企業は長年、データをダッシュボードへ集約し、グラフや指標を見やすく並べることに力を注いできました。しかし、AIへ質問すれば、必要な集計や比較、グラフ、次に取るべき行動まで示される環境が生まれています。終わりつつあるのは「見える化」ではなく、用意された画面を分析の最終地点とする時代です。利用者がAIを使って分析するようになるほど、データの管理、検索、安全性、ログの価値は高まります。製品やサービスの競争軸も、画面の魅力からデータへの信頼へ移ろうとしています。

【シリーズ「AIトランスフォーメーション（AX）」】
「調べる・まとめる・作る」を一気に実行！Genspark活用のすすめ
AIトランスフォーメーションを成功へ導くステップとは？
Difyで始める最速AX！AIのビジネス活用の成否は「ナレッジ管理」で決まる
【2026年最新版】業務変革の要！AIエージェント導入ガイド
「神エクセル」がAXを阻害する？AIフレンドリーなExcel運用・管理法
オフライン駆動可能！ローカルLLM＋RPAでパーソナルなAIエージェント
データアナリティクス最前線！AI時代のデータ分析は何が変わったのか
AIエージェントはどこまで届く？MCPが広げる可能性とリスク
GeminiはAIモデル競争から脱落したのか？Googleの勝ち筋とは
「Claude Fable 5」規制騒動から考えるモデルルーティング戦略の必要性

ダッシュボードを作り込む競争が終わりつつある

ダッシュボードは、複数のシステムに分散した情報を集め、組織の状態を把握する手段として普及しました。ところがAIの登場により、作成者が分析内容を先に決め、利用者がその結果を見るという前提が変わり始めています。

ダッシュボードは想定した問いに合わせて作られてきた

従来のダッシュボードでは、作成者が重要な指標を選び、集計する期間や分類を決め、適切なグラフへ変換していました。利用者は、表示された売上や在庫、稼働率などを確認し、地域や商品、期間などの条件を切り替えながら状況を把握します。どのような問いに答えるかを、画面の作成者が先に決める仕組みだったのです。

この方式は、あらかじめ想定した問いには効率よく答えられます。一方、画面にない観点から調べたくなると、別のレポートを探すか、データを出力して集計し直す必要があります。「売上が下がった」という事実は分かっても、「どの商品と地域が影響したのか」「前年の同じ時期と何が違うのか」と疑問が広がれば、用意された画面だけでは足りません。追加の分析を担当者へ依頼し、結果を待つこともありました。

ダッシュボードを提供する側は、情報の正しさだけでなく、グラフの種類、配色、配置、操作性にも工夫を重ねてきました。限られた画面へ多くの情報を収め、見た瞬間に状況が伝わるようにすることが、製品や提案の魅力につながっていたからです。見栄えのよい画面は今後も必要ですが、それだけで製品が選ばれることは難しくなります。

AIが画面を探す手間を省く

Power BIのCopilotでは、自然な言葉でデータについて質問すると、AIがセマンティックモデルを検索して結果をグラフで返します。セマンティックモデルとは、データ同士の関係や指標の計算方法を、業務上の意味に合わせて整理したものです。既存のレポートにない問いであっても、その場で計算式を作り、別の期間や分類で集計できます。

分析の対象も、開いているレポートだけとは限りません。利用者が権限を持つ複数のレポート、セマンティックモデル、データの検索や分析を行うAIエージェントを横断して情報を探し、要約や新しいグラフを作る機能が用意されています。利用者は「どの画面に答えがあるか」を覚えるのではなく、知りたいことをAIへ伝えるところから分析を始められます。

SnowflakeのCortex Analystも、自然言語の質問をSQLへ変換し、保存された構造化データを直接分析します。Tableau Nextは、利用者が普段使うAIエージェントや業務環境へ分析機能を組み込み、回答から業務上の行動へつなげる方向を示しています。変化の中心は、データがクラウドからPCへ移ることだけではありません。提供側が分析内容を決める方式から、利用者が問いに応じて分析内容を決める方式へ移ることにあります。

簡単な分析は手元で行える

この変化を最も分かりやすく表しているのが、システムからCSVなどのファイルを出力し、利用者が使うAIへ渡す方法です。特別な分析画面を開発しなくても、合計や平均の計算、項目別の比較、傾向の説明、グラフの作成を依頼できます。基本的な自然言語検索や可視化は、以前より簡単に実現できるようになりました。

その結果、グラフを豊富に用意することや、自然な言葉で簡単な集計ができることは、模倣されやすい機能になります。長い時間をかけて魅力的なダッシュボードを作っても、利用者がデータを出力し、AIで必要な分析を行うなら、画面の開発に投じた費用がそのまま差別化につながるとは限りません。

ただし、ファイルの出力は手軽である一方、更新後の情報が反映されない、複数の版が乱立する、元のシステムで設定した権限が及ばなくなるといった問題があります。個人が試す段階ではファイル出力で足りても、企業全体で利用するには、管理されたデータへAIを安全に接続する仕組みが必要です。

ダッシュボードに残る役割

AIが個別の問いに答えられるようになっても、ダッシュボードが不要になるわけではありません。売上、利益、在庫、稼働率など、組織が継続的に追う指標は、共通の定義と表示方法で共有する必要があります。会議の参加者がそれぞれ異なる質問をAIへ送り、別々の結果を見ていては、議論の前提をそろえにくくなります。

AIの回答は、同じ質問と同じデータを使っても異なる場合があります。MicrosoftもPower BIのCopilotについて、出力を利用者が評価し、検証する必要があると説明しています。確定した指標を定期的に確認する場面や、異常を一覧で監視する場面では、表示内容を固定し、組織で共有できるダッシュボードが適しています。

今後のダッシュボードは、あらゆる分析を詰め込む画面ではなくなります。共通指標を確認する標準画面、異常に気づくための監視画面、AIが示した回答の根拠を確認する画面として残るでしょう。画面で変化を見つけ、詳しい理由をAIへ質問するという組み合わせも考えられます。終わりつつあるのはダッシュボードそのものではなく、見栄えのよい画面をデータ活用の中心に置く考え方です。

AI時代にも残る機能

利用者がAIで分析するようになれば、業務システムやBI基盤は、利用者にとってデータの貯蔵庫に近づきます。しかし、データを保存しておくだけでは、AIは正しい答えを返せません。管理、保守、検索、指標の定義は、画面より見えにくいものの、分析の品質を決める役割を担います。

「データの貯蔵庫」だけで正しい分析はできない

AIが分析に使うデータには、継続的な更新が必要です。欠損や重複を修正し、日付や名称の形式をそろえ、どのシステムから取得した情報なのかを記録しなければなりません。顧客情報や取引履歴を扱うなら、誰が何の目的で閲覧できるかも管理する必要があります。

この整備が不十分でも、AIは回答を返すことがあります。古い在庫情報と最新の売上情報を組み合わせたり、意味の違う項目を同じ指標として合計したりしても、文章だけは自然に見えるかもしれません。AIの説明が流暢であることと、分析に使ったデータが正しいことは別の問題です。

システムが「データの貯蔵庫」であるなら、その中身を正しく保ち、必要なデータを見分けられる状態まで含めて考える必要があります。大量のデータを保存していても、更新日や出典が分からず、同じ名前のファイルが複数存在する状態では、AIが活用できる資産にはなりません。

AIに言葉の定義を教える必要がある

同じ「売上」という言葉でも、受注時点で計上するのか、出荷や検収を基準にするのかで数字は変わります。「顧客」が契約企業を指す場合もあれば、店舗や利用者を数える場合もあります。利益、解約率、稼働率なども、対象範囲や計算方法が違えば同じ値にはなりません。

データベースのテーブル名や列名をAIへ渡すだけでは、こうした企業固有の定義を判断できません。そこで必要になるのが、業務上の対象、データ同士の関係、指標の計算方法、分析に使う分類を整理したセマンティックモデルです。Snowflakeは、自然言語からSQLを生成するCortex Analystでセマンティックモデルを使い、利用者の質問をデータベース上の項目や指標に結び付けています。

Power BIでも、AIが参照するテーブルや項目を絞るAIデータスキーマ、作成者が内容を確認した回答、組織独自の用語や計算条件を伝える指示、列やテーブルの説明が用意されています。例えば同じ名称の指標が複数あれば、AIがどれを使うべきか判断できるように対象を限定します。AIの精度を高めるには、画面ではなくデータの意味を整える必要があります。

検索できない知見は利用できない

企業には、取引記録、問い合わせ履歴、作業報告、契約書、製品情報などが蓄積されています。その中に優れた知見があっても、所在が分からず、必要なときに取り出せなければ価値は下がります。AIが大量の情報を扱えるようになっても、存在を認識できない情報や、検索対象に含まれていない情報は回答に使えません。

AI時代の検索は、キーワードを含む文書を探すだけではありません。データの名称、説明、作成元、更新日、関連する指標、利用権限などのメタデータを整え、利用者の質問と結び付ける必要があります。Power BIではセマンティックモデルを索引化し、利用者の言葉に対応する値を探します。更新に失敗すれば索引が古いままになり、新しく追加した情報が回答へ反映されない場合もあります。

さらに、AIによる分析結果が正しいかを評価する仕組みも必要です。Snowflakeは、自然言語の質問と正解となるSQLを組み合わせた検証済みクエリを使い、生成されたSQLの正しさを評価します。AIに任せれば保守が不要になるのではなく、正解例を整え、回答を検証し、業務やデータの変更に合わせて更新する仕事が加わります。

ブランドの軸は「画面」から「信頼性」へ

ダッシュボードの配色や配置は利用者が直接目にするため、製品の特徴として伝えやすい要素でした。これに対して、データの品質、指標の定義、検索用の索引、権限管理は画面に現れにくく、従来は裏側の機能として扱われがちでした。

AIが利用者ごとに分析結果を作るようになると、データ管理や権限設定など、画面に現れない部分の品質が製品の評価を左右します。どれほど見栄えのよい回答でも、古いデータを使っている、社内の定義と計算方法が違う、根拠を確認できないと分かれば信用されません。製品やサービスの価値は、「多くのグラフを用意できること」から、必要な情報を正しく見つけ、企業の定義どおりに答えられることへ移ります。

データをファイルとして持ち出す方法に代わり、APIやMCPを通じてAIをデータ基盤へ接続する動きも、この変化に沿っています。MCPは、AIと外部のシステムやデータを接続するための共通方式です。利用者の権限とデータの最新性を保ったままAIが検索できれば、手軽さと管理を両立しやすくなります。これからのブランドを支えるのは、画面の華やかさよりも、AIを通じてもデータを安全かつ正確に利用できるという信頼です。

正規の操作も無条件には信頼できない理由

AIは、人が画面を操作するよりも速く、多数の検索、集計、出力を実行できます。分析結果をもとに別のシステムまで操作するようになれば、誤操作や不正アクセスが及ぼす影響も広がります。ログインに成功したことだけを根拠に、その後の操作をすべて許可する設計は見直す必要があります。

ログインできても本人だとは限らない

正規のIDとパスワードが使われていても、本人が操作しているとは限りません。認証情報が盗まれている、ログイン後のセッションが乗っ取られている、不要になったアカウントが残っている、共有端末を別の人が使っているといった場合があります。組織内の利用者が、権限を本来の目的とは異なる用途に使うことも考えられます。

AIエージェントを使う場合は、利用者だけでなくAIも操作を行います。利用者が簡単な質問をしただけでも、AIが複数のデータを検索し、集計し、結果をファイルへ出力する可能性があります。指示の解釈を誤った場合や、許可した範囲が広すぎた場合には、利用者自身が意図していない情報まで取得しかねません。

認証に成功したからといって、すべての操作を信頼していいわけではありません。正規のユーザーからの要求であっても、誰が、どの端末から、どのAIを使い、何のために、どのデータへアクセスしようとしているのかを確認する必要があります。

AIにも必要な範囲だけ権限を与える

NISTが示すゼロトラストでは、社内ネットワークからの接続であることや、登録済みのアカウントであることだけを理由に信頼を与えません。データや機能へアクセスするたびに、利用者と端末の状態を確認し、その操作を許可してよいか判断します。

AIエージェントにも同じ考え方が必要です。利用者が閲覧できるデータをすべてAIへ開放するのではなく、作業に必要な項目と期間に絞ります。大量出力、権限変更、外部への送信など影響の大きい操作では追加の認証や承認を求め、1回に取得できる件数や短時間に実行できる回数にも制限を設けます。

普段は一部地域の情報しか見ない利用者が、深夜に全顧客の情報を連続して出力した場合は、正しい認証情報が使われていても確認が必要です。権限を持っているかだけでなく、通常とは異なる操作かどうかを確認することが、侵害されたアカウントやAIの異常動作を見つける手掛かりになります。

ログで操作の経緯を追跡できる

異常な操作を検知し、問題が起きた後に原因や影響範囲を調べるには、操作ログが欠かせません。最低限、次の情報を対応付けて記録する必要があります。

• 操作主体：利用者とAIエージェントの識別情報、利用した端末、接続元、認証結果。
• 操作内容：対象となったデータ、検索条件、実行した処理、参照や出力を行った件数。
• 権限の変化：権限の追加や削除、重要操作に対する承認者と承認結果。
• 処理結果：処理の成否、エラー、実行時刻、外部システムへ渡した内容。

利用者が直接行った操作と、AIが自動的に行った操作も区別できなければなりません。利用者の質問だけが残り、その質問に答えるためにAIがどのデータを読み、どの計算や出力を行ったのか分からなければ、誤った回答や情報流出の原因を特定できないからです。

NISTのCybersecurity Framework 2.0は、システム、アプリケーション、クラウドサービスでログを生成し、継続的な監視に使える状態にすることを求めています。ログは事故後の記録だけではなく、通常と異なる動きを見つけ、被害が広がる前に対応するための情報でもあります。

ログを管理する

各システムにログが残っていても、保存場所が分散し、形式や時刻がそろっていなければ、操作の流れを追うことは困難です。国際的な共同ガイダンスは、組織として承認したログ方針、ログの集中管理と相関分析、安全な保存と改ざん防止、脅威に応じた検知方針を主要な要素として挙げています。

攻撃者に侵入されたシステムの中だけにログを保存すれば、記録を消去されたり、書き換えられたりするおそれがあります。ログを別の管理基盤へ送り、閲覧や変更の権限を制限し、必要な期間にわたって保全しなければなりません。複数のサービスで発生した認証、検索、出力、権限変更を時系列で結び付けることで、個別には正常に見える操作から異常を見つけられます。

ただし、記録量を増やせば安全になるわけではありません。何を記録し、どのくらい保存し、誰が監視し、どの条件で警告するかを決める必要があります。個人情報を含むログの閲覧権限も管理しなければなりません。検索できず、改ざんの有無も確認できないログは、事故調査や異常検知に利用できません。

ファイルの持ち出しを管理する

システムからデータを出力してAIへ渡すと、元のシステムでは、その後の利用を管理しにくくなります。誰がファイルを複製したのか、どのAIへ渡したのか、その後どこへ保存したのかを追跡できなければ、システム側に詳細なログがあっても出力後の利用状況は分かりません。

AIによる分析を広げるには、ファイルの出力機能を闇雲に増やすのではなく、接続経路を整備する必要があります。元のシステムの権限設定を適用し、AIが参照したデータと実行した操作を記録し、必要に応じて接続を止められる仕組みが求められます。

利用者がAIで分析できるからといって、データの管理まで個人へ任せていいわけではありません。誰が、どのAIを使い、何へアクセスし、何を取得し、どの操作を行ったのかを追跡できることが、AI時代のデータ活用に必要な条件です。

まとめ

ダッシュボードは消滅するのではなく、役割を変えて残ります。組織が共通の指標を確認し、異常を継続的に監視し、AIが示した回答の根拠を確かめる画面は今後も必要です。一方、提供側が用意した画面だけで利用者の問いに答え、見栄えやグラフの多さを主な差別化要因とする時代は終わりつつあります。

利用者が使うAIが分析と行動提案を担うほど、データ基盤には品質、更新、検索、指標の定義、権限管理が求められます。正規アカウントによる操作も無条件には信頼せず、最小限の権限、重要操作の確認、異常の検知、ログの集中管理と保全を組み合わせなければなりません。

製品やサービスの価値は、「情報を見やすく表示すること」から、「必要な情報を正しく見つけ、安全に分析し、次の行動へつなげられること」へ移ります。AIによって画面の重要性が下がる一方、画面の裏側にあるデータ管理と安全性は、これまで以上に製品への信頼を左右することになるでしょう。

参考文献

Ask Copilot questions about your data