同僚」になった 各社が「一緒に働くAI」を出してきた 2026.1 Anthropic Claude Cowork パソコンの中の作業をAIに任せる 2026.2 OpenAI Frontier
企業が「AIの同僚」を配置するための基盤 2026.3 Microsoft 365 Copilot Cowork Officeの中でもAIが同僚として動く 2026.6 Databricks Genie One 業務チームのためのエージェント型の同僚 2026.11 Databricks 新しい Genie 続く仕事をAIに任せ、人は承認と見守りに回る 教えてくれるAI → やってくれるAI → 一緒に働くAI → 任せられるAI ©2026 Databricks Inc. — All rights reserved 11 -
2026年、AIは「使い分ける」時代に 何でもできる大きなモデルから、用途を絞ったモデルへ 何でもできる大きなモデル 用途を絞ったモデル 文章も分析も判定も1つでこなす 決まった仕事だけをする 1回の呼び出しの費用が高い 例:答えの正誤の判定に絞った Jev 答えが返るまでに時間がかかる
安く、速く返ってくる 「試せるか」から「費用に見合うか」が問われるようになった Databricks でも、判定に絞ったモデルを SQL から呼べる ai_decide(ベータ)が出た Gartner:AIへの投資は強いが、価値の実現にはばらつきがある(AIハイプ・サイクル 2026) Gartner:2027年までに、タスク特化の小さなモデルは汎用の大規模モデルの3倍以上使われる(予測) ©2026 Databricks Inc. — All rights reserved 12 -
新しい「開発」のかたち バイブコーディング 従来の開発 プログラミング言語を習得 「〇〇を作って」と指示 コードを1行ずつ書く AIがコードを生成 デバッグ・テスト 動作確認・修正指示 ドキュメント作成
完成 数日〜数週間 数分〜数時間 プログラミングできない人も「開発者」になれる時代が始まった 皆さんは、AIが書いたコードをそのまま本番に出しますか? JetBrains の2026年の調査(プロの開発者1万5千人超):コードの平均47%をAIエージェントが生成、手だけで書いたのは27%(自己申告) ©2026 Databricks Inc. — All rights reserved 13 -
今日お話しする「3つの変化」 情報システムは今、これらの変化に直面しています 1 2 3 使い方の変化 作り方の変化 人の役割の変化 Before:画面やダッシュボードを 操作する
Before:数ヶ月かけて作ってもらう Before:画面やレポートを作る After:AIに正しい文脈を渡す After:聞けば答えが返ってくる After:頼めばアプリやデータが できる Genie One App Builder・Designer Genie Agents 座学で理解し、ハンズオンで体験します ©2026 Databricks Inc. — All rights reserved 14 -
本日の問い この変化は、 情報システムに どう影響するのか? 本日のゴール 変化の原動力 (エージェント・MCP) を理解する 情報システムの3つの変化を Before/Afterで説明できる
Genie と Lakeflow Designer を 実際に 操作する そして、私たちはどう向き合うべきか? ©2026 Databricks Inc. — All rights reserved 15 -
生成AIとは 「新しいものを作り出す」AI 従来のAI 生成AI 分類する:「この写真は犬?猫?」 文章を書く:「レポートを作成して」 予測する:「明日の売上は?」 会話する:「この問題を説明して」 例:ChatGPT、Claude、Gemini、Copilot など
©2026 Databricks Inc. — All rights reserved 17 -
でも、生成AIには限界がある 最新情報を知らない 「今日の株価は?」→ 答えられない 外部のシステムを操作できない 「会議を予約して」→ できない 1回の指示で1回の回答 複数の作業を自動でつなげられない この限界を超えるのが「AIエージェント」
©2026 Databricks Inc. — All rights reserved 18 -
AIエージェントとは 「自分で考えて、自分で動く」AI 普通のAI AIエージェント あなた:「会議を設定して」 あなた:「会議を設定して」 AI:「会議の設定方法をお教えします…」 AI:カレンダーを確認 → 空き時間を探す
→ 会議を作成 → 参加者に招待を送信 (説明だけで終わる) 「教えてくれる」から「やってくれる」へ ©2026 Databricks Inc. — All rights reserved 19 -
AIの進化を振り返る 昔 2023 2024 2025 2026 質問応答 会話AI 賢いAI 動くAI
一緒に働くAI 決まった質問に 決まった回答 自然に会話、文章を作成 検索して調べる、 ファイルを読む 自分で計画、自分で実行 会社の情報を知り、 チームで使う 2025年にAIが「手足」を持ち、2026年に「会社の文脈」を持ち始めた まずは「手足」の話から ©2026 Databricks Inc. — All rights reserved 20 -
AIが「手足」を持つには? 問題:AIとツールをつなぐのが大変だった 昔(USB以前) 今(USB-C) メーカーごとに違うケーブル どのメーカーでも同じ 機種変更のたびに買い直し ケーブル1本でOK ケーブルだらけ スッキリ
そこで登場したのが MCP(Model Context Protocol) AIと外部ツールをつなぐ共通ルール。いわば「AIの世界のUSB」。2024年11月に登場し、1年で業界標準になった ©2026 Databricks Inc. — All rights reserved 21 -
MCPで何ができるようになるか 「来週、田中さんと会議を設定して。空いている日を探して、招待メールも送って」 MCPがある場合 MCPがない場合 AIはカレンダーを見られない カレンダーで空きを確認 AIはメールを送れない 会議を作成 結局、自分で全部やる 招待メールを送信
AIが全部やってくれる MCPにより、AIが様々なツールを「手足」として使える カレンダー、メール、Slack、データベース、ファイル…何でもつながる ©2026 Databricks Inc. — All rights reserved 22 -
「同僚」になるには、手足だけでは足りない 例:「先月の売上を教えて」 「売上」とは? 「先月」とは? どのデータが正しい? 税込?税抜? 暦の月?
似た表が部署ごとにある 返品を引いた後? 締め日で区切った月? どれが公式の数字? AIに足りないのは「会社の文脈」 データの意味、指標の定義、業務のルール。道具をつなぐのがMCP、会社の文脈を渡すのが次の課題 ©2026 Databricks Inc. — All rights reserved 23 -
Databricks の Genie 今日は One と Agents を体験し、App Builder は講師デモで紹介します
Genie One Genie Agents Genie App Builder Genie Code 業務ユーザーの入口 情報システム部門が文 脈を 設定 頼めばアプリができる 開発者・技術者向けのAI 実データにつながった アプリ ノートブックや パイプラインで動く 聞けば答えが返ってくる 信頼できる データ・指標・ルール 聞く(One)→ 文脈を持たせる(Agents)→ アプリにする(App Builder) ©2026 Databricks Inc. — All rights reserved 24 -
Genie One 聞くと、データごとのエージェントを呼び分けて、答えをまとめる 先月の売上を地域別に見せて 地域別の売上をグラフにしました。関東が前月比で最も伸びています。 関東で伸びた商品は? データに日本語で聞ける 社外のツールともつながる どこからでも使える
SQLやプログラミングを 知らなくてよい Google Drive、Jira、Slack、 Confluence、SharePoint Web、iOS、Android ©2026 Databricks Inc. — All rights reserved 25 -
Genie Agents データごとに特化したエージェント。Genie One が呼び分ける 売上データのエージェント 利用者 誰でも Genie One
どこに聞くかを決め、 答えをまとめる 顧客データのエージェント 在庫データのエージェント 会話を再利用する 定義をそろえる 答えを確かめる うまくいった会話を保存 指標(売上は税抜・返品後など) 検証済みの回答を登録 同じ文脈で何度でも使える 業務ルール (週末の範囲など) 回答の品質を上げる 画面では「指示」に文章で書く 情報システム部門が文脈を整え、Genie One の回答の土台になる ©2026 Databricks Inc. — All rights reserved 26 -
Genie App Builder 頼めばアプリができる App Builder 従来 情報システム部門に依頼 業務の文脈を渡して「アプリにして」と依頼 数週間〜数ヶ月待ち
構築計画とプレビューが出る 予算の確保も必要 実データにつながったアプリができる 分析結果を共有するには… URLを共有するだけ 業務部門の人が、情報システム部門に頼らずに、自分でアプリを作れる 第3部で講師デモをお見せします ©2026 Databricks Inc. — All rights reserved 27 -
Genie Code 開発者・技術者のためのAI このデータをグラフにして、トレンドを分析して 1 計画する どのデータを使い、何をするかを決める 2 実行する コードを書いて動かす
3 確認する 結果を見て、必要なら直す ノートブック、パイプライン、ダッシュボードで動く 今日は紹介のみです (デモ・ハンズオンでは使いません) ©2026 Databricks Inc. — All rights reserved 28 -
Lakeflow Designer 頼めばデータが整う Lakeflow Designer 従来 分析用のデータを情報システム部門に依頼 画面上で部品をつなぎ、自然言語で頼む SQLや専用ツールで加工 裏側では本番運用に耐えるコードになる
依頼から1週間以上 Unity Catalog で管理される 業務部門の人が、分析に使うデータを自分で整えられる 今日のハンズオンで体験します (メニューでは「ビジュアルデータの準備」という名前です) ©2026 Databricks Inc. — All rights reserved 29 -
第2部のまとめ 生成AI 言葉で指示すれば、何かを作ってくれる AIエージェント 自分で考えて、自分で動いてくれる MCP AIが色々なツールを使えるようにする仕組み 会社の文脈 AIが同僚として働くために必要な、データの意味と業務のルール Genie
聞く(One)→ 文脈を持たせる(Agents)→ アプリにする(App Builder) Lakeflow Designer 画面操作と自然言語でデータを整える 次は第3部:これが情報システムをどう変えるか? ©2026 Databricks Inc. — All rights reserved 30 -
第3部で見ていくこと 1 情報システムの「今まで」 従来の形と課題 2 使い方の変化 聞けば答えが返ってくる 3 作り方の変化 頼めばアプリやデータができる
4 人の役割の変化 AIに正しい文脈を渡す 生成AIが、情報システムのあり方を根本から変えつつある ©2026 Databricks Inc. — All rights reserved 32 -
情報システムとは 会社の仕事を支えるコンピューターの仕組み全体 販売管理 経費精算 売上を記録、在庫を管理 領収書の提出、承認 勤怠管理
顧客管理 出退勤、休暇申請 お客様の情報、商談の履歴 これらを作り、動かし、守るのが「情報システム部門」の仕事 そして今、その「作り方」「使い方」が大きく変わろうとしている ©2026 Databricks Inc. — All rights reserved 34 -
従来の情報システムの形 「ピラミッド型」の分業体制 IT専門家 システムの設計・開発 システム管理者 運用・保守・セキュリティ 業務部門(ユーザー) 決められた画面を、決められた通りに使う 「作る人」と「使う人」が分かれていた 業務部門は「こういうシステムが欲しい」→
情報システム部門に依頼 → 作ってもらう ©2026 Databricks Inc. — All rights reserved 35 -
なぜこの形になったか 専門知識が必要だった プログラミング、データベース、ネットワーク…素人には無理 コストが高かった サーバー購入、ソフト開発…数千万〜数億円規模 時間がかかった 要件定義 → 設計 →
開発 → テスト…1年以上も普通 だから「専門家に任せる」しかなかった これは合理的な選択だった。でも今、前提が変わりつつある ©2026 Databricks Inc. — All rights reserved 36 -
従来のやり方の課題 欲しいものがすぐ手に入らない 伝言ゲームで要望がズレる 依頼から完成まで数ヶ月〜数年 「こうじゃない」が完成後に発覚 変化に対応できない 情報システム部門がボトルネックに 作り直しには再度コストと時間 依頼が集中し、対応しきれない ビジネスのスピード
> システム開発のスピード ©2026 Databricks Inc. — All rights reserved 37 -
インターフェースの進化の歴史 インターフェース = 人とコンピューターの「接点」 1970s 1980s 2010s 2020s コマンド入力 GUI(画面操作)
タッチ 自然言語 呪文のような命令を暗記 マウスでクリック 指で直感的に 話すように文章で 専門家のみ 訓練された人 子供でも使える 誰でも 使いやすくなるほど、使える人が増える 自然言語は、インターフェースの最終形の一つ ©2026 Databricks Inc. — All rights reserved 39 -
「日本語で使える」ことの意味 例:データ分析をしたい これから 従来 「先月の売上を地域別に見せて」と聞く SQLを覚える Excelの関数を覚える 覚えることがほぼない 専門ツールの使い方を覚える 覚えることが多い
「できる人」の定義 専門知識から「何をしたいかの明確さ」へ 業務部門 自分で分析できるようになる ©2026 Databricks Inc. — All rights reserved 40 -
データ分析の4つの壁が低くなる 壁 従来 生成AI時代 スキルの壁 SQL、Python、統計学が必要 日本語でOK ツールの壁 高価で複雑な専門ソフト ブラウザだけ
データの壁 どこにあるか分からない AIが探す 時間の壁 依頼から結果まで数週間 数分 「専門家だけのもの」から「みんなのもの」へ ── これが民主化 ©2026 Databricks Inc. — All rights reserved 41 -
3 作り方の変化 頼めばアプリやデータができる デモ:ここで App Builder に依頼を送ります。SQL ウェアハウスを選ぶと作り始め、約3分でできあがります ©2026
Databricks Inc. — All rights reserved 42 -
従来の業務フロー 例:「営業レポートを作って共有したい」 1 データ依頼 情報システム部門へ 1週間 2 分析依頼 分析チームへ 2週間
3 開発依頼 開発チームへ 1ヶ月 4 テスト 品質管理へ 2週間 5 公開 インフラへ 1週間 合計:2〜3ヶ月。多くの部門を経由する ©2026 Databricks Inc. — All rights reserved 43 -
AIエージェントによる変化 同じ例:「営業レポートを作って共有したい」 1 Genie One に聞く 「売上の推移を見せて」「地域別に分けて」 5分 2 Genie
Agent にする 定義をそろえて、何度でも使える形にする 10分 3 App Builder でアプリにする 「これをアプリにして」→ URLを共有 15分 合計:約30分。担当者1人で完結 2〜3ヶ月 → 30分。これが「変革」の意味 ©2026 Databricks Inc. — All rights reserved 44 -
講師デモ:Genie App Builder でアプリを作る 依頼の文 (「作り方の変化」の扉で送っておいたもの) samples.bakehouse の売上データで、 店舗ごとの売上合計を棒グラフで見られるアプリを作って。
売上は sales_transactions の totalPrice の合計、店舗は sales_franchises の name。 2枚のスライドを話している間に、約3分でアプリができあがる まだ作っている途中なら、AIが自分で計画し、作り、確かめている様子を見てみましょう ©2026 Databricks Inc. — All rights reserved 45 -
組織への影響 業務部門が AI を使い、自分で作る 従来 これから 業務部門 依頼 「こういうのが欲しい」 業務部門
情報システム部門 作る 設計・開発 使う 自分で聞き、作る AI Genie、App Builder など システム 決められた画面 作る 分析・アプリ・データ 定義と権限を渡す 答えを確かめる 情報システム部門 土台を整える・確かめる・守る 情報システム部門の役割は「作る」から「整える・確かめる・守る」へ 情報システム部門は、AI が正しく動くように下から支える ©2026 Databricks Inc. — All rights reserved 47 -
「誰でも作れる」の落とし穴 部署ごとに、同じ「売上」の数字が合わない 営業部のアプリ 経理部のアプリ 売上 = 税込 売上 = 税抜
返品は月末にまとめて反映 返品はその日に差し引く 誰でも作れるようになるほど、「定義のズレ」が増える AIが勝手に解釈すると、もっともらしい間違った数字が出る ©2026 Databricks Inc. — All rights reserved 48 -
整える:AIに「正しい文脈」を渡す 業務部門が AI で作り、聞く。その土台を情報システム部門が整える 1 信頼できるデータ どの表が公式の数字かを決める 2 指標の定義 「売上」は税抜・返品後、のように計算方法をそろえる
3 業務ルール 会社ごとの決まりごとをAIに教える 4 検証済みの回答 よく聞かれる質問に、確かめた答えを登録する 整えた文脈が、全員の Genie One の回答の土台になる Gartner:会社の知識をまとめた「コンテキスト層」の上にエージェントを作ると、信頼性が上がりコストが下がる Databricks も、会社の業務知識をまとめる層として Genie Ontology を発表した (2026年11月) ©2026 Databricks Inc. — All rights reserved 49 -
確かめる:AIの答えの品質を測る 確かめる仕組みは情報システム部門が作り、業務部門は気づいたずれを返す 人が全部チェックする 量が増えると追いつかない AIにAIの答えを判定させる LLM-as-a-Judge と呼ばれる方法 判定に絞ったモデルを使う 第1部で紹介した Jev
や ai_decide なら、安く速く判定できる 2026年は「AIを試す年」から「AIの成果を確かめる年」へ ©2026 Databricks Inc. — All rights reserved 50 -
守る:社外からの攻撃 2026年9月、身近なサービスで被害や脆弱性の公表が続いた タイムズカー 約660万件の会員情報が流出。免許証などの画像 約146万件は外部への送信を確認 京王電鉄 ランサムウェア攻撃で、一部グループ会社の営業システムに障害 デジタル庁(GSS) 公表済みのVPN機器の脆弱性が修正前に悪用され、職員等の約24.6万件が対象 Salesforce
Agentforce AIエージェントの製品にも、外から突ける脆弱性。CRM のデータが流出しうる 侵入口の中心は、VPN機器、公開済みの脆弱性、推測されやすいパスワード AIで、脆弱性が見つかる速さも、悪用される速さも上がった 修正が出る前に悪用が始まるのが普通に。基本の対策の遅れが致命的になる ©2026 Databricks Inc. — All rights reserved 51 -
守る:社内で動かす AI エージェントを管理する 業務部門がエージェントを作るほど、管理する仕組みが要る 権限を渡しすぎない 作られたものを把握する 何に触れたかを記録する
AIは読んだ文書の指示に 操られることがある 業務部門が作った エージェントを AIの操作を 後から追えるようにする 渡した権限の分だけ 被害が広がる 情報システム部門が 一覧で把握する 問題が起きたときに 原因を調べられる 権限は必要な分だけ渡し、作られたものを把握し、AIが何に触れたかを記録する ©2026 Databricks Inc. — All rights reserved 52 -
情報システム部門の新しい仕事 整える 確かめる データ、指標の定義、業務ルールをAIに渡せる形にする AIの答えの品質を測り、改善する 守る
育てる 権限を絞り、AIの行動を記録し、費用に上限を設ける 業務部門に伴走し、使い方を広める 「なくなる」のではなく「進化する」── 新しいスキルが求められる ©2026 Databricks Inc. — All rights reserved 53 -
第3部のまとめ:何が変わるか 変化 Before → After 意味 使い方 画面を操作 → 聞けば答える
誰でも使える 作り方 数ヶ月 → 数十分 業務部門が作れる 人の役割 作る → 文脈を整え、答えを確かめる AIを正しく働かせる 誰でも使え、誰でも作れる。だからこそ、文脈と確かめる仕組みが要る ©2026 Databricks Inc. — All rights reserved 54 -
ここまでの話、本当なの? 「日本語で聞けば答えが返ってくる」 「頼めばデータが整う」 「業務部門だけで完結する」 第4部:実際に体験してみましょう(45分) ── 休憩10分の後、第4部へ ── ©2026 Databricks
Inc. — All rights reserved 55 -
第4部 ハンズオン 聞く → Agentにする → データを整える ©2026 Databricks Inc.
— All rights reserved 56 -
ハンズオンの目的 第3部で説明した「変化」を、自分の手で体験する 事前課題 基礎:Genie One に質問してみる 今日のハンズオン 発展:聞く → Agentにする
→ データを整える 使いこなす 事後課題 応用:自分で Agent を作り、文脈を整える 自分で作る 動かす 今日は「発展」レベル。事前課題の先へ進みます ©2026 Databricks Inc. — All rights reserved 57 -
ハンズオンの流れ 1 Genie One で聞く 質問を重ねて、深掘りする 12分 2 Genie Agent
にする 定義をそろえて、再利用できる形にする 15分 3 Lakeflow Designer でデータを 整える 頼んで分析用の表を作る 13分 4 まとめ&事後課題の紹介 5分 困ったら挙手、チャット、発言のどれでも。講師がサポートします ©2026 Databricks Inc. — All rights reserved 58 -
演習1:Genie One で聞く 事前課題と同じサンプルデータを使います シナリオ あなたは営業部長です。「どの店舗の、どの商品が伸びているか」を把握したい(データは2024年5月の約2週間分) 1 売上上位5店舗の、商品別の売上を見せて 2 期間の前半と後半で比べて、伸びている組み合わせは?
3 後半に売上が下がった店舗があれば、 商品別に前半と比べて ポイント:一度に完璧な質問をしなくてよい。会話の流れで絞り込み、原因も探れる 早く終わった人は:「その店舗の売上が下がった原因を、支払い方法別にも見て」と聞いてみる ©2026 Databricks Inc. — All rights reserved 59 -
演習2:Genie Agent にする 会社の決まりを教えて、誰が聞いても同じ答えにする(ここで画面が「アナリティクスとAI」に切り替わります) シナリオ 当社では「週末」は金曜と土曜のこと。AI はこの決まりを知らないので、教えておきたい 1 右上のアプリスイッチャーで「アナリティクスとAI」→「Genie エージェント」→「新規」
2 「テーブルを手動で選択」→ samples → bakehouse の順に開き、 sales_transactions・sales_franchises・sales_customers の3つを選び、「手動で作成」 3 「週末の売上の合計は?」と聞く。「設定する」→「指示」に会社の決まりを書き、同じ質問で比べる 当社では、週末は金曜と土曜を指す ポイント:AI が知らない会社の決まりを渡すと、答えが変わる。これが「人の役割の変化」の体験 早く終わった人は:「店舗ごとの週末の売上を見せて」と聞き、指示がそのまま使われるか確かめる ©2026 Databricks Inc. — All rights reserved 60 -
演習3の前に:何を作るのか Genie やアプリの答えの元になる「分析用の表」を、自分で作る 元の表 取引 3,333件 店舗 分析用の表 つなぐ 集計する
店舗ごとの売上 使う 元にする 1店舗1行 Genie やアプリ デモのダッシュボードなど 48店舗 従来 情報システム部門が SQL で作り、毎日動く仕組み (データパイプライン) にする これから 業務部門が「つないで、店舗ごとに合計して」と頼んで作る (Lakeflow Designer) アプリや AI の答えの元になる表を、業務部門が自分で用意できる App Builder は Free Edition では使えないため、演習3ではアプリの元になる表を自分の手で作ります ©2026 Databricks Inc. — All rights reserved 61 -
演習3:Lakeflow Designer でデータを整える 自然言語と画面操作で、分析用の表を作る シナリオ 営業チームが毎日見る「店舗ごとの売上」の表を、情報システム部門に頼まずに自分で作りたい 1 サイドバーの「新規」→「ビジュアルデータの準備」を開く 2 「samples.bakehouse.sales_transactions
と samples.bakehouse.sales_franchises をつないで、 店舗ごとの売上の合計を出して」と頼み、「すべて承認」 3 「出力を追加して。種類はテーブル、保存先は workspace.default.store_sales、既にある場合は置き換える」 と頼み、「承認」→「すべて実行」。右下を「アウトプットをプレビュー」に切り替えて確かめる ポイント:SQLを書かずに、データを整える流れができる。これが「作り方の変化」の体験 早く終わった人は:演習2の Genie Agent で「設定する」→「ソース」の「追加」→「テーブル」から store_sales を選び、 「store_sales の表で、店舗ごとの売上を見せて」と聞く (整えたデータが、AIの文脈になる) ©2026 Databricks Inc. — All rights reserved 62 -
AIが間違えたら、どうする? AIも間違える。そのときは具体的に伝え直す データが見つからない 「◦◦という表を使って」と具体的に指示する グラフが意図と違う 「棒グラフではなく折れ線で」と修正を指示する 数字がおかしい 「集計の単位を月から週に変えて」と条件をはっきりさせる 部署で数字の定義が違う 「売上は税抜で」とルールを
Agent に足す 「動かない」より「◦◦になる」と具体的に伝える ©2026 Databricks Inc. — All rights reserved 63 -
ハンズオンのまとめ Genie One 質問を重ねて深掘りする、「なぜ?」を聞く Genie Agents 定義をそろえて、何度でも使える形にする Lakeflow Designer 頼んでデータを整え、流れを画面で確かめる
体験した感想は? 思ったより簡単だった?難しかった? 「これは使えそう」と思った機能は? もっと知りたいことは? ©2026 Databricks Inc. — All rights reserved 64 -
事後課題 Genie One 売上が大きく動いた日の原因を探り、報告にまとめる Genie Agents 自分で Agent を作り、言葉の意味と計算式を教えて答えを比べる App
Builder(任意) 有償のワークスペースを使える方は、自分の業務で使うアプリを作る 詳しい手順書を配布します。困ったときは Slack で質問してください ©2026 Databricks Inc. — All rights reserved 65 -
今日の振り返り 第1部 変化の兆候 2025年にAIが動き出し、2026年に「同僚」になった 第2部 変化の原動力 生成AI・エージェント・MCP、そして会社の文脈 第3部 インパクト 使い方、作り方、人の役割の3つの変化
第4部 ハンズオン Genie で聞き、Agent に定義を渡し、Designer でデータを整える 誰でも使え、誰でも作れる時代。だからこそ、文脈と確かめる仕組みが要る ©2026 Databricks Inc. — All rights reserved 67 -
今日お伝えしたかった3つのこと 1 変化は「いつか」ではなく「今」起きている 待っていると取り残される 2 技術の詳細より「何ができるか」を知る 使いこなす側に回る 3 情報システム部門の役割は「作る」から「整える・確かめる」へ より価値の高い仕事へ
「知っている」と「できる」は違う ── 今日の体験を活かしてください ©2026 Databricks Inc. — All rights reserved 68 -
明日からできること 小さく始めて、徐々に広げる 事後課題に取り組む 実践力を身につける 今週中 自分の業務で試してみる 「これ、Genie に聞けるかも」を探す 今月中 チームに共有する
今日の体験を同僚に伝える 3ヶ月以内 情報をキャッチアップ 月1回は新機能をチェック 継続的に ©2026 Databricks Inc. — All rights reserved 69 -
情報システム部門として準備すべきこと スキルアップ 生成AIツールの習熟、AIへの指示の出し方の基礎 文脈の整備 データ基盤の整備、指標の定義と業務ルールの明文化 確かめる仕組み AIの答えを評価する方法を決める ガバナンス 社内の利用ガイドライン、AI事業者ガイドライン(第1.2版でAIエージェントも対象に)への対応 組織連携
業務部門との協働体制、教育プログラムの企画 「作る」から「整える・確かめる・守る・育てる」へ ©2026 Databricks Inc. — All rights reserved 70 -
質問タイム 今日の内容について、何でも聞いてください 質問の例 自分の部署でどう活用できるか 導入するときの注意点 技術的な疑問 後からの質問:Slackチャンネル #講義-生成aiで変わる情報システム ©2026 Databricks
Inc. — All rights reserved 71