Ataccamaの品質エージェントとは?|任せる前に決める線

「データ品質の検査規則を書く人手が足りず、AIエージェントに任せられる製品を探している」「社内のAIに渡すデータが正しいのか、誰も保証できていない」——データ基盤を受け持つ情報システム部門や、AI導入の担当者からよく聞く二つの声です。その両方に応えるとうたう製品の一つが、データ品質の基盤 Ataccama ONE のAIエージェントです。ただ、ここには一つ誤解が入り込みやすい。エージェントが作るのは検査の規則とその当てはめであって、何を「正」とするかの保証ではありません。この記事では、Ataccama のエージェントに品質の規則づくり・監視・台帳整備を任せ、MCP で社内AIに「検証済みのデータ」を渡すときに起きる課題と原因、任せてよい作業と人が決める線、検収と記録、社外に出るもの、費用とやめ方を整理します。
カメ先生データ品質のエージェントと聞くと、AIがデータを見て正しいかどうかを判定してくれると思われがちなんだ。でも Ataccama のエージェントが主にやるのは、検査の規則を作って当てはめ、結果を記録すること。正しさの物差しそのものは、業務の側にあるんだよ。
カメ子AIが正誤を判定するのではなく、判定の規則を作る係ということですか。
カメ先生そう。しかもその規則を、一度に何百もの表に当てはめられる。速い分、規則が間違っていたら、間違いも同じ速さで広がるんだ。
カメ子速く作れるほど、検収と承認の仕組みが要るということですね。
- Ataccama はデータ品質・カタログ・マスターデータ管理を一つにした基盤 Ataccama ONE の提供元。2025年11月にエージェントを中核にした版と MCP サーバーを発表し、2026年も監視、データプロダクト、画面を通さないマスターデータ管理と更新が続く
- エージェントが作る規則は候補。何を「正」とするか、どの例外を許すかは業務の持ち主が決め、AIが作った規則は合格と不合格の両方の見本で検収してから本番に当てる
- MCP で社内AIに開くのは読み取りだけの範囲から。自動で直す範囲、承認の理由の記録、三段で社外に出るもの、費用とやめ方を先に決める
あなたのWebサイトは、AIによる攻撃に耐えられますか?
AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。
Ataccama とは:データ品質と管理を一つの基盤にまとめた提供元
Ataccama は、データ品質、データカタログ、マスターデータ管理、参照データ管理などを一つの基盤 Ataccama ONE にまとめて提供する企業です。チェコで創業し、現在は米国のボストンにも拠点を置いています。2022年には米国の投資会社から1億5,000万ドルの成長投資を受けたと発表し、2026年8月には新しい最高経営責任者の就任を公表しました。
品質の分野では、調査会社 Gartner の拡張データ品質の評価で、2026年版でもリーダーの位置づけを得たと自社で公表しています。顧客は金融、製造などの大企業が中心で、公式サイトの事例も、100を超えるデータ源を抱える組織のものが並びます。つまり、部門の手元の表を整える道具ではなく、全社のデータ基盤を前提にした製品です。中堅企業が部門単位で試す製品としては重く、導入の判断は情報システム部門とデータ基盤の担当が主導することになります。
Ataccama ONE の中では、データを読み込んで中身の傾向を調べる工程(プロファイリング)、検査の規則を定義して当てはめる工程、問題の行を直す工程、台帳(カタログ)に意味や持ち主を書き込む工程が、一つの画面と一つの記録の中でつながっています。AIの機能群は ONE AI と呼ばれ、その中で ONE AI Agent は「データの管理役の代わりに手を動かす係」として位置づけられています。提供元はこれを「デジタルのデータ管理役」と呼んでいます。
2025年11月から2026年秋までの動き
2025年11月6日、Ataccama はエージェントを中核に据えた新しい版 Ataccama ONE Agentic を発表しました。発表文によると ONE AI Agent は、品質の検査規則をまとめて作って当てはめ、重複や不整合を見つけ、プロファイリングから規則の割り当て、結果の検証までの一連の作業を実行し、各工程を確認のために記録します。同時に、社内のAIアシスタントや大規模言語モデルが、品質の情報が付いたデータに触れられる MCP サーバーと、データごとの信頼度の指標も発表しました。
2026年2月26日には、エージェント型のデータ監視を基盤の中核に組み込んだと報じられました。データの加工の流れを見張り、失敗や異常を見つけたら既存の品質規則の結果と合わせて一つの警告にまとめ、メールや Slack、Teams に送ります。ONE AI Agent は問題を文脈付きで示し、規則の候補を出し、課題を Jira に回せるとされています。6月にはデータプロダクトの機能を発表し、Snowflake や Databricks の環境とのつながりを強めました。
2026年10月28日には、マスターデータ管理を画面を通さずにエージェントや業務アプリから直接使える形にした更新(版17.2)を発表しています。エージェントが重複の候補を仕分け、依頼に応じて記録を統合でき、エージェントの作業を下書きにとどめるか、承認者に回すか、自動で公開するかを選べると説明しています。2026年11月時点で、Ataccama が買収されたという信頼できる報道は見当たりませんでした(自動生成とみられる企業紹介に買収の記載がありましたが、公式の発表や報道では確認できませんでした)。
誤解:エージェントが規則を作れば、データの品質は保証される
データ品質の物差し(欠け・重複・鮮度・整合など)や、データガバナンスで決める項目の一般論は、別の記事で整理しています。ここで扱うのは、その物差しを当てる作業をエージェントに任せたときに生まれる誤解です。物差しの考え方を知っていても、作業を任せる段になると、AIが物差しそのものまで決めてくれると期待してしまいがちです。
Ataccama の発表は、AIに使えるデータを従来より83%速く用意できる、初期の利用企業では中核の品質の工程が最大9倍速くなった、と掲げています。ただし83%という数字の測り方や比較の基準は、発表文には書かれていません。そして速くなるのは規則を作り当てはめる作業であって、規則が業務の意味に照らして正しいかを決める作業ではないという点が抜けやすいところです。
規則とは「この項目は空であってはならない」「取引先の番号は8桁」「契約日は開始日より前」といった約束事です。エージェントはデータの傾向から規則の候補を作れますが、傾向は過去のデータの癖であって、あるべき姿ではありません。誤ったデータが多数派なら、誤りが「正」として規則になることもあります。以下では、この誤解から生まれる課題、その原因、対策を順に見ます。
課題1:規則づくりと台帳整備が、人の手では追いつかない
大企業のデータ基盤には数百から数千の表があり、それぞれに数十の項目があります。すべてに品質の規則を書き、台帳に意味と持ち主を書き込む作業は、データの管理役が数人いても終わりません。発表文が挙げる世界的な銀行の例では、カタログの100項目の説明文を数週間ではなく数時間で作り、170件の規則の修正と47件の不具合調査を自動化して、手作業を9割近く減らしたとしています(銀行名は非公開で、提供元の公表値です)。
この課題は、AI導入で一段と重くなりました。社内のAIアシスタントやエージェントに業務データを読ませるなら、そのデータが信頼できるかを示す必要があるからです。規則が無い表、説明文が空の項目は、AIから見ると意味も品質も分からない表です。Ataccama が MCP サーバーで品質の情報と一緒にデータを渡すと打ち出しているのは、この課題に向けたものです。
人手が足りないという課題そのものは本物で、エージェントに任せる価値はあります。問題は、任せ方を決めないまま一気に広げることです。たとえば最初の月に500の表へ規則を当てはめ、翌月にその規則の三割が業務の実態と合わないと分かれば、直す手間は人が手で書いたとき以上になります。速さの恩恵を受けるには、どこまで任せるかを先に決める必要があります。
課題2:社内AIが「どのデータを信じてよいか」を知らない
社内のAIに業務データをつなぐと、AIは渡されたデータをそのまま根拠に答えます。顧客の表が二つあり、一方は毎日更新され、もう一方は半年前に止まっていても、AIはその違いを知りません。Ataccama は発表で、データの出どころ、品質がどう確かめられたか、持ち主、使ってよい目的を添えて渡すと説明しています。
MCP サーバーの公式文書を見ると、社内のAIから引けるのは、カタログの表や項目の検索、品質の点数(全体、観点ごと、項目ごと、規則ごとの合否の件数)、規則の一覧、業務用語の定義、データ源、監視の結果などです。つまりAIが答える前に、その表の品質の点数と規則の合否を確かめさせる使い方ができます。社内AIが「この表は先月から更新の規則に不合格が続いている」と自分で気づける形です。
ただし、点数があることと、その点数が業務に十分であることは別です。点数が90点の表でも、欠けているのが請求先の住所なら請求の業務には使えません。社内AIに「点数を見よ」と指示するだけでは足りず、どの用途に、どの規則の合格が必要かを人が決めておく必要があります。これは原因3で詳しく見ます。
原因1:規則の「正しさ」は、業務の知識でしか決まらない
エージェントが規則を作るとき、手がかりにするのはデータの傾向、項目の名前、業務用語の定義、既存の規則です。どれも大切な手がかりですが、「取引先の番号は8桁」という規則が正しいかは、番号の付け方を決めた業務の側に聞くしかありません。過去に10桁の番号を使っていた時期があれば、その記録を例外として残すのか、直すのかも業務の判断です。
もう一つの難しさは、部門ごとの解釈の違いです。ある部門では「契約日が空なら未契約」、別の部門では「契約日が空なら入力漏れ」と読んでいるかもしれません。エージェントはどちらの解釈も「もっともらしい規則」として出せますが、どちらを採るかは部門間の調整です。AIに決めさせないのは、何を「正」とするかの一点です。
「正」を誰が保証するかという問いに、製品の機能は直接は答えません。基盤には持ち主(データの管理役のグループ)を表や項目に割り当てる仕組みがありますが、割り当てるのも、割り当てられて責任を負うのも人です。マスターデータで「正」とする1件を決める考え方は別の記事で扱ったので、ここでは 規則ごとに、承認した人の名前と理由を残すことを最低線とします。
原因2:自動で直す範囲と、提案にとどめる範囲が分かれていない
ONE AI の紹介ページは、エージェントが規則を自動で作って当てはめ、異常を見張り、元のデータで直す、と自律性を強く打ち出しています。一方で、10月のマスターデータ管理の発表では、エージェントの作業を下書き、承認者への回付、自動の公開から選べると説明し、MCP サーバーの文書でも、規則の変更をすぐ公開するか、画面で確かめる下書きにするかを選べるとしています。つまり、どこまで自動にするかは導入する側が決める設定です。
この設定を決めないまま始めると、試行の段階では下書きだった作業が、運用が忙しくなるにつれて自動の公開に切り替えられがちです。特に危ないのは、元のデータを直す作業です。品質の結果を報告するだけなら誤りは報告の誤りで済みますが、元のシステムの値を書き換えると、請求、出荷、顧客への連絡にまで影響が及びます。
自動にしてよいかは、間違えたときの影響と、戻しやすさで決めます。台帳の説明文の下書きは影響が小さく、戻すのも簡単です。規則の当てはめは中程度で、結果の点数が変わります。元のデータの修正やマスターデータの統合は影響が大きく、戻すのが難しい作業です。戻しにくい作業ほど、承認者を通すのが原則です。
- 試行の間は下書きにしていた規則の変更を、件数が増えて面倒になったので自動の公開に切り替えた
- エージェントが重複と判断した顧客の記録を自動で統合し、別会社の同名の担当者が一つにまとめられた
- データの傾向から作られた規則をそのまま当てはめ、過去の正しい形式の記録を一斉に不合格にした
- 品質の点数が高い人事の表を、全社員の社内AIから読める範囲に入れてしまった
原因3:信頼度の点数が、合格の線と混同される
Ataccama は、データごとの信頼度の指標や品質の点数を、他の仕組みから自動で読める形で出します。点数は便利ですが、一つにまとまるほど、その裏で何が合格し何が不合格かが見えにくくなります。MCP サーバーの文書では、規則が当てはまらない行は点数に影響せず別に数えると説明されており、点数だけを見ると「対象外が多くて点数が高く見える」状態も起こりえます。
もう一つの混同は、点数の高い表なら社内AIに渡してよい、という判断です。品質とは別に、その表を社内AIに見せてよいかは、個人情報や機密の区分の問題です。品質が高い人事の表でも、全社員の社内AIから読めてはいけません。品質の合格と、開示してよいかは別の物差しで、後者はデータの分類と権限で決めます。
合格の線は用途ごとに引きます。営業の分析に使う表、請求に使う表、社内AIの回答の根拠にする表では、必要な規則と合格の割合が違います。点数の閾値を全社一律に決めるのではなく、用途ごとに「この規則は必ず合格」「この規則は95%以上」と書いた合格表を作り、社内AIにはその合格表に照らした結果を確かめさせます。
対策1:エージェントに任せる作業と、人が決める規則を表にする
最初の対策は、作業ごとに任せ方を決めた表を作ることです。製品の設定画面を見る前に、紙の上で決めておきます。右の列に行くほど人の判断が重くなるように並べると、議論がしやすくなります。
| 作業 | エージェントに任せる範囲 | 人が決めること | 承認 |
|---|---|---|---|
| 台帳の説明文づくり | 下書きまで | 用語の定義と持ち主 | 管理役が抜き取りで確認 |
| データの傾向の調査 | すべて | 対象にする表の範囲 | 不要 |
| 規則の候補づくり | 候補の提示まで | 何を正とするか、例外 | 管理役が規則ごとに承認 |
| 規則の当てはめ | 承認済みの規則のみ | 当てはめる表 | 初回は承認、以後は記録 |
| 異常の検知と警告 | すべて | 警告の宛先と優先度 | 不要 |
| 元のデータの修正・統合 | 提案まで | 直すかどうか | 業務の持ち主が承認 |
この表の要点は、「何を正とするか」と「元のデータを直すかどうか」を、データの管理役ではなく、そのデータを業務で使う部門の持ち主が決めることです。データの管理役は、決まったことを規則に落とし、エージェントの提案を整理する役です。表は導入のときに一度作って終わりではなく、半年ごとに見直します。提案の当たり外れの記録がたまれば、下書きにしていた作業を記録だけ残す形に移せるかもしれず、逆に誤りが見つかれば承認を挟む形に戻します。
対策2:AIが作った規則を、合格と不合格の見本で検収する
エージェントが作った規則は、本番の表に当てはめる前に検収します。見るべきは、規則が業務の約束事と一致しているか、不合格になった行が本当に誤りか、合格した行に誤りが紛れていないか、の三つです。エージェントには、規則を作った根拠(どの傾向から、どの用語の定義から作ったか)を書かせると、検収する人の確認が速くなります。
数式の形ではなく、ふだんの言葉に直した文面で、約束事として正しいかを確かめてもらいます。
20件ほどを元の書類や担当者の知識と照らし、本当に誤りかを確かめます。
規則が緩すぎて誤りが合格の側に残っていないかを、同じ数だけ確かめます。
古い形式の記録など、規則に合わないが正しい記録を、規則に書き込むか別の一覧で持つかを決めます。
誰が、なぜ正しいと判断したかを一行で書き、規則と一緒に残します。
二つ目と三つ目は、特に手を抜きやすいところです。不合格の行だけを見て「確かに誤りだ」と納得しても、規則が緩すぎれば誤りは合格の側に残ります。過去の移行で生まれた古い形式の記録、海外の拠点の別の書式の住所など、規則に合わないが正しい記録も必ずあります。例外を黙って「不合格」に数えないようにしておかないと、点数が実態より低く出て、現場が点数を信じなくなります。
対策3:MCP で社内AIに開く範囲は、読み取りだけから始める
Ataccama の品質とカタログの MCP サーバーは、公式文書によると、Ataccama のクラウド版でのみ、担当窓口への依頼で有効になり、自社設置の環境は現時点で対象外です。動作を確かめた接続先として、Claude Desktop、Claude Code、Gemini と Codex のコマンドライン版、Amazon の生成AI基盤である Bedrock が挙げられています。10月の更新では、マスターデータ管理にも別の MCP サーバーが用意され、記録の読み書きができると説明されています。
認証は既存の Ataccama のアカウントでのシングルサインオンが基本で、社内のAIは接続した本人が Ataccama で見られる範囲、できる操作の範囲でしか動けないと説明されています。例外は Bedrock 経由の接続で、共用のサービス用アカウントを使うため、個人ごとの権限ではなくなります。書き込みの操作(規則の割り当て、推奨された規則の適用、品質評価の実行)は権限があれば使え、サポートに依頼すれば読み取りだけに限る設定にもできるとしています。
始め方は、読み取りだけの設定からです。社内AIに許すのは、表を探す、品質の点数と規則の合否を確かめる、用語の定義を引く、まで。規則の変更や評価の実行は、Ataccama の画面で人が行います。共用のアカウントで接続する形は、誰の依頼で何が読まれたかが分かりにくくなるため、個人の権限で動く接続に限るのが無難です。社内AIからの書き込みを許すのは、対策1の表で承認を挟むと決めた作業が、実際に下書きで止まることを試験の環境で確かめてからにします。
対策4:監査で説明できる記録を残す
エージェントに作業を任せると、監査で問われるのは「この規則は誰が決めたのか」「このデータを直したのは誰の判断か」です。Ataccama は、データ監視では誰が担当し、どんな対応をし、いつ信頼が回復したかの履歴を残し、マスターデータ管理でもすべての操作を監査できると説明しています。11月の発表文でも、エージェントは各工程を確認のために記録するとされています。
ただ、製品が記録を残すことと、監査で説明できることは同じではありません。記録に残るのは「エージェントが規則を作った」「誰それが承認した」という事実で、なぜその規則が正しいと判断したかは、人が書き残さない限り残りません。承認のときに一行の理由を書く決まりを作っておくと、担当者が異動した後でも説明できます。
記録の置き場所と保存期間も決めます。製品の中の記録は、契約をやめると参照できなくなるおそれがあるため、規則の一覧と承認の記録は定期的に自社の保管場所へ書き出しておきます。社内AIが MCP 経由で何を読んだかの記録が、Ataccama 側と社内AI側のどちらに、どれだけの期間残るのかも、両方の管理者で確かめておきます。
何が社外に出るか:基盤、AIのモデル、社内AIの三段
一段目は Ataccama の基盤そのものです。クラウド版を使う場合、プロファイリングや品質の評価のために、データそのもの、少なくともその集計や見本が Ataccama の環境で処理されます。どの地域のクラウドで処理され、保存されるかは契約の確認事項です。MCP サーバーがクラウド版にしか無いことは、自社設置で運用している企業にとって大きな分かれ目になります。
二段目は、ONE AI が使う言語モデルです。確認できた公開資料では、ONE AI がどの提供元のモデルを使い、規則や説明文を作るときにどこまでのデータ(項目名だけか、見本の値まで含むか)をモデルに送るかは書かれていませんでした。見本の値に個人情報や機密が含まれる表で、生成AIの機能を使ってよいかは、契約前に書面で確かめます。
三段目は、MCP で接続した社内AIです。社内AIが品質の点数や表の見本を読むと、その内容は社内AIの提供元に送られます。Claude や Gemini を法人向けの契約で使っていても、会話の保存期間や管理者が見られる範囲は製品ごとに違います。三段それぞれで「何が、どこに、どれだけの期間残るか」を一覧にしておくと、どの表まで社内AIに開いてよいかを判断する材料になります。
- 83%速い、最大9倍速いといった数字は提供元の公表値で、測り方や比較の基準は発表文に書かれていない
- MCP サーバーはクラウド版のみ・依頼制。自社設置の環境は公式文書で対象外とされている
- ONE AI が使うモデルと、モデルに送るデータの範囲は、確認できた公開資料に記載がない
費用の増え方とやめ方
確認した範囲では、公式サイトに料金表は公開されておらず、見積もりの形です。全社の基盤を前提にした製品なので、データ源の数、処理の量、使う機能の組み合わせ(品質、カタログ、マスターデータ管理など)で費用が決まると考えるのが自然ですが、数え方は商談で確かめます。エージェントやAIの機能が別料金か、使った量で増えるのかも確認事項です。
見落としやすいのは人の費用です。エージェントが規則を速く作るほど、検収する管理役と承認する業務の持ち主の工数が増えます。提供元の試算は「手作業の時間がどれだけ減るか」で示されがちですが、検収と承認にかかる時間を差し引いて比べる必要があります。試行の最初の三か月は、エージェントの提案の件数、採用した件数、差し戻した件数を記録しておくと、後で判断の材料になります。
やめ方は三つの層で考えます。規則と台帳の中身(用語の定義、持ち主、規則の一覧、承認の記録)を書き出せる形で持っておくこと。社内AIの接続を外し、接続していた人と範囲の記録を残すこと。そして、元のデータを直していた場合は、どの値をエージェントが直したかの記録を自社に残すことです。規則と台帳の中身は、製品を替えても組織の財産として残ります。
導入前のチェックリスト
最後に、Ataccama のエージェントと MCP サーバーを社内に入れる前に、情報システム部門・データの管理役・業務の持ち主の三者で確かめておきたい項目をまとめます。一つでも答えられない項目があれば、試行の範囲を狭めて始めます。
- 作業ごとに、エージェントに任せる範囲と承認者を決めた表がある
- 何を「正」とするかを決める業務の持ち主が、主要な表ごとに名前で決まっている
- AIが作った規則を、合格と不合格の両方の見本で検収する手順がある
- 元のデータの修正と記録の統合は、自動の公開にしない設定を確かめた
- 用途ごとの合格表があり、社内AIにはそれに照らした結果を確かめさせる
- MCP の接続は個人の権限で、まず読み取りだけに限っている
- ONE AI が使うモデルと送るデータの範囲を、書面で確かめた
- 承認の理由と規則の一覧を、自社の保管場所に定期的に書き出している
- 契約をやめるときに持ち帰るものと、接続を外す手順を決めてある
この一覧は、製品の機能を確かめるものではなく、自社の決めごとを確かめるものです。製品はどれも速く、多くの作業を任せられるようになっていきますが、決めごとが無いまま任せると、速さはそのまま誤りの広がる速さになります。
まとめ
Ataccama の ONE AI Agent は、データ品質の規則づくり、当てはめ、監視、台帳整備を速く回し、MCP サーバーで社内AIに品質の情報付きのデータを渡せる仕組みです。ただし、エージェントが作るのは規則の候補で、何を「正」とするかは業務の持ち主が決めます。任せる範囲を作業ごとに表にし、AIが作った規則を合格と不合格の両方の見本で検収し、戻しにくい作業ほど承認者を通し、承認の理由を残す。社内AIには個人の権限で読み取りだけから開き、三段で社外に出るものと費用、やめ方まで確かめてから広げてください。
※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。
あなたのWebサイトは、AIによる攻撃に耐えられますか?
AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。
