
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。