dbt の考えるアナリティクスエンジ ニアの未来 (と私の雑感)

Tokyo dbt Meetup #22（ https://www.meetup.com/tokyo-dbt-meetup/events/316908519/ ）での発表資料です。

パネルのテーマ「AI 時代にデータエンジニアはどう生きるのか？」の導入として、dbt Labs の 2026 State of Analytics Engineering Report と dbt ブログをもとに、dbt が考えるアナリティクスエンジニアの今後を紹介しました。

■ 内容
1. 2026 State of Analytics Engineering から見る課題
AI の成果物がガバナンスの成熟より速く増えている。2026 年に差をつけるのは規律、つまりコンテキストである
2. 求められるアナリティクスエンジニアの役割
Coding agents がモデル開発の作業を引き受けるようになり、アナリティクスエンジニアの責任はシステム設計・ガバナンス・AI へのコンテキスト提供へ移っている
3. コンテキストのための dbt
テスト・鮮度・リネージ・Semantic Layer といった、dbt がすでに持っているメタデータをエージェントの回答に使う例。dbt-labs/dbt-context-engineering を使って、通話記録などの非構造データを意味検索する仕組みを dbt のモデルとして作る例
4. まとめ

■ 参考
- The analytics engineer in 2026: system designer, governance owner, AI context provider
https://www.getdbt.com/blog/the-analytics-engineer-in-2026-system-designer-governance-owner-ai-context-provider
- From analytics engineer to context engineer
https://www.getdbt.com/blog/from-analytics-engineer-to-context-engineer
- dbt-labs/dbt-context-engineering
https://github.com/dbt-labs/dbt-context-engineering
- dbt-labs/jaffle-logistics
https://github.com/dbt-labs/jaffle-logistics

Transcript

1. 2026-11-11 Tokyo dbt Meetup #22 dbt の考えるアナリティクスエンジ ニアの未来
2. 自己紹介 経歴 NA Yuki Misumi Partner Solutions Architect dbt Labs, Partner Solutions Architect ← stable株式会社, Data Engineer ← フリーランス, Software Engineer ← 楽天グループ株式会社, Privacy Specialist 課外活動 X (@myshmeh) でデータ活用に関する発信をしています！
3. Fivetran + dbt による、信頼性の高い AI活用を支えるデータ基盤 MOVE data from 750+ sources MANAGE TRANSFORM 30+ destinations ACTIVATE 200+ apps OUTCOMES データウェアハウス モジュール型 SQL変換 データベース インテリジェントな ワークフロー制御 データレイク ストリーミング プラットフォーム 高スループットかつ低レイテンシなログ ベースCDC機能に加え、SaaS、データ ベース、ファイルシステム、クラウドファンク ション等のスキーマドリフトや API変更への 自動対応を実現。 + Connector SDK Pythonによるあら ゆるデータソースへの接続 AI主導の データモデリング MANAGED DATA LAKE SERVICE セマンティック層 AI & エージェント and more Reverse ETL リアルタイム 分析 エンドツーエンドのパイプライン Open table formats: Apache Iceberg & Delta Lake コーディングなし データリネージ Catalog & governance: FivetranマネージドApache Polaris、AWS Glue、Unity Catalog、Apache Iceberg向 けレイクハウス、OneLakeへの対応 データドリブンなオ ペレーション データ品質 MCP / AGENTS SCHEMA オープンソース規格のコンテキスト参照 ANY COMPUTE … PLATFORM FOUNDATION BUILD & EXTEND SECURITY & PRIVACY RELIABLE & AUTOMATED 豊富な拡張性（ SDK / API / 外部連携） 高い堅牢性と柔軟なデプロイメント 圧倒的な処理実績と高稼働率（ 99.9%の稼働率）
4. 2026 State of Analytics Engineering と dbt Blogs から、dbt の考えるアナリティク スエンジニアの未来をご紹介します。 1. 2026 State of Analytics Engineering から見る課題 2. 求められるアナリティクスエンジニアの役割 3. コンテキストのための dbt 4. まとめ
5. 2026 State of Analytics Engineering Report dbt Labs が毎年実施する、データ実務者とリーダー向けの調査。AI が「実験」から 「日常の運用」に移った 2026 年に、データチームの優先事項・課題・予算がどう変 わったかをまとめている。 今年のテーマ AI が、それを支える信頼とガバナンスの仕組みよりも速く、成果物を増やし ている 実施期間 回答数 回答者 2025-12-05 〜 2026-02-01 363 件 実務者 73% 管理職・経営層 27% 出典：dbt Labs, 2026 State of Analytics Engineering Report, p.1, p.4, p.25（Methodology）
6. AI導入の優先順位が、 生産性の加速 にある傾向
7. データ品質、曖昧なデータの ownership が依然として大きな課題
8. コンピュートの支出は、予算より速く伸びている
9. レポートのまとめ • AI が生み出す成果物は、それを支えるガバナンスの成熟よりも速いペースで増えている。 • その結果、analytics engineering には、AI が生成した知見によって既存の信頼のギャップが広がるのを防ぐ責任が生まれ ている。 • AI 統合の次のフェーズは、生成から実行へ移っていくだろう。したがって、規律（discipline）は自律性の前提条件になる。 • 2026年、差をつけるのは規律である。つまり、コンテキストの年になる。
10. 個人的雑感 • 昨今では、トークンコストも大きな問題 • 規律には、コンテキストだけでなく、データ品質管理、ガードレール含むエージェン トの振舞いを規定する仕組み作りが重要 • こういう取り組みを通じて、いかにコスト効率良く、信頼できる AIエージェントをエン ジニアリングできるかが求められているのでは • ISUCONでは、ユーザハーネスの出来で結果に差が出てる模様
11. 目次 dbt の考える analytics engineering の未来 1. 2026 State of Analytics Engineering から見る課題 2. 求められるアナリティクスエンジニアの役割 3. コンテキストのための dbt 4. まとめ
13. Coding agentsで、モデル開発の作業的な側面は自動化されつつある
14. 2026年のアナリティクスエンジニアの責任は、より設計の性格を強めている 01 02 03 システムデザイン ガバナンスオーナーシップ AI コンテキストの提供 System designer Governance owner AI context provider • 個々のモデルの実装より、モデル群がシ • テスト、コントラクト、カラムレベルリネー • メトリクス定義、リネージ、モデルのドキュ ステムとしてどう動くかを設計する ジ、オーナーの割り当てを担う • どのモデルをどの指標の正とするか、ド • AI でデータの生産が速くなるほど、信頼 メインの境界、セマンティックレイヤーの できる基盤と「速いが信頼できない」基盤 構造を決める の差はここで決まる メント、スキーマコントラクトが、AI エー ジェントのコンテキストになる • 命名、ドキュメント、機械可読な定義を整 えるほど、その上で動く全エージェントの 信頼性が上がる https://www.getdbt.com/blog/the-analytics-engineer-in-2026-system-designer-governance-owner-ai-context-provider
15. 個人的雑感 • かつての作業者リソースと同じだけ、エンジニアリソースが必要とは思えるだろう か（不安 • また、今議論あるコンテキスト整備やらのベスプラが分かったら、その時点でこれ はスキル化される（不安 • まだ答えの無い課題に向き合う、本質的エンジニアリングの営みに価値が残って いるだけなのかも（やるしかないか
16. 目次 dbt の考える analytics engineering の未来 1. 2026 State of Analytics Engineering から見る課題 2. 求められるアナリティクスエンジニアの役割 3. コンテキストのための dbt 4. まとめ
17. すでに、 dbt はデータの信頼性に関するコンテキストを保有している 先月の関東の売上 ❸ は？ dbt platform ソース システム 整形データ Salesforce 受注システム 商談 受注明細 stg_deals ✓ テスト stg_orders ✓ 鮮度 ✓ テスト ✓ 鮮度 Cortex Agents 先月の関東の売上は 4.2 億円（前月比 8%）です。元データは今 朝 600 に更新済みで、品質テストも 12 件すべて通過していま dbt MCP す。そのため、信頼できる数値です。 ❶ 4 集計データ fct_revenue ✓ テスト この「売上」はどう作られた数字？ ✓ 鮮度 Cortex Agents 3 dbt Semantic Layer 受注確定額から返品を引いた金額です。Salesforce の商談と受注 売上 metric システムの受注明細から作っています。 ❷ 回答精度 1 鮮度・品質が見える コスト効率 2 リネージで由来を答える 3 ビジネス用語で聞ける 4 事前集計で低コスト 5 問い合わせの往復が減る
18. dbt のモデリング手法を援用し、 非構造データからコスト効率の良いコンテキスト提供ができる 利用者 データソース ・形式 アナリティクスエンジニアリング コンテキストエンジニアリング ダッシュボードを見たり、クエリを実行したりする個人 Claude や Codex など、組織全体で使う AI エージェント 定量データ ＋ 定性データ （メールや文字起こしなどのテキスト、 定量データ：構造化されたテーブルと指標 PDF、通話録音、サポートチケット、チャットログ）＋ 半構造デー タ / JSON 目的 大量のデータを KPI にモデル化し、チャートやダッシュボードで エージェントにビジネスのコンテキストを渡し、正確な回答と信頼 「何が起きたか」を理解する できるアクション を大規模に実現する https://www.getdbt.com/blog/from-analytics-engineer-to-context-engineer
19. 一例：dbt-labs/dbt-context-engineering（jaffle-logistics の通話記録の場合） 非構造データを意味検索する仕組みを、 dbt のモデルとして構築できる 01 02 発話に分解 stg_call_transcripts 03 チャンク化 → chunk_transcripts int_transcript_turns call_transcripts_hashed [話者 — 所属]: 発言 の形式から、話 発話を崩さずに約 100 トークンずつま 者と発言を取り出して 1 発話 1 行にす とめ、差分検知用の content_hash を る 付ける → 04 ベクトル化・分類 call_transcripts _embed call_transcripts _classify call_transcripts_embedded_classified DWH の AI 関数でベクトル化（Snowflake は AI_EMBED）し、業務カテゴリのラベルを付ける。 → 統合 法務 事故 CRM 問合せ ＋ 他 4 ソースも同じ流れで合流 knowledge_base エージェントが意味検索 vector_search 変わったチャンクだけ再 embed し、件数・トーク ンの上限で止める 5 ソースを共通スキーマで union する。検 索は問い合わせのたびに、コサイン類似度 で関連チャンクを引用元つきで返す ポイント 商談ログ・社内文書等の事業知識を直接 MCP 経由で参照するより、クエリ・トークンコストを抑えられる 統合インターフェースから、素早く意味検索ができる https://github.com/dbt-labs/jaffle-logistics https://github.com/dbt-labs/dbt-context-engineering
20. 目次 dbt の考える analytics engineering の未来 1. 2026 State of Analytics Engineering から見る課題 2. 求められるアナリティクスエンジニアの役割 3. コンテキストのための dbt 4. まとめ
21. アナリティクスエンジニアの未来は、コンテキストエンジニア 01 AI の活用にガバナンスが追いつかない状況で、差をつけるのは規律 02 アナリティクスエンジニア の責任は、作業的なモデル開発から システム設計・ガバナンス・コンテキスト提供へ 03 dbt のモデリングとメタデータは、そのまま AI のためのコンテキストになる
22. 個人的雑感 • 作業だけでご飯を食べれる時代が、終わりを告げようとしている • これからは（も）、本来のエンジニアリング力をもって、事業に貢献する姿勢が大事 な気がした • 最初のステップとして、自分のタスクがシステム全体のどこになぜ位置しているの か、改めて意識しようと思いました！！
23. 12/9 『実践dbt入門』出版記念イベントあります！