Chalkとは何をする基盤か?|本番AIのデータを揃える

「不正検知のモデルは検証では当たっていたのに、本番に出したら精度が落ちた」「社内のAIエージェントに本番のデータを調べさせたいが、データベースの資格をそのまま渡すのは怖い」——機械学習やAIエージェントを本番で動かし始めた会社の、データ基盤の担当と情シスの双方から出てくる声です。二つは別の悩みに見えますが、根は同じです。AIに渡すデータが、作ったときと使うときで同じである保証がなく、誰の資格で取りに行くかも決まっていないことが問題なのです。この記事では、米国の Chalk が提供するデータ基盤を例に、本番のAIとエージェントに渡すデータを外部の基盤に預けるか、自社で作るかを判断するための材料を整理します。
カメ先生Chalk のような製品は、特徴量をしまっておく倉庫を一つ買う話だと思われがちなんだ。でも本当は、データの計算の仕方を一つの定義にまとめて、学習のときも本番の判定のときも同じ答えを返させる仕組みなんだよ。
カメ子倉庫ではなく、計算のやり方をそろえる道具ということですか。
カメ先生そう。そして2026年11月の更新で、社内のAIエージェントがその基盤や社内の道具に触るときの関所と、モデル呼び出しの予算を決める窓口も加わった。データの話と、エージェントの権限の話が一つの製品に乗ってきたわけだね。
カメ子便利になるほど、どこまで預けるかを先に決めないといけない、ということですね。
- Chalk は、本番のAIに渡すデータを Python や SQL の一つの定義で計算し、学習と推論で同じ値を返す基盤。2022年創業、2025年5月にシリーズAで5,000万ドルを調達している
- 2026年11月10日の更新で、エージェントに承認済みの道具だけを Chalk の身元で使わせる MCP Gateway と、モデル呼び出しの予算・上限・切替先を一か所で決める機能が加わった
- 預けるか自作するかは、判定の速さが要るか、データを自社クラウドに残せるか、エージェントの権限を誰が持つかで決まる。AIの判定結果や調査結果を、人の確認なしに本番へ出さない
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。
Chalkとは:本番のAIに渡すデータを、学習と同じ定義で返す基盤
Chalk は、米国サンフランシスコに本社を置く2022年創業の会社です。自らを「AIの推論のためのデータ基盤」と説明しており、2025年5月28日には、投資会社 Felicis の主導でシリーズA 5,000万ドルの調達を発表しました。発表時点の評価額は5億ドル、累計の調達額は6,000万ドルを超えるとしています。
製品の中心は、AIや機械学習のモデルに渡す材料(特徴量)を、Python や SQL で一度だけ定義し、その定義で学習用のデータも本番の判定用のデータも計算する仕組みです。公式の解説では「一つの定義が学習の処理と本番の要求の両方に使われるので、ずれを監視するのではなく、ずれそのものをなくす」と書いています。本番では、要求が届いた時点の状態で値を計算し、計算済みの値なら5ミリ秒未満で返せると公表しています。
データは一か所に写し直すのではなく、Postgres や Snowflake など既存の置き場に横断で問い合わせ、計算の一部を置き場の側に任せる作りです。公式サイトが挙げる用途は、不正検知、決済、与信審査、おすすめ、検索の並び順、価格の動的な調整など、一件ごとに即座に判定を返す必要がある業務に寄っています。
誤解:「特徴量の置き場を一つ買えば済む」ではない
この種の製品は「特徴量ストア」と呼ばれることが多く、名前から倉庫の製品だと受け取られがちです。しかし Chalk が売りにしているのは、保存よりも計算の定義を一本化することです。置き場を買っても、学習用の集計と本番の集計を別々の人が別々の言葉で書いていれば、ずれは残ります。
もう一つの誤解は、これを入れればAIの判定が正しくなるという期待です。Chalk がそろえるのは、モデルに渡す値が学習のときと同じ計算で出ていることまでです。どの列を材料にするか、その列が判定に使ってよいものか、判定の結果をどう業務に使うかは、製品の外にある会社の判断です。材料の列の選び方そのものは別の記事で扱っているので、ここでは基盤を預けるかどうかの判断に絞ります。
三つ目は、AIエージェント向けの機能が増えたことで、汎用のエージェント基盤だと受け取る誤解です。2026年11月の更新で加わった機能は、いずれも Chalk の中のデータ・関数・モデルを、エージェントと技術者が安全に扱うためのものです。社内のあらゆる業務エージェントを束ねる製品ではない点は押さえておく必要があります。
2026年11月の秋の更新で何が増えたか
Chalk は2026年11月10日、四半期の製品更新を公式ブログで公表しました。主題は「技術者とAIエージェントが Chalk の中でどう一緒に働くか」で、エージェントが問題を調べ、実験を回し、技術者がその結果を確かめてモデルや道具への接続を管理する、という分担を打ち出しています。
| 追加された機能 | 公式の説明(要旨) | 社内導入で問われること |
|---|---|---|
| MCP サーバー | エージェントが接続先への問い合わせ、関数の呼び出し、記録の確認を行える | どの環境に、どこまで書き込ませるか |
| Chalk Assistant と Notebook | 管理画面のAIが問い合わせを実行し、調べた結果と根拠を Notebook に残す | 調査結果を誰が確かめて本番に出すか |
| モデル学習の機能 | 本番で使っている特徴量のままモデルを学習し、管理画面から配備できる | 配備の承認を誰が持つか |
| モデル呼び出しの関所 | 予算、流量の上限、切替先を複数のAI提供元にまたがって一か所で設定 | 部門ごとの上限と、切替先のデータの扱い |
| MCP Gateway | 承認済みの道具だけを Chalk の身元で呼ばせ、裏の認証情報は配らない。方針で道具と引数を制限し監査記録を残す | 方針を誰が書き、誰が記録を見るか |
このほか、SQL と表形式の操作で同じ計算の仕組みを使えるようにしたこと、編集用の道具への組み込み、エージェントが問い合わせを実行する前に組み立ての誤りを検査できる機能も加わっています。どれも、エージェントに本番に近い環境で試させながら、本番への変更は人が握るという方向でそろっています。
公式ブログが示す例では、取引の記録を Postgres に、過去の履歴を Snowflake に置いたまま、一つの SQL で結び付けて調べられます。エージェントも同じ窓口でデータを探り、仮説を試せる作りです。エージェントが触れる範囲が広がるほど、読める列と書ける場所の線引きが重要になることは、この便利さの裏側として押さえておきます。
学習と推論で数字がずれると何が起きるか
たとえば「直近30日の取引回数」という材料を考えます。学習用のデータを作る担当は月末で締めた集計を使い、本番の判定を作る担当はその瞬間までの件数を数えていたとします。どちらも同じ名前の列ですが、値は違います。検証で当たっていたモデルが本番で外れ始める典型的な原因です。
さらに厄介なのは、学習用のデータに、判定の時点ではまだ分かっていなかった情報が混ざることです。後から確定した返済状況が、申込時点の判定の材料に入り込むと、検証では異様に当たるのに本番では役に立たないモデルができます。Chalk が「要求が届いた時点の状態」を強調するのは、この混入を定義の段階で防ぐためです。
ずれは静かに起きるので、気づくのは判定の結果がおかしくなってからです。不正検知なら見逃しが増え、与信なら承認すべき申込を落とします。自作の仕組みでこれを防ぐには、学習と本番で同じ計算を使う規律と、その規律を守っているかの検査を自社で持ち続ける必要があります。
シナリオ1:一件ごとの不正検知・与信の判定に使う
Chalk の顧客として公式サイトに並ぶのは、本人確認や不正対策、決済、個人向けの融資、売り手と買い手をつなぐ取引の場を運営する企業などで、米国のフィンテックを中心に、判定を一瞬で返す必要がある会社が目立ちます。決済の瞬間に取引の危うさを判定する、申込の瞬間に与信の可否を出す、といった使い方です。
この場面で預ける価値が出るのは、本番の判定の速さと、学習と本番の値の一致の両方が求められるときです。夜間にまとめて点数を付ければ足りる業務、たとえば見込み客の優先度を翌朝の営業に渡すような使い方なら、既存のデータ基盤と定期処理で間に合うことが多く、この種の基盤を入れる理由は弱くなります。
判定を使う側の責任も残ります。不正の疑いで取引を止める、融資を断るといった判断は、相手に直接影響します。モデルの点数を最終判断にせず、境界付近の案件と不利益の大きい判定は人が確かめる運用を、基盤の選定とは別に決めておく必要があります。
シナリオ2:エージェントに貸倒れ増加の原因を調べさせる
公式ブログは、貸倒れの増加をエージェントに調べさせる例を挙げています。エージェントが Notebook の上で影響を受けた層を特定し、新しい特徴量を作り、学習を回し、候補のモデルを本番のモデルと比べる。技術者は改善案と、その根拠を受け取る、という流れです。金融サービスの一社では、モデル学習の機能で開発期間が半分以下になり、学習の回数が週に約10回から約30回に増えたと公表しています。
ここで大事なのは、エージェントの役割が調査と提案で止まっている点です。公式の解説では、Notebook の書き込みは開発環境では許し本番では許さない設定にでき、エージェントが書いたSQLにも行と列の閲覧権限が効くと説明しています。別の記事では「エージェントは調べ、人が出す」と書いています。
社内で使うなら、この線を製品の初期設定に頼らず、会社の規則として書いておくべきです。エージェントに本番のモデルの差し替えを判断させない、比較の結果だけでなく、どのデータを使い、どの条件で比べたかの根拠を Notebook に残させる、配備の承認者を一人決める。この三つが最低限です。
シナリオ3:社員のAIに MCP で道具を開く——MCP Gateway の線
社内の開発者が Claude や ChatGPT、Copilot などのAIから Chalk や社内の道具を呼ぶとき、手軽なのはデータベースや外部サービスの資格をそのままAIの設定に書くやり方です。しかしこれでは、資格がAIの数だけ散らばり、誰が何を呼んだかも追えません。
MCP Gateway は、エージェントを Chalk の身元で認証し、承認済みの道具だけを呼ばせ、裏にある本当の認証情報はエージェントに渡さない仕組みです。公式の解説によれば、方針は利用者・権限の範囲・接続先・道具・引数を見て許可か拒否かを決め、適用する前に試すことができます。呼び出しごとに、誰がどの道具をどの引数で呼び、方針がどう判定したかが記録されます。
また、外部のサーバーを登録しない限り、道具の通信は自社のアカウントの外に出ないと説明しています。逆に言えば、外部のサーバーを一つ登録した時点で、データの流れの前提が変わります。登録の申請と承認を誰が持つかを、方針の書き手とは別に決めておくとよいでしょう。
- エージェントの設定ファイルに本番データベースの資格を直接書き、そのまま社内に配る
- 方針を「すべての道具を許可」で始め、問題が出てから絞る
- 監査記録を取るだけで、誰も定期的に見ない
- 外部のサーバーの登録を、各チームが自由に行えるままにする
シナリオ4:モデル呼び出しの予算と切替先を一か所で決める
同じ更新で加わったモデル呼び出しの関所(公式名はモデル・ゲートウェイ)は、OpenAI と互換の窓口を一つ用意し、そこから OpenAI、Anthropic、Google Vertex、AWS Bedrock、自社で動かす公開モデルへ振り分ける機能です。予算は日・週・月の単位で、トークン量と要求の件数に対して、鍵・提供元・モデル・共有の枠ごとに設定できると説明しています。
流量の上限は毎分のトークン数と要求数、同時実行の数で決められ、提供元が応答しないときに順に試す切替先を並べておけます。新しい振り分けの方針を本番に影響させずに試す方式もあります。アプリごとに予算と上限を作り直さずに済むのが利点で、部門のAI費用を一か所で止められる点は情シスにとって意味があります。
注意したいのは切替先です。普段は国内の契約で使っている提供元が落ちたとき、自動で別の提供元に切り替わる設定にすると、データが渡る先が予告なく変わります。切替先も、データを渡してよい提供元の一覧から選ぶこと、記録に本文をどこまで残すかの設定を決めることが必要です。公式の解説では、要求ごとに実行の記録が作られ、抽出の割合と本文の保持を設定でき、誤りの記録は常に書き出されるとしています。
誰の資格で動くか:エージェントの身元と裏の認証情報
エージェントに関わる権限は、三つの層に分けて考えると整理しやすくなります。エージェントを動かす社員本人の権限、エージェントが Chalk の中で持つ身元の権限、そして Chalk が裏で接続先のデータベースや外部サービスに使う資格です。MCP Gateway は、三つ目の資格をエージェントから隠すための仕組みです。
隠せば安全というわけではありません。Chalk の身元に広い権限を与えれば、エージェントは隠された資格を通じて広い範囲に届きます。エージェントの身元に与える権限を、それを使う社員の権限より広くしないことが原則です。料金ページでは、上位の契約で細かな役割の設定、監査記録、企業向けの単一認証に対応するとしており、どの契約でどこまで使えるかは事前に確かめる必要があります。
隔離された実行環境についても、公式の解説は、外向きの通信を許可した宛先だけに絞る設定や、正しい要求のときだけ鍵を差し込み、エージェント自身には本物の鍵を見せない仕組みを説明しています。これらは社内の試験の結果として紹介されたもので、第三者の監査ではない点も踏まえて評価します。
何が社外に出るか:自社クラウドに置く範囲と Chalk が運営する範囲
Chalk は、AWS、GCP、Azure の自社の環境に配備できるとしています。この形では、データ、エージェント、モデルは自社の基盤に残り、権限管理・ネットワーク・暗号化・記録・鍵の管理は自社の方針を引き継ぐと説明しています。モデル呼び出しの関所も自社の配備の中で動き、提供元の鍵は自社の環境に置かれます。
一方で、配備を管理する側の仕組みは、自社の基盤の中でも Chalk のクラウドでも動かせると書かれています。ほかに、Chalk が基盤を運営する形と、サーバーを意識せずに使う形もあります。どの形を選ぶかで、社外に出るものが変わるので、契約前に、管理側の仕組みがどこで動き、そこにどんな情報が届くかを書面で確かめてください。
見落としやすいのは、AIの提供元に渡る分です。自社クラウドに Chalk を置いても、外部のモデルを呼べば、問い合わせの中身はその提供元に届きます。公式も、データを自社クラウドから出さないかどうかは利用側の設定次第だとしています。なお、確認した公式ページには第三者認証の取得状況の記載が見当たらなかったため、必要なら個別に資料を求めるのが確実です。
預けるか自作するか:判断の表
自作とは、既存のデータ基盤と定期処理、本番用の高速な置き場、エージェント用の権限の仕組みを自社で組み合わせることです。どちらが優れているかではなく、自社がどの責任を持ち続けられるかで決まります。
| 判断の観点 | Chalk に預ける方が向く | 自作の方が向く |
|---|---|---|
| 判定の速さ | 一件ごとに即座の判定が要る | 夜間や日次の点数付けで足りる |
| 学習と本番の一致 | 定義を一本化する規律を自社で保てない | 少数の特徴量で、担当者が固定している |
| エージェントの権限 | 道具と引数の制限、監査記録を自前で作る余力がない | 既存の認証基盤で十分に絞れる |
| データの置き場所 | 自社クラウドへの配備を契約できる規模がある | 従量の契約で済ませたい、または国内完結が絶対条件 |
| 運用の担い手 | 米国の事業者と英語で直接やり取りできる | 国内の担当者と日本語で支えたい |
表の最後の行は軽く見られがちですが重要です。確認した範囲では、国内の販売代理店や日本語の窓口は公式に案内されていませんでした。障害時の連絡と契約の交渉を英語で回せるかは、技術の比較と同じ重さで判断材料に入れてください。
生成AIの用途でも判断の軸は同じです。2025年の調達の発表では、なりすまし対策の Doppel が、ウェブページの中身や画面の画像を大規模言語モデルで構造化し、後から検証できる特徴量に変える処理に Chalk を使っていると紹介されています。文章や画像を判定の材料にする場合も、変換の結果を人が抜き取りで確かめる工程を外さないことが前提です。
向いている会社、向いていない会社
向いているのは、すでに本番で機械学習の判定を回していて、学習と本番のずれに悩んだ経験がある会社です。決済、与信、不正対策、マーケットの検索の並び順など、判定の遅れや誤りがそのまま損失になる業務を持っていることが前提になります。米国のフィンテックで使われているのは、まさにこの条件がそろっているからです。
向いていないのは、まだ機械学習を本番で使っておらず、生成AIを社内の調べものや文書作成に使い始めた段階の会社です。この段階で必要なのは、AIの利用規則と、社内データへの読み取り範囲の整理です。データ基盤の製品を先に入れても、使う判定がなければ費用だけが積み上がります。
国内のBtoB企業で中間にあたるのは、見込み客の点数付けや解約の予測をすでに作っていて、それをウェブの行動に合わせて即座に変えたい会社です。この場合でも、まず夜間の点数で業務の成果が出ているかを確かめてから、即時化の価値を測るのが順序です。
費用の増え方と、止め方・やめ方
料金は、使った計算資源を秒単位で払う従量課金で、計算の処理能力、メモリ、GPU、保存量、外へのデータ転送、AIのトークン量などが積み上がる形だと公表しています。前払いは不要とする一方、大口の確約契約で割引と自社クラウドへの配備の選択肢が開くと書いており、自社クラウドに置きたい会社ほど、ある程度の規模の契約が前提になると考えておくべきです。
費用が膨らみやすいのは、エージェントに実験を回させる場面です。学習の回数が増えるのは開発の速さの裏返しで、GPU の利用時間とトークン量がそのまま請求に乗ります。エージェントに使わせる計算資源と、モデル呼び出しの予算に先に上限を入れることが、止め方の第一歩になります。
やめ方も先に考えておきます。特徴量の定義は Python と SQL で書かれるので、定義そのものは手元に残せます。ただし、計算の仕組みや即時に値を返す層は Chalk の上で動いているので、移るには同じ速さで値を返す仕組みを別に作り直す必要があります。契約の前に、定義と学習用データの書き出し方と、解約後のデータの削除の手順を確かめてください。
人が確認する範囲を先に決める
この種の基盤は、入れた後に「どこまでAIに任せたか」が曖昧になりがちです。導入の前に、次の順で人の確認の位置を決めておくと、後から権限が広がりすぎるのを防げます。
どの業務で、どの判定に使うかを列挙し、相手に不利益が出る判定(取引の停止、申込の拒否など)に印を付けます。印の付いた判定は、点数だけで決めない業務の流れを先に作ります。
開発環境では実験と書き込みを許し、本番環境では読み取りと提案だけに絞ります。本番のモデルの差し替えと特徴量の定義の変更は、人の承認を必須にします。
最初は読み取りの道具だけを許可し、引数の範囲も絞ります。方針は適用前に試し、変更のたびに書き手と承認者を分けます。外部のサーバーの登録は情シスの承認制にします。
部門ごとのモデル呼び出しの予算と流量の上限を入れ、切替先はデータを渡してよい提供元だけに限ります。記録に本文をどこまで残すかも、このときに決めます。
監査記録とモデル呼び出しの記録を、誰が週に何回見るかを決めます。拒否された呼び出しが急に増えた、予算の消化が速いといった兆しを、確認の対象として先に書いておきます。
五つの工程は、担当の部門を分けて持つと形骸化しにくくなります。判定の使い道と不利益の印は業務部門、書き込みの環境と配備の承認はデータ基盤の担当、道具の方針と外部サーバーの登録は情シス、予算の上限は各部門の予算の持ち主が持つ、という分け方です。一人がすべてを決める体制だと、権限を広げる判断に歯止めがかからなくなります。
- エージェントに「この調査結果は正しいか」「このモデルを出してよいか」を判断させない。結論ではなく根拠を書かせ、人が照合する
- 公式が公表する性能や改善幅は、特定の顧客の結果。自社の業務で同じになるとは限らないので、試行で測り直す
よくある質問
Chalk は日本の会社でも使えますか
自社の AWS、GCP、Azure の環境に配備できるとしており、技術的に国の制限は示されていません。ただし、確認した範囲では日本語の窓口や国内の販売代理店の案内はなく、契約と支援は米国の事業者と直接行う前提で考える必要があります。
社内のAIに Chalk のデータを読ませると、AIの提供元の学習に使われますか
それは Chalk ではなく、呼び出すAIの提供元の契約と設定で決まります。モデル呼び出しの関所を使っても、外部のモデルに渡した中身は提供元に届きます。法人向けの契約で学習に使わない設定になっているか、提供元ごとに確かめてください。
MCP Gateway を入れれば、エージェントの事故は防げますか
防げるのは、許可していない道具と引数の呼び出しです。許可した道具の中で、エージェントが誤った問い合わせや誤った結論を出すことは防げません。方針で絞ったうえで、本番への変更は人が承認し、記録を定期的に見る運用が必要です。
すでに別の特徴量ストアを使っている場合はどうすればよいですか
競合の製品の一部は2025年に大手のデータ基盤の会社に買収されており、Chalk は移行の案内を公開しています。移るかどうかは、今の製品の提供方針が変わったか、即時の判定とエージェントの権限管理に不足があるかで判断し、定義の書き直しの手間を見積もってから決めてください。
管理画面の Chalk Assistant はどのAIで動きますか
公式の解説では、自社のモデルの鍵を持ち込んでエージェントを Chalk の中で動かす形を説明しており、エージェントの考えの筋道、実行した問い合わせ、提案した変更を同じ画面で確かめられるとしています。持ち込む鍵がどの提供元の、どの契約のものかによって、調査の中身が渡る先が決まる点に注意してください。
エージェントが重い問い合わせを本番の置き場に投げる心配はありませんか
秋の更新では、エージェントが問い合わせを実行する前に組み立ての誤りを検査できる機能が加わりました。ただし検査するのは誤りであり、負荷の大きさまで止めるとは説明されていません。本番の置き場への問い合わせは読み取り専用の資格に限り、実行時間の上限を置き場の側でも設けるのが確実です。
まとめ
Chalk は、本番のAIに渡すデータを学習と同じ定義で即座に返す基盤で、2026年11月の更新でエージェントの道具の呼び出しを絞る MCP Gateway と、モデル呼び出しの予算を一か所で決める機能を加えました。データの一致と、エージェントの権限と、AIの費用の三つを、一つの基盤で握る方向の製品です。
預けるべきなのは、一件ごとの即時の判定を本番で回し、学習と本番のずれや、エージェントへの資格の配り方に困っている会社です。夜間の点数で足りる、まだ機械学習を本番で使っていない、という段階なら急ぐ必要はありません。どちらを選ぶ場合も、AIに本番への変更を判断させず、根拠を残させ、人が確認する範囲を先に決めることが、導入の成否を分けます。
※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。
