Share
Embed
Slide 1
Slide 1 text
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
Slide 2
Slide 2 text
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
Slide 3
Slide 3 text
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
Slide 4
Slide 4 text
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
Slide 5
Slide 5 text
データ周りのアーキテクチャ
( https://findy-tools.io/companies/ivry/90/76 )
5
Slide 6
Slide 6 text
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
Slide 7
Slide 7 text
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
Slide 8
Slide 8 text
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）
Slide 9
Slide 9 text
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）
Slide 10
Slide 10 text
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
Slide 11
Slide 11 text
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）
Slide 12
Slide 12 text
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）
Slide 13
Slide 13 text
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
Slide 14
Slide 14 text
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
Slide 15
Slide 15 text
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
Slide 16
Slide 16 text
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
Slide 17
Slide 17 text
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？
Slide 18
Slide 18 text
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
Slide 19
Slide 19 text
19
「AI で個⼈が早い」から
「AI で組織が早い」に
Slide 20
Slide 20 text
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
Slide 21
Slide 21 text
21
実験中: クエリそのものを AI に評価させる
hoge.fuga.piyo
Slide 22
Slide 22 text
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？
Slide 23
Slide 23 text
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
Slide 24
Slide 24 text
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
Slide 25
Slide 25 text
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
Slide 26
Slide 26 text
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
Slide 27
Slide 27 text
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！
Slide 28
Slide 28 text
28
データチームの採⽤ページもできました。
Slide 29
Slide 29 text
26
0 6.07. 0 @ IVRy 東京オフィス