OpenAIが、自社の膨大なデータ資産を効率的に活用するための内製AIツール「データエージェント」の詳細を明らかにした。このツールは、単なる自然言語によるインターフェースではない。7万件を超えるデータセットと、総計600ペタバイト（PB）に及ぶデータ群を、エンジニアだけでなく非技術部門の社員までもが数分で分析・可視化できるように設計された、高度な推論エンジンなのだ。
特筆すべきは、このエージェントが「GPT-5.2」という最新のフラッグシップモデルをベースに構築されている点だ。さらに、コードベースからデータの意味を抽出する「Codex Enrichment」を含む6層のコンテキスト（文脈）保持システムを搭載しており、従来のメタデータ管理では不可能だった「データの真の意図」の理解を実現している。
膨大なデータの海で溺れる組織の課題
OpenAIのデータプラットフォームは、3,500人以上の内部ユーザーを抱え、日々爆発的に増加するデータを処理している。しかし、規模が拡大するにつれ、深刻な問題が浮上していた。それは「適切なテーブルを見つけ出すだけで膨大な時間がかかる」という、ビッグデータを抱える企業共通のジレンマである。
社内ユーザーからは「似たようなテーブルが多すぎて、どれを使うべきか判断できない」「ログインユーザーのみを含むのか、ログアウトユーザーも含まれるのか、フィールド名だけでは判別不能だ」といった不満が募っていた。たとえ正しいテーブルを見つけたとしても、複雑なSQLを手動で記述し、多くの結合処理（Join）やフィルター条件のデバッグに時間を費やすことは、アナリスト本来の業務である「意思決定のための洞察」を阻害する。
OpenAIのエンジニアであるBonnie Xu、Aravind Suresh、Emma Tangの3氏が率いるチームは、この「データ探索の摩擦」を解消すべく、単にクエリを生成するだけでなく、データそのものの「背景」を理解し、自律的に思考するエージェントの開発に着手した。
意思決定を加速させる「6層のコンテキスト」
OpenAIが開発したデータエージェントの核心は、モデルをグラウンディング（根拠付け）するための多層的な情報構造にある。単純なRAG（検索拡張生成）を超え、以下の6つのレイヤーから知識を統合している。
第1層：テーブルの使用状況（Table Usage）
スキーマ情報やカラム名、データ型といった基本的なメタデータに加え、過去に実行された膨大なクエリ履歴を学習している。これにより、どのテーブルが頻繁に結合されるか、どのカラムがビジネス指標として重要視されているかをエージェントが自律的に推論する。
第2層：人間による注釈（Human Annotations）
ドメインエキスパートが手動で作成したテーブルやカラムの説明文。ここには、スキーマからは読み取れない「ビジネス上の意図」や「既知の注意点」が含まれる。
第3層：Codexによるコード強化（Codex Enrichment）
本システムの最も革新的な要素である。OpenAIの「Codex」を活用し、そのテーブルを生成したソースコード（SparkやPythonのパイプライン）をクロールして分析する。SQLやメタデータには現れない「データのフィルタリングロジック」「集計アルゴリズム」「鮮度の保証範囲」をコードレベルで解釈し、データの真の定義を抽出する。これにより、表面上は同じに見える2つのテーブルの違いを正確に指摘できるようになる。
第4層：組織知（Institutional Knowledge）
Slackのメッセージ、Google Docs、Notionなどのドキュメントを検索対象に含める。製品のローンチスケジュールや技術的なインシデント、社内で定義された標準メトリクスの算出根拠などを参照することで、「なぜ特定の時期にデータが急落したのか」といった文脈依存の問いに回答可能となる。
第5層：学習するメモリ（Memory）
ユーザーからの修正や、会話の中で発見されたデータのニュアンスを保存する。一度「この実験データには特定のフラグが必要だ」と指摘されれば、エージェントはそれを記憶し、次回以降のクエリに反映させる。これにより、使い込むほどに精度が向上する。
第6層：ランタイムコンテキスト（Runtime Context）
既存の知識が古い場合や存在しない場合、エージェントはデータウェアハウスに対して直接ライブクエリを発行し、実際のデータの分布やスキーマをリアルタイムで確認する。
「22分から82秒へ」劇的な効率化の実証
このシステムの効果は圧倒的だ。OpenAIが公開したテスト結果によると、「ChatGPT Image Genの過去30日間のログイン済みDAU（日間アクティブユーザー数）」という、一見単純だが複数の条件判断が必要なクエリにおいて、メモリ機能がない状態では適切なテーブルの特定に苦労し、回答までに22分以上を要した。
対して、6層のコンテキストとメモリを活用した場合、エージェントは瞬時に「正解」となるテーブルとフィルタ条件を特定。わずか1分22秒で正確な回答を導き出した。かつては専門のデータチームに依頼し、数日を要していた分析ワークフローが、自然言語による数分間の対話で完結するようになったのである。
思考するエージェント：閉ループの自己学習プロセス
このエージェントは、単に命令を遂行するだけのツールではない。GPT-5.2の高度な推論能力を活かし、自らの進捗を評価する「自己補正」機能を備えている。
例えば、生成したSQLを実行した結果、行数がゼロだったり、異常な値が出力されたりした場合、エージェントは「何かが間違っている」と判断。結合条件やフィルター設定を自ら調査し、アプローチを調整して再試行する。この「クローズドループ」の思考プロセスにより、ユーザーが介在することなく、高品質な分析結果が保証される。
また、頻繁に繰り返される定型的な分析（週次レポートなど）については、「ワークフロー」としてパッケージ化する機能も備えている。ベストプラクティスを再利用可能な形で保存することで、組織全体での分析精度の平準化を図っている。
厳格なセキュリティと「透明性」の確保
機密性の高いデータを扱う以上、セキュリティは最優先事項だ。このエージェントはOpenAIの既存のアクセス制御モデルに完全に統合されている。ユーザーが本来権限を持っていないテーブルに対しては、エージェント経由であってもアクセスは拒否される。
さらに、AIの「ブラックボックス化」を防ぐための工夫も施されている。エージェントは回答とともに、自身の推論プロセス（どの資料を参照し、どのような仮定を立てたか）を要約して提示する。実行されたSQLコードや生データへのリンクも明示されるため、ユーザーはいつでもプロセスの妥当性を検証できる。
汎用AIから「業務に特化したエージェント」への転換点
OpenAIがこの内製ツールを公開した背景には、AIの進化が「知識の提供」から「実行の代行」へと移行していることを示す意図がある。
GPT-5.2のような強力なモデルを、ただ汎用的なチャットボットとして使うのではなく、企業の独自のコード、ドキュメント、そして膨大な構造化データと密接に結合させる。これこそが、AIが真に「同僚（Teammate）」として機能するための条件であることを、彼らは自社のプラットフォームで証明した。
「コードこそがデータの真実を語る」という洞察に基づくCodex Enrichmentは、データガバナンスのあり方を根本から変える可能性がある。ドキュメントが更新されずとも、ソースコードを読み解くAIがいれば、データの意味は常に最新の状態に保たれる。
OpenAIのこの試みは、将来的に外部のエンタープライズ顧客向けに提供されるソリューションの雛形となるだろう。600PBの海を自在に航行するこのエージェントは、データ主導の経営を目指すあらゆる企業にとっての「北極星」となるはずだ。
Sources
