「なぜ売上が落ちたのか」を自分で聞ける——OpenAI「Data agent」と、その手前で会社がやる仕事

要点

• OpenAIが2026年9月10日、ChatGPT Work に「Data agent」を公開した。社内データに接続し、質問するだけで調査・分析・対話型ダッシュボードの作成までを行う。クエリを書く必要も、新しい分析ツールを覚える必要もない、としている
• 接続先として挙がっているのは Amazon Redshift、Datadog、Google BigQuery、ClickHouse、Databricks、MongoDB、Snowflake ほか。Google Drive や SharePoint のファイルも分析に持ち込める
• 数字の意味づけには、社内の業務用語・指標定義・独自計算・データ間の関係を使う。その供給元として Databricks Genie Ontology、dbt、GitHub、Snowflake Horizon、既存のBIダッシュボードが挙げられている
• 権限は緩まない。管理者が接続先と使えるロールを選び、クエリは接続アカウントが元々持っている権限（テーブル・行・列単位の制限を含む）をそのまま適用する
• 出力先は ChatGPT の中だけではない。Omni、Oracle BI、Power BI、Sigma、Tableau、ThoughtSpot のダッシュボードを、自然言語の指示で作成・操作できる
• OpenAI社内では、製品チームのほぼ全員と、GTM（営業・マーケ）組織の3分の2超がこの仕組みで自分でデータを分析している。Alphaプログラムには NTT DATA、Thermo Fisher などが参加

何が新しいのか

「AIにデータを分析させる」こと自体は新しくありません。CSVを貼れば集計もグラフも出ます。今回のアナウンスで変わったのは、分析の対象が、貼り付けたファイルから、会社が正本として運用しているデータそのものに移った点です。

OpenAIが冒頭に置いている問いが、そのまま射程を示しています。「なぜ売上が鈍ったのか」「どこで支出が増えているのか」「主要顧客のどの案件が更新を脅かしていて、何から直すべきか」。これらの答えを得るには、これまでレポートを待つか、分析できる誰かに頼む必要がありました。その待ち時間をなくす、という提案です。

もう一つ新しいのは、社内の言葉を読ませていることです。「売上」「有効顧客」「解約」——同じ単語でも、部署が違えば定義が違います。Data agent は、その定義をセマンティックレイヤー（dbt、Snowflake Horizon、Databricks Genie Ontology など）や既存のBIダッシュボードから受け取って解釈に使う、とされています。AIが賢くなったから正しく答える、という構図ではありません。会社が言葉を揃えてあるから正しく答える、という構図です。

仕組み

1. 接続は管理者が握る

エンタープライズ管理者が、どのデータ接続を使えるようにするか、どのロールに使わせるかを選びます。そのうえでクエリは、接続したアカウントが持つ既存の権限に従います。テーブル単位・行単位・列単位の制限がそのまま効く、と明記されています。「AIだけ特別に全部見える」状態にはならない設計です。

2. 会話のまま、根拠まで戻れる

結果に対して追加の質問を投げ、各findingの裏にある根拠を確認できるとされています。分析を投げっぱなしにせず、一つの会話の中で方向を直していく使い方です。

3. 分析をダッシュボードに変える

作った分析は、可視化つきの対話型ダッシュボードにできます。チームが編集・共有・更新でき、自社のブランドガイドラインを渡せば見た目もそれに合わせられるとされています。さらに Tableau や Power BI など既存のBIツール側にビューを作ることもできます。既存のBI投資を捨てさせない作りです。

4. 分析の次の行動まで

次に取るべき手と関係者が誰かを提案させ、Slack やメールで共有したり、承認した操作を接続済みツールで実行させたりできる、とされています。ここは分析ツールというより、エージェントの領域です。

5. 自社で先に使っている

OpenAI は、この仕組みを社内で広く使っていると書いています。ただし重要なのは続きの一文です。それを可能にしたのはデータチームが「共通の業務定義を作り、アクセス規則を設定し、機微データに保護策を置いた」からだ、と。ツールを配ったから広まったのではなく、下ごしらえをしたから広まった、という順序が明記されています。

企業のAI活用にとっての意味

1. ボトルネックは分析スキルではなく、データの定義だったことがはっきりする。

「分析ができる人が足りない」と言われてきた課題の相当部分は、聞き方とクエリの壁でした。そこが下がると、次に露出するのは定義の不一致です。営業の言う「受注」と経理の言う「売上計上」がずれていれば、AIはずれたまま答えます。しかも、それらしい形で答えます。

先に整えるべきは、AIのプロンプトではなく、指標の定義書と、その正本の置き場所です。

2. 「非エンジニアが自分でダッシュボードを作る」が、コストの話として効く。

NTT DATA の Global AI Office 責任者 Yuji Shono 氏のコメントが、日本企業の実情に近い言い方をしています——ライセンス費用・手間・技術的な専門性がダッシュボードの全社展開を難しくしてきたが、Data agent によって営業や管理部門の非エンジニアが自分でダッシュボードを作って更新できるようになった、と。

BIツールの席数を全員分は買えない、だから見たい人が見られない。この詰まり方は、多くの会社で起きています。

3. 権限設計が、そのままAIの見える範囲になる。

「接続アカウントの権限をそのまま適用する」という設計は、裏を返せば現状の権限設計の粗さが、そのままAIに引き継がれるということです。退職者の権限、兼務で膨らんだロール、「とりあえず全部見える」で作った共有アカウント。人が手で見ている間は表面化しなかったものが、質問一つで横断的に引き出される状態になります。

導入の検討と同時に、接続に使うアカウントの権限棚卸しをセットで進める必要があります。

4. 研修の題材が「プロンプト」から「問いの立て方」に移る。

操作は「@Data で質問する」だけです。差がつくのは何を聞くかになります。OpenAI が例示しているプロンプトも、そのまま業務の型です——指標の変化の要因を診断させる／新規事業のKPI体系（主要指標・ドライバー・ガードレール・目標・検証項目）を設計させる／今月の数字を経営向けの報告に整える。

研修で扱うべきは、この問いの型と、出てきた答えの検算の仕方です。根拠に戻れる機能がある以上、「根拠を見ずに数字を使わない」を習慣として教えられます。

5. 「誰でも分析できる」の前に、「何をもって正しいとするか」を決めておく。

全社員が自分でダッシュボードを作れるようになると、同じ指標の違うバージョンが社内に増えます。会議で数字が食い違い、議論が数字の突き合わせに消える、という事態は、BIツール導入時にも起きてきたことです。

対策は技術ではなく運用です。正本とするダッシュボードを決める、定義を変えるときの手続きを決める、個人が作った分析は個人のものとして扱う。この3つを先に置いておくだけで、混乱の大半は避けられます。

※本記事の内容と数値は、すべてOpenAIが公開した発表資料の記述に基づきます。Data agent は ChatGPT Work のプラグインとして提供され、管理者がワークスペース設定から有効化・配布する形です。利用可能な地域・プランの詳細は、一次情報および自社の契約内容をご確認ください。

※ この記事は海外の一次情報（発表元の公式発信）のみを出典とし、内容を確認のうえ掲載しています。