メインコンテンツへスキップ
見出し画像

【GeoAI】第13回:問いを入れると地図が出てくる—AIが「分析の手前」を引き受け始めた

    2026年8月11日、FeltのHead of CartographyであるMamata Akelaがブログにこう書きました。

    Your data should be able to live where it's most useful — not where your GIS tool can see it. With Felt's new warehouse connections, maps now reflect the latest data automatically.

    Mamata Akella「Query your warehouse directly: live maps without ETL or Python」(2026.8.11)

    「地図ツールが見られる場所にデータを持ってくるのではなく、データがある場所に地図が来る」—この一文は、GeoAIの世界で長年くすぶってきた問題の核心を突いています。

    地理空間AIの進化を語るとき、私たちはモデルの精度や、AIが地図をどう「理解するか」に目を向けがちです。しかし現場が抱える最大のボトルネックは、実はそこではありませんでした。問題は、分析が始まる「手前」にありました。


    ETLという見えない壁

    地図上で何かを分析しようとするとき、必ず最初に立ちはだかるのがETL(Extract, Transform, Load)と呼ばれる作業です。
    ETLとは、「データを取り出して、変換して、送り込む」という一連の手順のことです。企業のデータはSnowflakeやBigQueryといったデータウェアハウス(大規模なデータ保管庫)に入っています。それをGISツールで地図化するには、データをウェアハウスから取り出し(Extract)、GISが読める形式に変換し(Transform)、GISに読み込ませる(Load)—この作業が毎回必要でした。
    しかもこの手順は、データが変わるたびに繰り返さなければなりません。「昨日の分析はできた。今日の最新データで同じ分析をやりたい」—それだけのことに、データエンジニアの半日が消える。これがETLという見えない壁の正体です。

    地理空間AIがどれだけ賢くなっても、この壁はAIの賢さとは別の場所に立っていました。モデルが精度を上げても、そもそもデータを地図に渡す段階で詰まる—これが多くの組織の現実でした。


    AIが「手順書」を自分で書く

    Feltが8月11日に発表した新機能は、この壁に対するひとつの回答です。

    仕組みはこうです。SnowflakeやBigQuery、DatabricksといったデータウェアハウスをFeltに接続すると、FeltのAIが自然言語の問いを受け取り、必要な空間SQL(データベースを地理的な条件で検索するためのコード)を自動的に生成して実行します。データをエクスポートする必要はありません。Pythonのコードを書く必要もありません。AIが「このデータについて、この場所に絞って、この条件で集計して」という手順書を自分で書き、データウェアハウスに直接問い合わせて、結果を地図として返します。

    たとえば「フェニックス市内で、過去3か月に新規開業した飲食店を地図にして」と入力すると、AIはデータウェアハウスの中から関連するテーブルを探し、地理空間関数を使ったSQLを書き、結果を適切なスタイルで地図に表示する—この一連の作業を、ユーザーはただ問いを入力するだけで完結できます。


    これは「便利な機能」ではなく、役割の転換だ

    一見「操作が楽になった」という話に見えます。しかし本質はもっと深いと見ることもできます。

    これまで、GeoAIにおけるAIの役割は「分析を補助する」ことでした。データを用意して、クエリを書いて、地図に取り込む—この前工程を人間がこなしたうえで、AIに「このデータから何が読み取れるか」を聞く。AIはあくまで「答える側」でした。

    今起きていることは、その役割分担の変化です。AIが前工程ごと引き受ける。「何を知りたいか」を人間が伝えると、AIが「どのデータをどう取ってくるか」から「どう地図にするか」まで一気に担う—これはAIが「ツール」から「空間分析の実行主体」に近づく動きです。

    この変化の方向性は、CARTOが提唱するAgentic GIS(エージェント型GIS)と一致しています(本連載第1回でも取り上げました)。AIエージェントが地理空間データにアクセスし、分析を設計して、結果を返す—その動きが、ハイエンドな専門ツールから日常的なGIS操作の場面にも広がってきていることを、今回のFeltのアップデートは示しています


    「手前」が消えると、何が変わるのか

    前工程がAIに吸収されると、変わることが三つあります。

    分析のサイクルが速くなる。
    「仮説を立てる→データを準備する→分析する→地図にする→判断する」
    というサイクルの、「データを準備する」ステップが大幅に短縮されます。それだけ多くの仮説を短い時間で試せる。

    分析できる人が増える。
    SQLもPythonも書けなくても、「こういうデータを地図で見たい」という意図さえあれば分析できる。地理空間分析の民主化とよく言われますが、その実質的な意味は「前工程のコストがゼロに近づくこと」です。

    データとGISの境界が薄まる。
    これまでGISの専門家はGISツールを使い、データエンジニアはデータウェアハウスを操作し、それぞれの役割が分かれていました。AIが両者をつなぐと、その境界が溶けていく。「データがわかる人」と「場所がわかる人」が同じ土台に立てるようになります。


    前工程が「消える」のか「変わる」のか

    ただし、誤解のないように補足しておきたいことがあります。

    ETLが完全になくなるわけではありません。大量データの定期バッチ処理や、複雑なデータクレンジング、厳格なガバナンスが求められる企業システムでは、これからもETLの仕組みは必要であり続けます。FMEのような専門的なデータ統合ツールが担う役割は、そういう場面で引き続き大きい。

    変わるのは「どこからが人間の仕事か」という境界線です。定型的で反復的な変換作業—ファイルを落として、形式を揃えて、読み込ませる—この部分をAIが吸収していく。一方で、データモデルの設計や品質の担保、セキュリティの管理といった判断を伴う部分は、人間が引き続き主体となる。

    前工程が「消える」のではなく、「AIが担う層」と「人間が担う層」に再編成されていく—そう見るのが正確ではないでしょうか?


    まとめ

    GeoAIの進化を語るとき、私たちはしばしば「AIが地図をどれだけ賢く理解できるか」に注目します。しかし現場が本当に詰まっていたのは、「賢い分析を始める前」でした。データを地図に渡すためのETLという手前の作業が、いつも時間とコストを食っていた。

    Feltが今回提示したのは、その前工程をAIが引き受けつつあるという方向性です。データウェアハウスに直接接続し、自然言語を空間SQLに変換し、地図を生成する—人間がやっていた手順書の作成を、AIが担うようになりました。

    これはGeoAIにおける役割の転換のひとつの表れです。AIが「答える側」から「実行する側」へ。空間分析の「手前」を飲み込んでいく動きは、これからさらに広がっていくでしょう。


    連載「GeoAI」

    バックナンバーはマガジンでまとめています。GeoAI|Pacific Spatial Solutions

    お問い合わせ

    CARTO・FME・Feltなど地理空間AIプラットフォームの活用にご関心のある方は、Pacific Spatial Solutions までお気軽にご相談ください。


    あなたへのおすすめ