Narrativeで外部データを調達する方法|AIに任せる範囲と承認線

「広告の配信先を広げたいが、自社のリストだけでは足りない」「外部のデータを買えと言われても、どこの誰が集めたものか分からないものは怖い」——外部データの調達を任された分析担当と、その承認を求められる情シスや法務の双方から出てくる声です。2026年に入り、この調達の作業そのものをAIに手伝わせる道具が出てきました。データの売り場を運営する米国の Narrative は、5月に売り場を拡張し、AIエージェントが売り場を直接操作できる仕組みを公開しています。便利になったのは「探す」「つなぐ」作業であって、「買ってよいか」を決める作業ではありません。この記事では、外部データを使う側の BtoB 企業が Narrative を検討するときに、AIによる項目の自動対応付けを誰が確かめるか、エージェントに任せる操作と予算の上限、データの出どころと同意の確かめ方、買ったデータの効果の測り方を、手順の順に整理します。
カメ先生外部データの調達をAIに任せると聞くと、良いデータをAIが選んでくれると思われがちなんだ。でも実際にAIが得意なのは、他社のデータの項目名や値の形をそろえて、自社のデータとつなげる下ごしらえのほう。どの供給元から、どんな同意で集めたデータを、いくらまで買うかは、AIの得意分野ではないんだよ。
カメ子つなぐ作業が速くなっても、買う判断の重さは変わらないということですか。
カメ先生そう。しかも Narrative は、AIエージェントが問い合わせを投げたり、項目の対応付けを作ったりできる入口を公開した。お金が動く操作と、データの意味を決める操作にAIが手を出せるから、誰の権限で、どこまでを任せるかを先に決めておく必要があるんだ。
カメ子調達の手順のなかに、AIが触ってよい段と、人が判を押す段を書き分けておくんですね。
- Narrative のAIは他社データの項目を自社の共通の項目に自動で対応付け、確信度を0から100で示すが、確信度が低い対応は人が見ると公式も書いている
- MCP経由のエージェントには、探す・下書きまでを任せ、問い合わせの実行と対応付けの確定は人の承認と予算の上限で縛る
- 日本の個人情報保護法の観点で受け取れる形かを先に確かめ、買ったデータは一致率と対照群で効果を測る
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
Narrativeとは:外部データの売り場と、項目をそろえるAIを持つ基盤
Narrative(運営会社は Narrative I/O, Inc.)は、2016年に設立された米国ニューヨークの会社です。公式の説明では、自社をデータの正規化と共同利用の基盤と位置づけ、識別子の突き合わせ、企業間の安全なデータ共有、データの販売と広告配信などへの活用を一つの基盤で扱うとしています。もともとはデータを売りたい会社と買いたい会社をつなぐ売り場として知られ、売り手が値付けと公開範囲を決め、買い手が条件を指定して必要な分だけ買う形をとってきました。
この基盤の中心にあるのが、ロゼッタストーン(Rosetta)と呼ばれる正規化の仕組みです。会社ごとにばらばらな列名や値の形を、Narrative が定めた共通の項目に対応付けておくことで、出どころの違うデータを同じ問い合わせで扱えるようにします。公式ドキュメントによれば、この対応付けはAIが候補を出し、0から100の確信度をつけて示します。問い合わせには、標準の問い合わせ言語に近い独自の言語が使われ、売り手が決めたアクセスの規則に合う行だけが返る仕組みです。
なお、似た名前の製品に、分析画面を自動で作る別会社の Narrative BI があります。この記事で扱うのは、データの売買と共有の基盤である Narrative I/O のほうです。検索や社内の検討資料で取り違えないよう、運営会社名まで書いておくと安全です。
2026年の動き:データの売り場が、AIの道具も並ぶ場所になった
2026年5月27日、Narrative は売り場を大きく拡張したと発表しました。発表文によれば、これまでのデータ(自社・提携先・第三者のデータ、正規化済みと未加工の両方)に加えて、利用者が選んだAIモデルの上で動く既成の作業手順、広告配信先や顧客管理の仕組み・データ倉庫との双方向のコネクタ、Snowflake や AWS の環境にそのまま展開できる部品、組み合わせ済みの解決策、コードを書かずに使える自動化の雛形を、同じ場所で選べるようにしたとしています。
同じ発表で、遠隔で動くMCPサーバーも公開されました。人が使う画面、プログラムが使うAPIに続く三つ目の入口と位置づけられ、Claude などMCPに対応したAIエージェントが、人と同じ道具を使って基盤を操作できるようになります。7月には、Narrative 自身の対話画面も同じMCPサーバーの上に作り直したと公式ブログで説明しています。6月には、Snowflake が毎年出しているマーケティング向けデータ基盤の報告書で、データと識別子の区分の注目企業に選ばれたと発表しました。
情シスの目で見ると、この一連の動きは「データを買う画面」が「AIエージェントがデータを探し、つなぎ、問い合わせる場所」に変わりつつあることを意味します。買い手の担当者が画面で一つずつ確かめていた作業を、エージェントが会話の流れで続けて実行できるようになったぶん、確かめる場所を意識して置かないと、確認が丸ごと抜け落ちるおそれがあります。
BtoB企業が外部データを使う場面は、思うより限られる
先に押さえておきたいのは、Narrative の売り場で中心になっているのは、主に消費者の識別子・属性・位置などのデータだという点です。公式ドキュメントの事例も、端末の広告識別子への突き合わせ、来店者の属性による広告対象の作成、性別や年齢層・所得帯などの補強が中心です。企業名や役職といった法人向けの情報がどれだけ流通しているかは、売り場で供給元を探して確かめる必要があり、BtoB の見込み客リストの補強にそのまま使える前提で検討しないほうが安全です。
そのうえで、BtoB 企業が使う場面として考えやすいのは次のようなものです。一つめは、消費者向けの製品も持つメーカーや、海外の消費者に向けた事業を持つ会社が、海外の広告配信の対象を広げる場面です。二つめは、店舗や施設向けの設備・サービスを売る会社が、地域ごとの人の動きや来店の傾向を、営業の重点地域を決める分析の材料に使う場面です。三つめは、データを買わずに、ロゼッタストーンの正規化だけを使い、社内に散らばった顧客データの項目をそろえる場面です。
三つめは見落とされがちですが、外部データを社外から受け取らないぶん、個人情報の論点が一段軽くなります。最初の一歩としては、自社データの正規化で道具の癖を知り、そのあとで外部データの購入を検討するという順番が、承認を取りやすく、失敗したときの傷も浅く済みます。隣接するデータクリーンルームの考え方(相手に生のデータを渡さずに突き合わせる)とは、データを「買って受け取る」かどうかが大きく違います。
手順1:買う目的と、使わないデータの種類を先に決める
調達の最初の手順は、AIに何かを探させる前に、目的と除外を文書にすることです。目的は「広告の配信対象を広げる」「分析の説明変数を足す」「既存の顧客データの欠けた項目を埋める」のように、使い道ごとに一つずつ書きます。使い道が違えば、必要な粒度も、許される同意の範囲も、効果の測り方も変わるからです。
除外のほうは、もっと具体的に書きます。たとえば、健康状態や宗教・政治的な立場を推し量れる属性、子どもに関するデータ、正確な位置の履歴、出どころを説明できない供給元のデータは使わない、と先に決めておきます。エージェントは除外の線を自分では引かないので、ここで書いた除外が、後でエージェントに渡す指示の土台になります。
この段で決めることを一枚にまとめると、目的、使わないデータの種類、対象の国や地域、月ごとの予算の上限、承認者、効果を判定する指標と期限、の六つです。これが無いまま売り場を眺め始めると、面白そうなデータに引っ張られて目的があとから作られ、承認の場で説明がつかなくなります。
手順2:日本の個人情報保護法で、受け取れる形かを確かめる
外部データを自社の顧客データとつなげて使う場合、日本の個人情報保護法の論点が必ず出てきます。端末の広告識別子や閲覧の履歴のように、それだけでは特定の個人を識別できない情報は「個人関連情報」として扱われます。2022年4月施行の改正で、提供先が個人データとして取得することが想定される場合、提供元は提供先が本人の同意を得ていることを確かめる義務を負うようになりました。つまり、買い手の側が本人の同意を取っていなければ、その使い方自体が成り立たない場面があります。
もう一つの論点は、データが国境を越えることです。自社の顧客リストを照合のために Narrative 側へ送る場合、送り先は米国の事業者になり、外国にある第三者への提供や委託としての整理が要ります。照合用のメールアドレスをハッシュ値に変えて送る運用は一般的ですが、ハッシュ値にしても、照合できる状態で扱う限り個人情報として扱われうるという前提で法務と整理するほうが安全です。
どの整理になるかは、使い方と契約の形で変わるため、この記事で結論を出すことはできません。実務では、どの項目を、どの方向に、誰の同意で動かすかを図にして法務に見せ、受け取れる形と受け取れない形を先に線引きしてもらいます。エージェントに渡す指示には、ここで「受け取れない」とされた形のデータを、探す対象から外す一文を必ず入れます。
手順3:出どころ・同意・利用目的を、供給元ごとに確かめる
Narrative の売り場では、データの持ち主が「アクセスの規則」を作らない限り、他社はそのデータを問い合わせられません。公式ドキュメントによれば、この規則で、誰に見せるか、どの行と列を見せるか、列ごとにどう使わせるか(突き合わせには使えるが値は返さない、など)、1件あたりいくらか、を持ち主が決めます。言い換えると、何を買えるかは売り手の規則で決まり、買ってよいかは買い手が自分で決めるという分担です。
買い手として確かめるべきなのは、供給元がそのデータをどこで、どんな同意で集めたか、再販や広告への利用が同意の範囲に入っているか、更新の頻度、対象の国や地域、の四つです。売り場の説明文だけで判断せず、供給元ごとに書面で確認を取り、回答を調達の記録に残します。回答が曖昧な供給元は、確信度の高いデータであっても候補から外します。
本人からの請求への対応も、仕組みとして確かめておきます。公式ドキュメントでは、売り手が本人の配信停止や削除の請求を登録すると、その識別子は以後の問い合わせから自動で除かれ、過去にそのデータを買った買い手にも通知が届くと説明しています。ただし、通知を受けたあと、自社の仕組みから該当データを消すのは買い手の責任とされています。通知を誰が受け、何日以内に、どの仕組みから消すかを、購入前に決めておく必要があります。
手順4:AIの項目対応付けを、確信度の帯ごとに誰が見るか決める
ロゼッタストーンのAIは、まだ対応付けていない列について、どの共通項目に当たるか、どう値を変換するか、変換の前後の見本、提案の理由、確信度を示します。公式ドキュメントでは、確信度80以上を高、50から79を中、49以下を低に分け、低の対応は使う前に人が確かめることが必要と書いています。確信度は、列名の意味、実際の値の見本、変換の式の抜け、他の対応付けでの傾向から計算されるとのことです。
注意したいのは、確信度が高い対応をまとめて受け入れる操作があることです。公式も、一括で受け入れる前に少なくともいくつかは確かめるよう警告しています。たとえば性別の列で「0」を「不明」に変換する提案は、確信度が高くても、自社の元データでの「0」の意味と合っているかは、データの持ち主にしか分かりません。値の意味は会社ごとの決めごとなので、確信度は「AIがどれだけ自信を持っているか」であって「正しいかどうか」ではないと押さえておきます。
運用としては、確信度の帯ごとに確認者を決めます。高の帯は分析担当が見本を抜き取りで確認し、中の帯は分析担当が理由と見本をすべて読んで判断し、低の帯と、個人を識別する項目・購買に効く項目への対応は、データの持ち主の部門が承認する、という分け方です。変換の式を変えたときや元データが大きく変わったときは、確信度が古くなると公式も書いているので、評価を取り直す時期も決めておきます。
手順5:MCP経由でエージェントに任せる操作を三段に分ける
公式ドキュメントによれば、Narrative のMCPサーバーでエージェントが使える道具には、データの検索と説明、列の統計、見本の取得、共通項目の検索、アクセスの規則の確認、項目の対応付けの作成、問い合わせの検証と実行、処理の状況確認、自動化の作成と起動、売り場のデータで作った広告対象の表示などがあります。接続は、ブラウザでのログインによる権限つきの一時的な鍵か、APIキーのどちらかで行います。
ここで重要なのは、道具の一覧のなかに、お金が動く操作と、データの意味を確定させる操作が含まれていることです。問い合わせの実行は購入の費用と処理の費用を生み、対応付けの作成は以後のすべての問い合わせの結果を変えます。エージェントに渡す権限は、次の三段で考えると整理しやすくなります。
データの検索、列の説明、統計の確認、共通項目の検索、アクセスの規則の確認までを任せます。費用がほとんど動かず、結果を人が読んで判断できる範囲です。
問い合わせの文の作成と検証、対応付けの候補づくりまでを任せます。実行や確定はさせず、下書きを担当者が読み、理由と見本を確かめてから人が実行します。
問い合わせの実行、対応付けの確定、自動化の起動は、承認された用途と予算の上限が文に書かれているものに限ります。最初の数か月はこの段を開けない判断も十分にありえます。
APIキーで接続する場合、公式ドキュメントでは、キーの権限は読み取りと書き込みを領域ごとに足していく形で、禁止の規則は無いと説明しています。エージェント用には読み取りだけのキーを別に作り、書き込みのキーは人の手元に残すのが基本です。ブラウザでのログインで使う場合は、その人の権限がそのまま使われるので、調達の権限を持つ担当者のアカウントでエージェントを動かすときは特に注意します。
手順6:予算の上限を、問い合わせの文と契約の両方に書く
Narrative の問い合わせ言語には、1回の問い合わせで使う金額の上限や、月ごと・日ごとの上限を書ける予算の句があります。公式ドキュメントでは、定期的に更新する実体化ビューを作るときには、この句が必須とされています。エージェントに問い合わせの下書きを作らせる場合も、予算の句が無い文は実行しないという決まりを、指示とレビューの両方に入れておきます。
料金の仕組みも把握しておきます。公式の料金ページでは、従量課金の場合、処理したデータ量に応じた処理料(1ギガバイトあたり0.65ドル)、外へ持ち出したデータ量に応じた転送料(同1.50ドル)、データの持ち主に払うデータ利用料の25パーセントにあたる取引手数料がかかると示されています。データ利用料そのものは売り手が1件あたりで決めます。つまり、費用は買う件数と、処理する量と、持ち出す量の三つで増える構造です。
エージェントに予算の判断をさせないことも大切です。エージェントは指示された目的に向けて問い合わせを広げがちで、件数や期間を少し広げるだけで費用が何倍にもなることがあります。月ごとの上限は、問い合わせの文の上限、基盤の利用契約の上限、社内の稟議の上限の三重で持ち、どれか一つを超えそうなときは人に戻す設計にします。
- エージェントに書き込みの権限を持つAPIキーを渡し、問い合わせの実行と対応付けの確定まで任せた
- 予算の句が無い問い合わせを、検証が通ったという理由でそのまま実行した
- 確信度80以上をまとめて受け入れ、自社の値の意味と違う変換が数か月残った
- 供給元の同意の範囲を確かめないまま、広告配信用の対象に買ったデータを混ぜた
手順7:買う前に、一致率の報告で重なりを測る
外部データを買う前に、そもそも自社の顧客とどれだけ重なるかを確かめる手段があります。公式ドキュメントでは、自社の識別子のデータと、検討中の供給元のデータを突き合わせ、一致率や、一致した人について供給元が持つ識別子や属性の補強の度合いを示す報告を作れると説明しています。1回の報告で比べられる供給元は一つなので、複数の供給元を比べるときは供給元ごとに報告を作ります。
ここでの落とし穴は、一致率の読み方です。公式も、突き合わせに使う識別子の種類を広げると一致率は上がりやすいが、確度の低い一致も含まれうると書いています。一致率の高さだけで供給元を選ばないことが大切で、どの識別子で一致したのか、補強される属性が目的に合っているのかを、目的の文書と照らして確かめます。
日本の対象者がどれだけ含まれるかも、この段で確かめられます。供給元によって対象の国や地域は違うため、海外向けの事業で使う場合と、国内の顧客の分析に使う場合とでは、使える供給元がまったく変わります。一致率の報告そのものにも処理の費用がかかる点は、予算の枠に入れておきます。
手順8:買ったデータの効果を、対照群で測る
買ったデータの効果は、使った群と使わなかった群を比べて測ります。広告の配信対象を広げたなら、広げた対象と既存の対象とで、問い合わせや商談につながった割合を比べます。分析の説明変数に足したなら、足す前と足した後で予測の外れ方がどれだけ変わったかを、同じ検証期間で比べます。「買ったら数字が良くなった」は効果の証明にならないので、季節や施策の変化を同時に受ける比較の相手を必ず用意します。
品質の確認も、効果の測定と同じ時期に行います。補強された属性のうち、自社がすでに正しい値を持っている顧客について、外部データの値と照らし合わせると、外部データの当たり外れの度合いを推し量れます。たとえば自社で確認済みの地域と、外部データの地域がどれだけ一致するかを見るやり方です。この照合で外れが多い供給元は、更新を止める候補にします。
判定の期限も決めておきます。最初の購入から三か月など期間を区切り、目的の文書に書いた指標で効果が見えなければ、更新しないという判断をあらかじめ稟議に書いておきます。AIエージェントに効果の集計を手伝わせるのは構いませんが、効果ありと判定するのは人で、集計の式と元の数字を判定の記録に残します。
データはどこで処理され、どこに出るのか
Narrative は、全体の管理を担う部分と、データを保管し処理する部分を分けた作りになっています。公式ドキュメントによれば、データを処理する部分は Narrative が運営する共有の環境か、利用者自身の AWS や Snowflake の環境に置けます。利用者の環境に置いた場合、管理側から利用者の環境へ問い合わせを取りに来る形で動くため、利用者側で外からの接続を開ける必要がないと説明しています。
ただし例外があります。画面やAPIで問い合わせの結果を見るとき、最大1,000行の見本が管理側に送られて保存されます。公式ドキュメントは、この見本は伏せ字や変換をかけずにそのまま保存され、明示的に消すまで残ると書き、個人情報を含むデータでは見本の扱いに注意するよう促しています。エージェントが問い合わせの結果を確かめるたびに見本が作られる使い方では、見本が気づかないうちに積み上がります。
- 利用者の環境で処理する設定でも、結果の見本は管理側に保存される。データを国内に留める方針の会社は、見本を作らない運用か、個人情報の列を伏せる設定を先に決める
- 配信先へのデータの書き出しは、意図して外に出す操作として扱い、書き出し先と項目を承認の対象にする
- MCP経由でエージェントが受け取った結果は、エージェントを動かすAIの提供元にも渡る。どのAIサービスにつなぐかを、社内のAI利用の規程と照らす
費用の増え方と、やめるときに残るもの
費用は前述のとおり、買う件数、処理する量、持ち出す量で増えます。加えて、定期更新の実体化ビューや自動化を作ると、人が触らなくても毎日・毎月の処理が続きます。エージェントに自動化の作成を任せた場合、誰も覚えていない定期処理が費用を生み続けることが起きやすいので、自動化の一覧を月に一度は人が見直します。
やめるときに考えるべきなのは、買ったデータの扱いです。外部データの利用条件は供給元との約束であり、契約が終わったあとに使い続けてよいか、消す必要があるかは条件しだいです。広告配信の仕組みや社内のデータ倉庫に書き出したデータが残り続けると、利用条件の違反や、本人の削除請求に応えられない状態につながります。
そのため、購入の時点で、どの仕組みに書き出したかを記録しておきます。契約を終えるときは、その記録をもとに書き出し先を一つずつ消し、消したことを記録に残します。ロゼッタストーンの対応付けは自社のデータの説明書のような役割も持つため、やめる前に対応付けの一覧を書き出して社内に保存しておくと、他の仕組みへ移るときの手戻りが減ります。
AIに任せる作業と、人が確かめる作業の一覧
ここまでの手順を、作業ごとにAIへ任せる範囲と人が確かめる範囲に分けると、次のようになります。エージェントに渡す指示書と、社内の承認の流れを作るときの下敷きにしてください。
| 作業 | AIに任せる範囲 | 人が確かめる範囲 | 確認する人 |
|---|---|---|---|
| 目的と除外の決定 | 過去の施策の整理の手伝いまで | 目的・除外・予算・判定の指標 | 事業責任者 |
| 個人情報の整理 | 任せない | 受け取れる形と同意の要否 | 法務・個人情報の担当 |
| 供給元の候補探し | 検索と説明の要約 | 出どころ・同意・地域の書面確認 | 分析担当 |
| 項目の対応付け | 候補・変換式・理由の提示 | 低と中の帯の判断、個人を識別する項目 | データの持ち主の部門 |
| 問い合わせ | 下書きと検証 | 予算の句の有無と実行の承認 | 分析担当と予算の承認者 |
| 一致率と効果 | 集計の手伝い | 対照群の設計と効果の判定 | 分析担当と事業責任者 |
| 本人の請求と停止 | 通知の一覧化 | 自社の仕組みからの削除と記録 | 情シス |
表で強調したいのは、AIの欄に「判断」が一つも入っていないことです。AIには根拠を並べさせ、判断の材料をそろえる役を任せます。どの作業でも、AIの出力には理由と元の数字を添えさせ、人がその理由を読んで承認した記録を残すのが、あとで説明を求められたときの拠り所になります。
よくある質問
日本のデータもNarrativeで買えますか?
供給元しだいです。売り場に並ぶデータの対象の国や地域は供給元ごとに違い、公式ドキュメントの事例は米国の消費者データを前提にしたものが中心です。日本の対象者がどれだけ含まれるかは、供給元への問い合わせと一致率の報告で確かめてから判断してください。
Claudeなどのエージェントをつなぐと、データはAIの提供元に渡りますか?
エージェントが受け取った問い合わせの結果や説明は、エージェントを動かしているAIサービスにも送られます。Narrative 側の処理の場所とは別の論点なので、どのAIサービスを、どの契約で使うかを社内の規程と照らしてください。個人情報を含む結果をエージェントに読ませない運用も選べます。
項目の自動対応付けだけを使うことはできますか?
公式ドキュメントでは、ロゼッタストーンの正規化を、自社データの項目を共通の形にそろえる用途でも使えるように説明しています。外部データを買わずに社内のデータをそろえる用途から試すと、個人情報の論点を軽くしたまま、AIの対応付けの精度と癖を確かめられます。
Narrative BIと同じ会社ですか?
別の製品です。Narrative BI は分析の報告を自動で作る製品で、この記事で扱った Narrative I/O のデータの売買と共有の基盤とは関係がありません。社内の検討資料には運営会社名を書いておくと取り違えを防げます。
まとめ
Narrative は、外部データの売り場に、項目をそろえるAIと、AIエージェントが操作できるMCPの入口を加えた基盤です。便利になったのは探す・つなぐ作業であり、どのデータを、どんな同意で、いくらまで買うかを決める重さは変わりません。目的と除外を先に書き、日本の個人情報保護法で受け取れる形かを確かめ、供給元ごとに出どころと同意を書面で取り、AIの対応付けは確信度の帯ごとに確認者を決めます。エージェントには探す・下書きまでを任せ、実行は承認と予算の上限で縛り、買ったデータは一致率と対照群で効果を測る。この順番を崩さなければ、AIに調達を手伝わせても、あとから説明のつく調達になります。
※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
