[2026-07-15] AI Ready なはずだったアーキテクチャと、見えてきた課題・次に目指す状態

「AI Ready組織を見据えた データ基盤戦略とは」( https://findy.connpass.com/event/398555/ ) 登壇時資料です。

Transcript

1. AI Ready なはずだったアーキテクチャと、 ⾒えてきた課題‧次に⽬指す状態 Findy Career Talk #7「AI Ready組織を⾒据えた データ基盤戦略とは」 2026-07-15 株式会社 IVRy 和⽥ 悠佑
2. 2 ⾃⼰紹介 和⽥ 悠佑 2013 年 〜 ヤフー株式会社 Android エンジニア / データサイエンティスト 2019 年 〜 株式会社メルカリ データアナリスト / 検索エンジニア 2022 年 〜 株式会社 estie データ基盤エンジニア（Snowflake） 2024 年 〜 株式会社 IVRy アナリティクスエンジニア Analytics Engineer / Engineering Manager エンジニア⽅⾯からやってきてデータ周辺をフラフラしてます
3. 3 今⽇話すこと AI Ready を⽬指したつもりだったデータ分析基盤の紹介 ⾒えてきた課題 AI 活⽤を推進するために⽬指すこと
4. 1. データ分析基盤紹介 2. ⾒えてきた課題 3. 今後⽬指していくこと 4. まとめ 5. 宣伝 4 もくじ
5. データ周りのアーキテクチャ ( https://findy-tools.io/companies/ivry/90/76 ) 5
6. 社内データ分析に関わるのはこの辺 ( https://findy-tools.io/companies/ivry/90/76 ) 6
7. 7 中⾝は素直な 3 層構造 ⼈やダッシュボードは セマンティックレイヤーを 参照 使⽤ツール
8. 8 Mart 層がコンテキストに対応 Databricks Genie Agent ‧ ‧ ‧ ‧ ‧ ‧ 例えば「電話呼量」と呼ぶものであっても 事業の成⻑の観点では社内利⽤は含めたくない システムの負荷を考えるときは単純な全量が欲しい Data Mart を⽤途別に整備 対応する形で AI を配置すれば ⽬的別にデータアクセスできる ⼈による数値の揺れも吸収できる （AI Ready なつもりだったところ） 特定の Mart に閉じて使えば コンテキストに対応したデータが得られる （フラグ）
9. 9 現時点での効果 AI も利⽤して⾃分でデータ抽出できる⼈が増加！ 特に経営企画‧マーケはヘビーユーザー データメンバーへの依頼が⽬に⾒えて減少 「ここから数字を取れば正確だとわかると安⼼」 というコメントも （Mart 層がコンテキストと⼀致する効果）
10. 1. データ分析基盤紹介 2. ⾒えてきた課題 3. 今後⽬指していくこと 4. まとめ 5. 宣伝 10 もくじ
11. 11 間違いを起こしにくい設計の弊害 AI が誤ったデータを出さないように コンテキストに閉じるように設計 セマンティックレイヤーに実装されていない 指標やディメンションが使えない 回答は間違わないけど セマンティックレイヤーで できることは実装に閉じる （AI も⼈も）
12. 12 今まではどうしていたか 「これができない」「これが必要」という声 ＋ データに関するこれまでの知識 で良い感じに対応（綺麗なデータ資産化）
13. 13 （半端な）AI Ready で起き始めたこと AI 利⽤でできることが増えた社内メンバーは セマンティックレイヤーの不⾜を⾃分で補い始める 他 Mart の流⽤（コンテキスト横断） Raw Data からアドホックにロジック構築 Genie Agent はコンテキストに 閉じた振る舞いをするので 外部から別の AI を使い始める
14. 14 課題 1: データの信頼性の低下 Mart を横断して使うことでコンテキストが混ざったり Raw Data からアドホックにデータを作ることで またしても「⼈によって数字が違う」問題が発⽣ 全体を⾒る AI はコンテキストに 閉じないので、データ操作者の 差が明確に出る
15. 15 課題 2: 資産化プロセスの消失 依頼せずに⾃分で解決するようになったことにより データメンバーが「良い感じ」を作るプロセスが消失 AI を使って想定していない抜け道を⾒つけられることも dbt でできることを別の難しい⽅法で実現したり サンドボックス環境にデータをおいて業務を回したり
16. 16 課題 3: コストと効率化 個⼈視点では AI によって加速するが…… こいつはすぐに 「タスク優先度が……」 とか⾔う 何らかのアウトプットを 出すのも AI の⽅が早い 依頼も楽 ‧ ‧ ‧ ‧ AI
17. トークン代、データ処理実⾏代、組織全体での時間 17 本当に効率的ですか……？ 俺が中間モデル 作った⽅が 早かったりしない？
18. 1. データ分析基盤紹介 2. ⾒えてきた課題 3. 今後⽬指していくこと 4. まとめ 5. 宣伝 18 もくじ
19. 19 「AI で個⼈が早い」から 「AI で組織が早い」に
20. 20 依頼を受けるのではなく、痕跡を⾒つける これまで以上に能動的に動き社内のデータ資産を増やす データ分析基盤の使われ⽅の監視強化 Genie Ontology など、⾃動で社内の知識を抽出するような 仕組みの有効活⽤
21. 21 実験中: クエリそのものを AI に評価させる hoge.fuga.piyo
22. 22 データの外側のエコシステムを考える データに直接関わるところだけでなく 会社全体に⽬を向ける必要あり データの使われ⽅は？ 各組織のコミュニケーションは？ 知識‧知⾒はどう共有されている？
23. 23 AI 時代の golden path を⽬指す（できてない） 局所的なちょっとした不便さは AI で突破される 外部 AI 利⽤禁⽌は現実的でない 組織のエコシステムを含んだ golden path を設計する（模索中） 「データメンバーと話した⽅が早かったね」 AI とではなく、あえて⼈と話す仕組み 「Databricks や dbt などの仕組みを学ぶ⽅が早かったね」 ⼈も AI も、簡単に学習できる仕組み
24. 1. データ分析基盤紹介 2. ⾒えてきた課題 3. 今後⽬指していくこと 4. まとめ 5. 宣伝 24 もくじ
25. AI Ready なデータ分析基盤を⽬指したところ AI 活⽤の局所解的なところにハマった データ組織に閉じた対応策だけでなく 組織全体のエコシステムの golden path を設計することで 「AI で個⼈が早い」から「AI で組織が早い」へ 25
26. 1. データ分析基盤紹介 2. ⾒えてきた課題 3. 今後⽬指していくこと 4. まとめ 5. 宣伝 26 もくじ
27. 27 うわっ…求められるスキル広すぎ…？ IVRy 採⽤強化中です データチームも積極採⽤中 データ基盤の話から組織の設計の話まで幅広く 皆で取り組みたい！
28. 28 データチームの採⽤ページもできました。
29. 26 0 6.07. 0 @ IVRy 東京オフィス