メインコンテンツへスキップ
見出し画像

AIにKPIを計算させない――同じ質問に同じ数字を返す「Metric Contract」8項目

    同じ「先月の売上はいくら?」という質問を、二つのAIへ投げる。

    一方は12.0億円。もう一方は11.6億円。どちらもSQLを示し、計算も通っている。違ったのは、注文日と売上計上日のどちらを使ったか、キャンセルを除いたか、税込か税抜かだった。

    この状態で「より賢いモデルへ替えよう」と考えても、問題は残る。会社が一つに決めていない前提を、AIが推論で埋めているからだ。

    この記事は、生成AIや分析エージェントから売上、解約率、稼働率などのKPIを安全に参照したい社内SE、IT企画、データ基盤・BI担当者向けに書いている。

    先に結論を言う。

    AIには、認証済みの指標と分析条件を選ばせる。計算式とデータの結合方法は、その場で作らせない。

    そのために、KPI定義書を「Metric Contract」という機械実行可能な契約へ変える。

    指標名を統一しても、数字が揃うとは限らない

    「売上」の説明文を一つに統一し、各AIのプロンプトへ渡す。これは必要な一歩だが、まだ十分ではない。

    説明を読んだ後、それぞれのAIが生データへSQLを書くなら、次の選択が再びAIへ戻る。

    • 注文、出荷、請求、入金のどの日付で期間を切るか

    • 明細、注文、顧客のどの粒度で数えるか

    • 返品、取消、社内取引、テストデータを除くか

    • NULLをゼロとして扱うか、集計対象外にするか

    • 顧客や商品をどのキーで結合するか

    同じ定義文を読んでも、SQLが違えば数字は変わる。

    2026年10月15日に発表されたAtScale for AIも、質問の意味解決、統制された指標計算、結果評価を別の機能として扱っている。Google Cloudも同日の更新で、LookMLの意味定義や権限を引き継ぐアプリと、Dashboard Agentの設定をコード・レビュー・CIで管理する流れを示した。

    市場の焦点は「AIにデータを読ませられるか」から、「誰が意味と計算を決め、変更をどう検証するか」へ移っている。

    ただし、セマンティックレイヤーを入れれば自動的に解決するわけではない。定義済みの指標には強いが、未知の仮説を探索する分析まで一つの仕組みへ押し込むと、質問の自由度が落ちる。大切なのは、正本として答える指標と、調査として試す分析を分けることだ。

    AI、契約、計算エンジンの役割を分ける

    安定した構成では、役割が三つに分かれる。

    • AI:質問の意図を読み、候補の指標・期間・分析軸を選ぶ。曖昧なら質問を返す。

    • Metric Contract:指標の意味、計算経路、利用条件、版、正解例を返す。

    • 計算エンジン:認証済みの定義から決定的に計算し、使用した版と条件を記録する。

    たとえば「今月の売上を地域別に見せて」という質問なら、AIが作るのは自由なSQLではない。

    
    {
      "metric_id": "net_sales",
      "time_range": "2026-10-01/2026-10-18",
      "dimensions": ["sales_region"],
      "filters": [],
      "as_of": "2026-10-18T06:30:00+09:00"
    }
    

    この要求を受けた計算エンジンが、認証済みの結合・式・除外条件を使う。

    AIは「何を知りたいか」を構造化する。正しい数字を作る責任は、検証済みの計算経路へ残す。

    Metric Contractに入れる8項目

    1. 変わらない識別子と呼び名

    表示名とは別に、機械が参照するIDを持たせる。

    「純売上」「ネット売上」「売上高(返品控除後)」のような呼び名は変わっても、同じ指標なら一つのIDへ解決する。逆に、受注額と売上高のように意味が違うものを、似た名前だからと同じ指標へ寄せてはいけない。

    2. 何の判断に使う数字か

    説明は辞書的な一文だけでなく、「この数字で何を判断するか」まで書く。

    経営会議の実績確認に使う数字と、営業現場の速報値は、同じ名称でも確定時期や除外条件が異なる。利用目的が違うなら、同一指標の版や状態として分けるか、別IDにする。

    3. 計算式と計算する場所

    分子、分母、集計関数だけでなく、どの認証済みモデルやAPIが計算するかを指定する。

    AIへ説明文だけを渡し、「あとはSQLを書いて」としない。LookML、MetricFlow、Cube、Semantic View、社内集計APIなど、組織が正本と認める計算経路へ接続する。

    4. 数える単位

    一行が何を表すかを決める。

    顧客数を数えるのか、契約数か、注文数か。明細テーブルを結合した後に顧客を数えるなら、重複排除の単位も必要になる。比率指標では、分子と分母の粒度が揃っているかを確認する。

    5. 時間の基準

    対象期間、基準日、タイムゾーン、締め時刻、会計カレンダーを決める。

    「10月の売上」だけでは、注文月、出荷月、計上月、入金月のどれか分からない。月末確定値と日中速報値も区別する。質問に時間基準がなければ、勝手に既定値を使うのではなく、用途に応じて確認を返す。

    6. 含めるもの、除くもの、値がない場合

    取消、返品、社内取引、試験データ、休眠顧客などの条件を列挙する。

    NULL、未確定、非開示、該当なしを同じゼロへ畳まない。値が出せない場合は、数字ではなく理由コードを返す。

    7. 許可する分析軸とアクセス境界

    地域別、商品別、部門別など、組み合わせてよいディメンションを定義する。

    同時に、誰がどの行・列・集計粒度まで見られるかを、既存の権限ポリシーへ結び付ける。指標が正しくても、見てはいけない内訳をAIが返せば運用として失敗だ。

    8. 有効期間、責任者、正解テスト

    指標の版、適用開始日、廃止日、承認者、変更理由を残す。

    さらに、代表質問と期待結果をGolden Testとして持つ。定義やデータモデルを変更したら、同じ質問を再実行し、意図しない数字の変化を検出する。

    そのまま使えるMetric Contractのひな型

    
    metric:
      id: net_sales
      label: 純売上
      aliases:
        - ネット売上
        - 返品控除後売上
      business_purpose:
        question: 確定した販売実績を確認する
        not_for:
          - 受注速報
          - 入金見込み
      computation:
        authority: semantic_layer
        model: certified_sales_model
        expression_ref: metrics.net_sales_v3
        unit: JPY
      grain:
        entity: order
        unique_key: order_id
      time_basis:
        field: recognized_at
        timezone: Asia/Tokyo
        calendar: fiscal
        cutoff: "翌営業日 06:00"
      population:
        include:
          - status = recognized
        exclude:
          - cancelled = true
          - internal_transaction = true
          - test_record = true
        missing_value: return_reason_code
      allowed_dimensions:
        - sales_region
        - product_category
        - customer_segment
      access_policy_ref: sales_analytics_policy
      governance:
        version: 3
        valid_from: 2026-10-01
        owner: 経営管理部
        approver: データガバナンス責任者
        review_due: 2027-01-01
      ambiguity_rules:
        - phrase: 売上
          candidates: [net_sales, gross_sales, order_value]
          action: ask_user
      golden_tests:
        - question: 10月の純売上
          dimensions: []
          expected_query_ref: test_net_sales_monthly
        - question: 10月の純売上を地域別に
          dimensions: [sales_region]
          expected_query_ref: test_net_sales_by_region
    

    最初から全社の指標を登録する必要はない。

    経営会議や月次報告で繰り返し使い、数字が食い違うと影響が大きい5指標から始めればよい。売上、粗利、稼働率、解約率、在庫回転などが候補になる。

    曖昧な質問には、数字ではなく確認を返す

    「売上を教えて」と聞かれたとき、候補が一つに決まらないなら、AIは計算を始めない。

    売上には「受注額」「総売上」「返品控除後の純売上」があります。どれを確認しますか。期間は注文日と売上計上日のどちらを基準にしますか。

    確認を返すことは、AIが賢くない証拠ではない。曖昧な業務用語を推測で確定しない、正しい停止動作だ。

    質問を減らしたいなら、ユーザーの役割や利用画面に応じた既定値を契約側へ置く。ただし、どの既定値が適用されたかは回答へ表示する。

    回答には数字だけでなく、判定根拠を付ける

    少なくとも次を返す。

    • 使用したmetric_idと表示名

    • 指標の版

    • 期間と時間基準

    • 適用した分析軸・フィルター

    • データの最終更新時刻

    • 計算経路

    • 警告や欠損理由

    数字が正しいかを、利用者が毎回SQLまで読まなくても確認できるようにする。問題が見つかったときも、「モデルが間違えた」で終わらず、意図解決、契約、計算、データ鮮度のどこでずれたかを切り分けられる。

    Semantic Layerを使わない方がよい場面もある

    Metric Contractが向くのは、同じ定義で繰り返し答えるべき業務指標だ。

    一方で、次の作業は探索経路として分けた方がよい。

    • まだ指標化されていない現象の発見

    • 原因候補を広く探すアドホック分析

    • 新しい結合や切り口を試す仮説検証

    • サンプル数や統計手法を変えながら行う調査

    探索結果をそのまま「会社の公式数字」に昇格させない。再利用する価値が確認できた段階で、定義・責任者・テストを付けてMetric Contractへ移す。

    この区別があれば、「すべてを事前定義すると分析が硬直する」という反論と、「AIへ自由にSQLを書かせると数字が揺れる」という問題を同時に扱える。

    4週間で始める最小導入

    第1週

    会議資料やダッシュボードで数字が食い違った事例を集め、影響が大きい5指標を選ぶ。

    第2週

    8項目の契約と代表質問を作る。業務部門、BI担当、データ基盤担当が同じ場で決める。

    第3週

    AIから生テーブルへの自由SQL経路を残したまま、認証済み指標だけを呼ぶ経路を追加する。公式回答にはこちらを使い、探索回答には「調査中」と表示する。

    第4週

    過去の質問をGolden Testとして自動実行する。正答率だけでなく、曖昧な質問で確認を返せたか、禁止された分析軸を拒否できたか、使用した版を表示できたかも確認する。

    導入前チェックリスト

    • 同じ指標名に複数の計算式がないか

    • 定義文と実際のSQLが別管理になっていないか

    • 粒度と時間基準が機械判定できるか

    • 除外条件と欠損理由が明示されているか

    • AIが選べる分析軸を制限しているか

    • 権限が既存システムから継承されるか

    • 曖昧な質問で停止・確認できるか

    • 変更時にGolden Testが走るか

    • 回答から使用版と計算経路を追跡できるか

    一つでも答えられない項目があるなら、モデル選定より先に、数字の正本を整える余地がある。

    AIに任せるのは「意味の選択」まで

    AI分析の価値は、SQLを書く速さではない。人が業務の言葉で質問でき、同じ前提なら同じ数字へ到達し、違う前提ならその違いを説明できることにある。

    会社として答えるKPIは、AIの推測力に賭けない。

    AIには意図を解釈させる。Metric Contractには意味と利用条件を持たせる。計算は認証済みの経路で一度だけ行い、結果をテストする。

    この分担ができて初めて、自然言語の分析画面を、便利なデモから意思決定の道具へ変えられる。

    設計情報そのものの用途・正解例・禁止事項を整える方法は、AIに設計書の意味を推測させない――Semantic Contractで扱っています。

    値がない理由をゼロや否定へ潰さない設計は、AIに「空欄」を推測させない――欠損理由契約へつながります。

    このアカウントでは、大企業の生成AI活用を、ツール紹介ではなく、意味・権限・承認・証跡・変更運用まで仕事で再利用できる形にしていきます。AIを業務へ組み込む設計を継続して読みたい方は、次の記事も追えるようフォローしておいてください。

    参考資料

    ※本記事でいうMetric Contractは、複数の実装に共通する設計要素を整理した一般化した名称です。特定製品の正式用語ではありません。

     
     
    ユーザー企業の立場から、生成AI活用、社内SE、システム企画・設計を考えます。AIエージェントの権限・検証・運用や設計情報の活かし方を、実務で使える判断基準として整理します。

    あなたへのおすすめ