目次

独自のデータ分析エージェントの開発をやめ、役立つ部分をMCPサーバーとして作り直しました。チームがすでに使っているAIツールから、信頼できるデータにアクセスできるようにするほうが、有意義な投資でした。

要点#

  • 独自のエージェントを作ると、分析そのものを大きく超える、製品としての責任が生じます。
  • MCPサーバーを使えば、既存の汎用エージェントを通じて専門的なデータや知識を提供できます。
  • 役立つ分析は、エージェントが依頼を受ける前に、指標の定義を合意し、正確なデータを整えることから始まります。
  • 別のアプリケーションの開発に踏み切る前に、チームの既存ツール内でワークフローを試しましょう。

エージェントが一つの製品になった#

当初の目標は単純でした。チャット画面で質問し、データを取得して解釈し、結果を可視化することです。Google Agent Development Kit(ADK)を使い、エージェントの構築とタスクの連携を行いました。

しかし、分析は作業の一部にすぎませんでした。実用的なアプリケーションには、チャット画面、認証、セッション処理、永続メモリ、ファイルのアップロード、アセット管理、サブエージェント間の連携ルールも必要でした。各機能の開発が、本来の分析機能に使える時間を奪っていきました。

試作品なら省けるものもありました。問題は、ユーザーが何と比較するかです。すでにClaude.ai、ChatGPT、Geminiを使っているため、別のアプリケーションには、切り替えの手間に見合う理由が必要でした。

メモリで見えたコスト#

メモリは、最初は扱いやすそうに見えました。会話から有用な情報を抽出し、保存して、必要なときに取り出せばよいのです。難しかったのは、何を記憶すべきか、過去の記憶をいつ新しい回答に反映すべきかを判断することでした。

修正や削除を考えると、問題はさらに複雑になりました。ユーザーの好みは変わることがあります。記憶した前提が間違っている場合もあります。mem0のようなサービスは実装の手間を減らせますが、こうした挙動を定義し、検証する必要まではなくなりません。

自分のアプリケーション内では解決できない切り替えコストもありました。ユーザーがこれまで蓄積した文脈は、すでに使っているアシスタントの中にあったのです。メモリを作り直すには、その文脈を一から伝え直してもらう必要があり、分析上の利点がその手間に見合う保証もありませんでした。

専門機能をMCPに持たせる#

アプリケーション全体を、Model Context Protocol(MCP)を使った分析サーバーに置き換えました。役割は、準備済みのデータを返し、その意味を説明することに絞りました。対応する汎用アシスタントに接続することで、私たちの業務に固有の機能を提供しました。

これにより、開発の範囲が変わりました。会話や利用可能な画面機能は、ホストアプリケーションが担います。私は、アシスタント単体では提供できないデータと専門知識に注力しました。可視化にも、利用可能であればClaude Artifactsなどのホスト側の機能を活用できます。

同様の移行をするなら、サーバーの初期範囲を小さく保ちましょう。

1. 有用な事前集計済みデータセットを一つ公開する。 2. その指標とディメンションの定義を提供する。 3. 対象範囲、データの鮮度、既知の制約を説明する。 4. 想定ユーザーがすでに使っているアシスタントに接続する。

エージェントの前にデータを整える#

当初は、AIモデルをBigQueryのexecute_sqlツールにつなぐだけで、有用な洞察が得られるかもしれないと考えていました。しかし、それだけでは不十分でした。準備が足りないと、出力は「通勤時間帯は電車が混む」といった、当たり前の観察に終始しがちでした。

意味のある進展をもたらしたのは、モデルよりも上流の作業でした。追跡すべき指標について合意し、日次集計を整え、元データの収集方法を修正しました。こうした変更により、アシスタントが意味のある説明をできるようになりました。タスクの連携をいくら増やしても、これらの代わりにはなりません。

エージェントに機能を追加する前に、次の四つを確認しましょう。

  • 指標の定義について、チームで合意できているか?
  • 必要なデータが正確に収集されているか?
  • 集計には再現性があり、最新の状態に保たれているか?
  • アシスタントは結果の限界を説明できるか?

再利用にも限界はある#

移行にあたって、すべてを捨てる必要はありませんでした。分析コードの多くは引き続き役立ち、新しいサーバーにはFastMCPを使いました。データ関連の機能を周辺のアプリケーションから切り離したことで、実装を簡素化する機会も得られました。

Claude.aiのコネクタを通じてMCPサーバーをチームに共有すると、同僚から活用例が届きました。実際に使われていることを示す有用な証拠でしたが、正確性や測定可能な時間短縮を裏付けるものではありません。それらは引き続き検証が必要です。

MCPを使っても、製品としての責任がすべてなくなるわけではありません。データへのアクセスでは引き続き権限を守る必要があり、ホストによって使える機能も異なります。必要なワークフロー、画面、制御を既存のホストで実現できない場合は、独自のアプリケーションを作る理由があります。私たちの基本的な分析用途では、製品全体を作るだけの理由は見つかりませんでした。

次の一歩#

繰り返し発生する分析上の問いを一つ選び、チームが使っているアシスタントの単一のMCPツールで答えられるようにしましょう。指標の定義について合意し、結果を信頼できるレポートと照合してください。

出典: https://blog.mudatobunka.org/entry/2026/11/05/100000

目次