Anthropic式データ分析95%自動化の裏側

Anthropic（アンソロピック）は2026年6月3日、自社のデータサイエンスおよびデータエンジニアリング部門において、社内で発生するビジネス分析用クエリ（データベースへの問い合わせ命令）の95%をAIモデルのClaudeによって自動化し、合計で約95%の回答精度を達成していることを公式ブログで明らかにしました。この取り組みにより、人間のデータサイエンティストは機械学習や因果モデリングといった、より戦略的で高度なタスクに集中できるようになっています。同社は、自社の自律型データ分析エージェント（指示なしでデータ収集から分析まで行うAI）が陥りやすい3大失敗要因を提示するとともに、それを解決し精度を最大化するための「エージェント指向データスタック（データを蓄積・分析するための技術要素）」の設計手法を公開しました。

1. 分析エージェントが陥る3大失敗要因と解決スタック

Anthropicによると、従来のコード生成支援AIとは異なり、データ分析では「唯一の正しいデータソースから唯一の正しい答え」を導く必要があるため、以下の3つの失敗が生じやすいとされています。

• ​概念とエンティティの曖昧さ​​：ユーザーの曖昧な問い（例:「アクティブユーザー数」）が、具体的にどのテーブルやスキーマ（データベースの構造定義）に紐づくのかをAIが特定できない問題。
• ​データの陳腐化​​：スキーマやビジネス定義が頻繁に変更され、AIの知識が古くなる問題。
• ​検索の失敗​​：正しい情報がデータベース内に存在しても、探索範囲が広すぎて見落とす問題。

同社はこれらを解消するため、定義を一元化するセマンティックレイヤー（データの関係性や定義を整理する中間層）の導入や、データモデルの修正時にドキュメントも同時に更新する「colocation」ルールなどを徹底しています。

2. 回答精度を高める手続き的知識「スキル」と多層検証

AIの回答精度を従来の21%から95%以上に引き上げる最大の要因となったのが、手続き的知識をMarkdown形式で構造化した「スキル」の作成です。これによりAIは、どのソースをどの順序で参照すべきかを指示され、データベースの探索範囲を絞り込めるようになりました。

また、出力された回答に対し、別のAIモデルが前提条件を疑って欠陥を探す「敵対的レビュー（検証用のサブエージェントプロセス）」を導入。この検証プロセスにより、回答精度はさらに6%向上したものの、トークン（AIが処理する文字や単語の最小単位）の消費量が32%、処理の遅延が72%増加したと報告されています。

データベースにLLMを直接接続してSQL（データベースの操作言語）を実行させるだけでは、定義の曖昧さやデータの陳腐化により、実用的な精度を得ることは困難です。Anthropicが提示した設計手法は、AIによるデータ分析の自動化を目指す企業にとって強力なガイドラインとなるでしょう。ただし、検証プロセスの追加に伴うコストや処理速度の低下といったトレードオフ（一方を立てれば他方が立たない関係）が存在するため、実務においては情報の重要度に応じたバランス調整が必要になると見られます（編集部注：特に、即時性が求められるダッシュボードなどでは、AIエージェントの検証レイヤーの設計を慎重に行う必要があると考えられます）。