財務データからAI対応の意思決定へ：Power BI、Microsoft Fabric、セマンティックモデル、AIエージェント（Rishi Sapra [MVP]）

AI エージェントが単にデータを表示するのではなく、財務データや業務データを「理解」し始めたら、何が起こるでしょうか?M365.FM のこのエピソードでは、Mirko Peters が Microsoft MVP の Rishi Sapra と対談し、従来のダッシュボードを超えて、AI を活用した文脈認識型の分析へと進むために必要なアーキテクチャについて語ります。テーマは Microsoft Fabric、Power BI、Copilot Studio、セマンティックモデル、オントロジー、そしてデータエージェントです。組織にはすでに、ERP システム、Excel ブック、Power BI レポート、Microsoft Fabric、SharePoint、財務システム、予算、予測、業務アプリケーションなどに分散した膨大な情報があります。その上に AI を載せても、AI が自動的にビジネスを理解するわけではありません。「収益」とは実際に何を意味するのか?AI エージェントはどの定義の利益率を使うべきか?どの KPI が公式な真実のバージョンを表すのか?エージェントは顧客、製品、地域、コストセンター、契約、業務プロセスの関係をどのように理解するのか?その答えは、生データと AI の間にあるコンテキストレイヤーにますます求められています。

セルフサービス BI からセルフサービス AI へ

Rishi は、財務モデリングと Excel から、Power Query と Power BI の初期の時代、そして今日の Microsoft Fabric と AI エコシステムに至るまでの自身の歩みを説明します。Power BI は、ビジネスインテリジェンスを中央集権的な IT 部門から業務ユーザーの手元に届けるのに役立ちました。しかし、このプラットフォームは大幅に高度化しています。セマンティックモデル、DAX、レイクハウス、OneLake、Direct Lake、Copilot Studio、データエージェント、オントロジー、MCP ベースのツール、ガバナンス、そして AI が組み合わさり、個々の業務ユーザーには理解しづらいアーキテクチャになりつつあります。AI エージェントはこの関係を変える可能性があります。すべてのビジネスユーザーがデータエンジニア、BI 開発者、AI エンジニアを兼ねる必要はなくなり、エージェントが技術アーキテクチャの一部を構築・運用し、人間はビジネスの文脈を提供するという形になるかもしれません。

AI にとってビジネスコンテキストが重要な理由

エピソードの中心的な問いは、驚くほどシンプルです。あなたの組織では、業務プロセスと意思決定がどの程度文書化されていますか?組織の実際の知識の多くはデータベースにあるわけではありません。Excel の数式、Power BI のメジャー、SharePoint のファイル、業務プロセス、ドキュメント、そして人々の頭の中に存在しています。AI エージェントが意味のあるビジネスインサイトを生み出すには、組織はデータだけでなくコンテキストを捉える必要があります。質問しているのは誰か?その人はどんな意思決定を下す必要があるのか?どの KPI が重要か?どのビジネスルールが適用されるのか?特定の文脈において、ある指標は何を意味するのか?ここから、ペルソナ主導のインサイトという考え方が生まれます。これは、単により多くのデータを公開するのではなく、特定のビジネスユーザーの質問や意思決定を中心に分析を設計するというアプローチです。

データモデル、セマンティックモデル、オントロジーの違い

対談では、現代の Microsoft 分析アーキテクチャにおいて重要性を増している 3 つの概念を取り上げます。データモデルは、基礎となるデータとその関係を構造化します。Power BI のセマンティックモデルは、ビジネスロジック、メジャー、計算、リレーションシップ、セキュリティを追加し、統制された分析レイヤーと KPI の信頼できる情報源を提供します。しかし、AI はしばしばそれ以上のものを必要とします。オントロジーは、顧客、製品、店舗、従業員、地域、契約、収益、業務プロセスといった概念について推論できるよう、ビジネスの実体とその関係を記述できます。セマンティックモデルは「その数字はいくつか?」に答え、オントロジーや追加のコンテキストは AI が「なぜその数字が変化したのか?」を調査する助けになります。これらのレイヤーを組み合わせることで、AI エージェントにとってはるかに強固な根拠が得られます。

AI の基盤データとしての Microsoft Fabric

Microsoft Fabric はこのアーキテクチャの中核を担います。OneLake、レイクハウス、Delta テーブル、セマンティックモデル、Direct Lake、Fabric データエージェント、Copilot Studio との統合により、構造化データと非構造化データの両方を扱う統一基盤を構築できます。エピソードでは、Direct Lake が重要である理由も説明されます。従来の Power BI セマンティックモデルでは、データを繰り返しインポートして更新する必要がありましたが、Direct Lake では分析パフォーマンスを維持したまま、Delta 形式で保存されたデータに Power BI が直接アクセスできます。これにより、企業データから分析と AI へ至る道のりを大幅に簡素化できます。

組織の頭脳を構成する 5 つのレイヤー

Rishi は、相互に連携する 5 つのレイヤーで構成される「組織の頭脳」を説明します。

• データ:信頼できる企業情報とソースシステム。
• ロジック:DAX、SQL、Python、計算、KPI、ビジネスルール。
• ツール:セマンティックモデル、API、MCP サーバー、アプリケーションなど、エージェントが利用できる機能。
• スキル:エージェントがツールをどのように使い、情報をどう解釈すべきかを説明する指示と業務プロセス。
• ガバナンス:エージェントが何をしてよいかを規定する権限、ポリシー、セキュリティ、統制。

目標は、単に LLM により多くのデータへのアクセスを与えることではありません。特定のビジネス上の問いに対して、どのデータ、ロジック、ツール、プロセスを使うべきかを AI が理解できる、統制された環境を提供することです。

AI エージェントには決定論的なデータが必要

生成 AI は柔軟に推論できるため強力です。しかし財務報告を完全に柔軟性に頼ることはできません。収益、利益率、予測、コスト、その他のビジネス指標には、決定論的な計算と統制された信頼できる情報源がしばしば必要です。そのためエピソードでは、エンタープライズ AI の未来は 2 つの世界を組み合わせることにかかっているかもしれないと論じます。信頼できる計算とビジネスロジックのための決定論的コンピューティングと、推論、解釈、探索、自然言語による対話のための生成 AI です。Microsoft Fabric とセマンティックモデルは決定論的な基盤を提供し、AI エージェントは柔軟な推論レイヤーを提供できます。

ダッシュボードからパーソナライズされたインテリジェンスへ

従来のダッシュボードは、何が起きたかを伝えます。例えばダッシュボードには、収益が 7% 減少したと表示されるかもしれません。その後ユーザーは、ディメンション、フィルター、レポート、データセットを掘り下げて、なぜそうなったのかを理解する必要があります。AI エージェントはこの探索の多くを自動的に行える可能性があります。しかし、優れたストーリーテリングには依然として文脈が必要です。最も重要な数字が、必ずしも最も大きい数字とは限りません。ビジネス指標は、収益、予算、前期比較、組織構造、その他の要因との関係で解釈される必要があるかもしれません。ここにおいて、ペルソナ主導の分析が特に重要になります。CFO、営業責任者、業務マネージャーは、同じ KPI について質問するとしても、まったく異なる説明とアクションを必要とするのです。

Copilot Studio と次世代エージェント

対談ではまた、Microsoft Copilot Studio が、従来のトピックとナレッジに基づくチャットボットから、より高機能なエージェント型システムへと進化していく過程についても取り上げます。最新のエージェントは、ツール、スキル、企業データ、ワークフロー、推論を組み合わせる可能性があります。しかし、その能力の拡大は新たなリスクも伴います。エージェントに与えられる自律性が大きいほど、根拠づけ、権限、ガバナンス、評価、そして明確に定義された指示の重要性が高まります。AI エージェントは財務数値を勝手に作り出したり、データソースを恣意的に選んだりすべきではありません。信頼できるセマンティックモデル、統制されたデータ、明示的なスキル、明確なガードレールが必要です。

ガバナンスを再び機能させる

エージェント型の組織では、ガバナンスはさらに重要になります。ガバナンスを従業員が読むことを期待される文書として扱うのではなく、組織は AI エージェントが使う環境、ポリシー、スキル、指示の中にガバナンスを直接組み込めるようになってきています。議論では、エージェントをデジタル社員のように扱うという考え方が探られます。エージェントには、明確な責任、承認されたツール、アクセス権限、ビジネスルール、パフォーマンス期待値、そして境界が必要です。そのためガバナンスは、文書化よりも自動化された強制へと重心を移していきます。

Fabric と AI のための運用モデル

最後にエピソードでは、組織がこうした変化をどのように管理できるかを検討します。