Pecanの予測AIエージェントとは？｜部門に渡す前の判断軸

「データ分析の担当がいないマーケ部門でも、解約しそうな顧客を予測できるなら今すぐ使いたい」「営業部門が自分で作った予測モデルを、誰が正しいと保証するのか」——予測AIの導入を検討する企業で、現場と情シス・データ担当の双方から出てくる声です。きっかけの一つが、予測分析の会社 Pecan が2026年1月28日に発表した「予測AIエージェント」です。業務の問いを渡すと、データの準備からモデルの作成・検証・予測の出力までをエージェントが一続きで実行すると公式は説明しています。とはいえ、作る速さが上がっても、モデルを検証し、予測を判断にどう使うかを決める仕事は部門から消えません。この記事では、Pecan の予測AIエージェントを、データ担当のいない部門に渡してよいかという観点で、他の選択肢と比べながら整理します。

Pecan は何をする製品か：過去の業務データから「この先」を予測する

Pecan は2018年に創業した予測分析の会社で、公式の会社紹介では「AIによる予測を、データ担当と業務担当のすべてに届ける」ことを使命に掲げています。製品はクラウドで提供され、顧客の過去の取引や行動のデータから、この先に何が起きるかを予測するモデルを作り、その予測結果を営業や販促の道具に届けるところまでを受け持ちます。文章や画像を作る生成AIとは違い、出てくるのは数値の予測です。

公式サイトが挙げる用途は、顧客の解約、顧客生涯価値（LTV）、成約やアップセル・クロスセル、リードの評価、需要予測、離れた顧客の呼び戻し、不正やチャージバックの防止、そして広告キャンペーンの費用対効果の予測です。部門別の紹介ページもマーケ、営業、オペレーション、カスタマーサクセス、財務と分かれており、データ担当ではなく業務部門を利用者に想定していることがはっきりしています。

日本語で読める紹介記事はまだ少なく、検討の材料は英語の公式情報と海外の報道が中心です。料金も公式サイトには金額が載っておらず、営業への問い合わせから見積もりを受ける形です。このため、機能の一覧を眺めるより先に、自社のどの部門に、どの予測を任せたいのかを言葉にしておかないと、比較の軸が定まりません。

2026年1月の発表：予測AIエージェントで何が加わったか

Pecan は2026年1月28日、予測AIエージェントを新規・既存の顧客向けに提供開始したと発表しました。公式の説明では、エージェントは業務の意図を予測の目標に置き換え、データを準備し、モデルを検証し、すぐに使える予測を出すまでを自律的に実行します。米国のIT系メディアの取材に対して同社の最高経営責任者は、データの中に入り込んで理解する「エージェントの群」を使うと表現し、解約の予測では最大1,500の兆候を考慮できると述べています。

公式ブログ（2026年7月更新）は、予測エージェントの工程を九つに分けて説明しています。データの探索、問いの定式化（対象・結果・期間を決める）、対象と正解のデータ作り、材料となる特徴の洗い出し、特徴の加工、学習、ガードレールによる検証、性能の調整、業務への組み込みです。このうちガードレールの工程では、過学習、データの漏れ、時間とともに傾向がずれるドリフト、標本の不足、正解の偏りを確かめ、危険が大きいときは工程を止めると書かれています。

注意したいのは、公式の言い回しの強さです。公式ブログは「データチーム不要」「数か月ではなく1週間で」と書き、公式サイトは最初のモデルが多くの場合数時間でできる、予測の9割がデータサイエンスの支援なしで届けられている、と掲げています。いずれも同社が公表している数字で、第三者の検証は見当たりません。速さの主張は、検証や合意の時間を含まないものとして読むのが安全です。

生成AIとも、従来のAutoMLとも違う立ち位置

Pecan は自社のエージェントを、文章のために作られた生成AIとも、手作業の工程が残る従来のAutoMLとも違い、実際の業務データでの予測に特化したものだと位置づけています。AutoMLは、整ったデータを渡せば候補のモデルを自動で比べてくれる道具でした。一方で、何を予測するかという問いの立て方と、そのためのデータの組み立ては、人の仕事として残っていました。Pecan のエージェントは、この問いの立て方とデータの組み立てまでを自動の範囲に入れた点が違います。

ここに新しい危険があります。問いの立て方をAIが置き換えると、問いが少しずれていても、それらしい精度の数字が出てしまうのです。たとえば「来月解約する顧客」と「次の契約更新で更新しない顧客」は似ていますが、予測の期間も打ち手の時期も違います。エージェントが定式化した問いを、業務を知っている人が一文ずつ読み、自社の言葉で言い直せるかを確かめる工程が欠かせません。

また、生成AIのチャットに表計算のデータを渡して「解約しそうな顧客を挙げて」と頼むのとも違います。Pecan は学習と検証の数値を出し、どの材料が予測に効いたかを画面で示すと説明しています。ただし、数値があることと、それが自社の業務に合っていることは別の話です。数値の読み方を誰が引き受けるかは、次の比較で見ていきます。

比較：予測モデルを誰に作らせるか、四つの選択肢

予測モデルを手に入れる方法は、大きく四つに分かれます。それぞれ速さ、検証を担う人、データの出し方が違います。Pecan のエージェントを業務部門に渡すのは、このうちの一つにすぎません。

選択肢	立ち上げの速さ	検証を担う人	データの出し方	向く場面
社内のデータ担当が一から作る	遅い（数か月）	データ担当	社内で完結	予測が中核の業務で、作り込みが要る
データ担当がAutoMLで作る	中くらい	データ担当	道具による	データ担当はいるが手が足りない
業務部門が Pecan のエージェントで作る	速い（公式は数時間〜1週間）	業務部門＋承認者	外部のクラウドに接続	データ担当がいない部門で、まず一つの問いを試す
外部の分析会社に委託する	中くらい	委託先＋自社の窓口	委託先に渡す	一度きりの分析や、社内に知見を残さなくてよい場合

この表で見てほしいのは「検証を担う人」の列です。Pecan のエージェントを選ぶと、立ち上げは速くなりますが、検証を担う人が業務部門に移ります。業務部門に、予測を採るか捨てるかを決められる人がいるかが、選択の分かれ目です。いなければ、速く作れても、使われないか、誤った予測がそのまま使われるかのどちらかになります。

現実的には、組み合わせになることが多いでしょう。業務部門がエージェントで作り、月に一度だけ社外の専門家や社内の数字に強い人が検証の結果を読む、という形です。読む人を確保できるなら、Pecan は「データ担当がいないから予測を諦める」という状態を変える選択肢になります。

用途ごとに、部門だけに渡してよいかを分ける

同じ予測でも、外れたときに誰がどれだけ困るかは用途によって違います。部門だけに渡してよいかは、外れたときの損失の大きさと、元に戻せるかで決めます。

用途	外れたときの影響	部門だけに渡すか
解約の予測	連絡が空振りする、または取りこぼす。数か月で答え合わせができる	渡してよい。承認者を一人置く
リードの評価	営業の行動の順番が変わる。良いリードを後回しにする恐れ	営業とマーケで合意してから
顧客生涯価値（LTV）	広告や獲得費の配分がずれる	予算に使うなら財務と一緒に
需要予測	在庫や発注の金額に直結する	部門だけに渡さない
不正やチャージバックの防止	正当な顧客に不利益を与える	部門だけに渡さない。法務も入れる

解約の予測が最初の題材に向いているのは、外れても打ち手が「連絡する」「支援を厚くする」程度で、顧客に不利益を与えにくいからです。逆に、需要予測や不正の検知は、外れると在庫の損失や顧客への不当な扱いにつながります。最初の一件は、外れても謝れば済む用途から選ぶのが、部門に予測を渡すときの基本です。

広告キャンペーンの費用対効果の予測にも注意が要ります。公式サイトは配信開始から24〜48時間で予測を出すと説明していますが、早い段階の予測でキャンペーンを打ち切ると、立ち上がりの遅い施策を誤って止めることがあります。早期の予測は「打ち切りの判断」ではなく「様子を見る対象を絞る」用途に限るほうが無難です。

BtoBで特に気をつけたいのが、データの件数です。公式ブログはガードレールの工程で「標本の不足」と「正解の偏り」を確かめると書いています。年間の成約が数十件の企業でリード評価のモデルを作ると、学ぶための正解がそもそも足りません。件数が少ない問いは、エージェントが止めるのを待つのではなく、最初から題材に選ばないのが賢明です。解約の予測も、契約社数が数百社程度なら、予測モデルより担当者の観察と簡単な条件の組み合わせのほうが説明しやすく、現場も納得しやすい場合があります。

検証の責任は道具ではなく、使う部門に残る

Pecan は、モデルをAUCやリフト、予測誤差といった指標で評価し、画面で予測の要因を示すと説明しています。ガードレールの工程では、データの漏れや過学習を確かめます。これは心強い仕組みですが、道具が確かめられるのは統計の上での健全さです。「この予測を業務に使ってよいか」は、道具には判断できません。解約の定義が営業の感覚とずれていないか、予測の時点では分からないはずの値が材料に混ざっていないかは、業務を知る人にしか見抜けないことがあります。

そこで、部門に渡す前に「採用を承認する人」を一人決めます。部門長と、数字に明るい担当者の二人で見るのが理想です。承認のときに読むのは三つに絞ります。一つ目はエージェントが定めた問いの定義、二つ目は使った材料の一覧と効いている要因の上位、三つ目は過去の期間を時間で区切って確かめた結果です。この三つを読んで説明できなければ、精度の数字がどれだけ高くても採用しないと決めておきます。

もう一つ大事なのが、根拠を書かせることです。エージェントに、なぜこの材料を選んだのか、なぜこの期間で区切ったのかを文章で残させ、承認者はそれを読みます。業務担当が読んで理解できない説明しか出てこないなら、そのモデルは現場で信用されず、いずれ人の勘で上書きされます。説明が読めることを、採用の条件に入れるのが、データ担当のいない部門での最低限の守りです。

つなぐデータの範囲：データウェアハウスのどこまでを見せるか

Pecan の接続先は広く、公式サイトでは Snowflake、Databricks、BigQuery、Redshift といったデータウェアハウスのほか、Salesforce や HubSpot などの顧客管理、Google Ads や Meta の広告、Shopify などの販売、表計算ファイルの取り込みやAPIが挙がっています。安全面では、情報セキュリティの国際規格ISO 27001の認証と SOC2 の第二種報告を受けていること、通信時と保存時の暗号化、そして個人を特定する情報は必須ではないことを掲げています。

接続先が多いほど、何でもつなぎたくなります。しかしデータ担当のいない部門に渡すなら、つなぐ範囲は情シスが先に絞るべきです。具体的には、データウェアハウス全体ではなく、予測に使う列だけを切り出した閲覧専用の領域を作り、Pecan にはそこだけを読ませる接続用の権限を与えます。氏名やメールアドレスは渡さず、顧客は社内の番号で識別し、予測結果は社内で名寄せする形にすれば、外に出る情報を小さくできます。

運用が始まると、エージェントや担当者から「このデータもあれば精度が上がる」という提案が必ず出てきます。そのたびに接続を広げると、半年後には何が外に出ているか誰も説明できなくなります。接続の追加は情シスの承認事項にし、追加した理由と日付を記録します。海外の事業者に顧客データを預けることになるため、個人データの委託や越境移転として扱う必要があるかは、契約前に法務と確認しておきます。

ログインの管理も契約によって違います。料金ページでは、シングルサインオンの選択肢が下位のプランでは Google Workspace と Microsoft のアカウントに限られ、最上位では任意のSAMLやOIDCの認証基盤に対応すると読めます。さらに、特別な配備の形、より細かい説明の機能、高度な監視は個別の契約で提供すると書かれています。承認者が読む「なぜこの予測なのか」の説明の細かさが契約の形に左右されるため、試行の段階でどこまで説明が出るかを確かめ、足りなければ上位の契約が要るかを見積もりに含めておきます。

予測を施策の判断にどう使うか：AIに決めさせない線

予測はあくまで確率です。「この顧客は来月解約する確率が高い」という数字から、どう動くかを決めるのは人です。この線を曖昧にすると、予測がそのまま自動の打ち手につながり、誰も判断していないのに顧客への対応が変わる状態になります。次のような使い方は、少なくとも導入から当面は避けます。

• 解約の確率が高い顧客に、自動で値引きの案内を送る
• リードの点数が低いという理由だけで、営業の対応を打ち切る
• 需要予測の数字をそのまま発注量にする
• 予測に効いている要因を、そのまま「解約の原因」と読んで施策を決める

最後の項目は特に誤解されやすい点です。たとえば「問い合わせの回数が多い顧客ほど解約しやすい」という要因が出ても、問い合わせを減らせば解約が減るとは限りません。不満がある顧客が問い合わせているだけかもしれないからです。要因は「見るべき場所」であって「原因」ではないと、使う人に伝えておきます。

良い使い方は、人の対応の順番を決める材料にすることです。カスタマーサクセスが毎週連絡する顧客の順番を予測で並べ替える、営業がその日に電話する順番を決める、といった形です。Pecan の公式ブログも、性能の調整の工程で「見逃しの費用と空振りの費用の釣り合い」を取ると書いています。この釣り合いの線、つまりどの確率から人が動くかのしきい値は、業務部門が自分の費用感で決めるものです。エージェントの初期値に任せないようにします。

予測を営業・MAの道具に流すときの決めごと

Pecan は予測結果を Salesforce や HubSpot などの顧客管理、データウェアハウスに届けられると説明しており、料金ページでは定期的な届け先への書き込みを追加機能として挙げています。予測が顧客管理の画面に表示されると、現場ではそれが事実のように見え始めます。営業は、その数字がどの問いから、いつのデータで作られたのかを知りません。

そこで、顧客管理に流すときは三つを決めます。一つ目は、項目名に「予測」と明記し、更新日を並べて表示すること。二つ目は、効いている要因の上位を一行で添えること。営業が「なぜこの顧客の点数が高いのか」を一行で読めないと、点数は無視されます。三つ目は、予測を書き込む欄を専用にし、既存の項目を上書きさせないことです。予測が営業担当の入力した評価を消してしまうと、元に戻せなくなります。

MAの自動配信の起点に予測を使うのは、最初の3か月は避けるのが無難です。予測が外れていた場合、自動配信は誰も気づかないまま大量の顧客に届きます。まずは人が予測を見て動く運用で答え合わせをし、外れ方が分かってから、自動化してよい範囲を決めます。

外れたときの見直し：監視と作り直しの判断

予測は時間とともに外れていきます。市場や商品、顧客の行動が変わるからです。Pecan はモデルの性能を監視し、作り直しが必要なときに知らせると説明しており、料金ページでも予測の監視を追加機能として挙げています。ただし、知らせを受けて何をするかを決めておかなければ、通知は読まれなくなります。

見直しの決めごととして、毎月一度、予測と実績を突き合わせる日を決めます。外れていたときは、原因を三つに分けて考えます。データが途絶えていた、市場が変わった、そして予測に基づいて手を打った結果、予測が外れたように見えているの三つです。三つ目は見落とされがちです。解約しそうな顧客に手厚く連絡して解約を防げた場合、予測は「外れた」ことになります。予測の精度と施策の効果を分けて測るには、予測で選んだ顧客の一部に、あえて通常どおりの対応をする比較の集団を残しておく必要があります。

作り直しについては、エージェントが再学習を勧めても、新しいモデルにすぐ切り替えないことです。新旧のモデルを同じ期間で並べて比べ、承認者が切り替えを決める手順にします。新しいモデルの方が数字は良くても、問いの定義や材料が変わっていれば、それは別の予測です。切り替えの記録を残しておけば、後から「いつから数字の意味が変わったのか」を説明できます。

費用の増え方：予測の回数とデータの量で決まる

Pecan の料金ページは三つのプランを示していますが、いずれも金額は載っておらず、営業への問い合わせが必要です。費用を左右するのは、月あたりの予測の実行回数と、保存できるデータの行数です。公式の表では、予測の実行回数は下から月2回、10回、個別設定、データの行数は5億行、20億行、50億行が上限とされています。定期的に実行する予測は、1回ごとに別の実行として数えられます。

この仕組みでは、部門が予測を増やすほど費用が上がります。最初は月1回の解約予測だったのが、毎週更新したい、リード評価も加えたい、と広がると、すぐに回数の上限に届きます。予測の更新頻度は、施策を見直す頻度に合わせるのが原則です。月に一度しか連絡の優先順位を変えないなら、毎日予測を更新しても費用が増えるだけです。行数の上限を超えると、古いデータを消すか上位のプランに移る必要があります。

料金ページによれば、計算資源の費用はサブスクリプションに含まれ、初期費用はなく、請求は年払いです。追加の予測回数、予測の監視、届け先への定期書き込み、シングルサインオンは追加機能として扱われています。公式サイトは顧客の平均で解約が28％減ったなどの数字を掲げていますが、自社で費用に見合うかは、比較の集団を残した運用で自分たちの数字を取って判断するしかありません。

導入前の試し方：一つの問いを3か月で答え合わせする

いきなり部門全体に配るのではなく、一つの問いで小さく試します。次の流れなら、データ担当がいない部門でも、採るか見送るかを判断する材料がそろいます。

この試行で見るべきは、精度の数字だけではありません。承認者が説明を読めたか、現場が予測を見て実際に動いたか、外れたときに誰が原因を調べたか。運用の担い手が回ったかどうかを見て、二つ目の問いに広げるかを決めます。

やめるとき・止めるときの備え

予測を業務に組み込むと、止めるのが難しくなります。顧客管理には予測の欄が残り、営業はその点数を前提に動いています。導入の前に、止めるときの手順を決めておきます。止める理由は、予測が外れ続ける、費用に見合わない、データの扱いに懸念が出る、のいずれかであることが多いでしょう。

• 予測の定期配信を止めたら、顧客管理の予測欄に「停止」と表示し、古い点数で現場が動かないようにする
• データウェアハウスへの接続用の権限を無効にし、切り出した領域を閉じる
• 契約終了時に、預けたデータと作ったモデルがいつ削除されるかを書面で確認する
• 作ったモデルの中身や学習の設定を持ち出せるかは、公式情報では確認できないため、契約前に問い合わせる

契約の縛りは、公式の中でも書き方が分かれています。公式サイトのトップはプランに長期の契約が要らないと掲げる一方、料金ページはどのプランも年払いと説明しています。どちらが自社の契約に当てはまるのか、途中でやめたときの返金や日割りがあるのかは、公式情報だけでは確かめられないため、見積もりの段階で書面で確認しておきます。年払いであれば、やめる時期は契約の更新日に縛られます。試行の結果を判断する日を更新日の前に置いておけば、続けるかやめるかを落ち着いて決められます。止め方を決めてから始めることが、業務部門に新しい道具を渡すときの、情シスにとっての安心材料になります。

よくある質問

データ担当がまったくいなくても使えますか

作ること自体は、公式の説明どおり業務部門だけでもできるでしょう。ただし、採用を判断する人がいないまま使うのは勧めません。社内に数字に明るい人がいなければ、月に一度だけ外部の専門家に検証結果を読んでもらう形でもかまいません。

従来のAutoMLを使っている場合、乗り換える意味はありますか

データ担当がいて、問いの立て方とデータの組み立てを自分たちでできているなら、乗り換えの意味は小さいかもしれません。Pecan のエージェントが効くのは、問いの立て方とデータの準備がボトルネックになっている組織です。

予測の精度はどれくらいですか

公式は個別の精度の数字を一般化して示していません。精度は問いとデータによって大きく変わるため、自社のデータで、時間で区切った検証をして確かめるしかありません。

顧客の個人情報を渡す必要はありますか

公式サイトは個人を特定する情報は必須ではないと説明しています。顧客を社内の番号で識別し、予測結果を社内で名寄せする形にすれば、外に出す情報を小さくできます。

まとめ

Pecan の予測AIエージェントは、業務の問いから予測までを一続きで実行し、データ担当のいない部門でも予測モデルを手にできるようにする製品です。2026年1月の発表で、問いの立て方とデータの準備までが自動の範囲に入りました。一方で、予測を採用してよいかを決める責任、つなぐデータの範囲、予測を施策にどう使うか、外れたときの見直しは、道具ではなく使う部門と情シスに残ります。最初は外れても損失の小さい一つの問いで、承認者と比較の集団を置いて3か月試し、運用の担い手が回るかを確かめてから広げてください。予測はAIに作らせても、判断はAIに渡さない。この線を先に引いておくことが、部門に予測を渡す前の最大の準備です。

※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。