「売上 15% 減」の背景にある、
「数字の読み方」をエージェントへ。

同じ質問でも、ナレッジがあると答えが変わる

データ分析エージェントに ochakai をつなぐと、答えはどう変わるのか。問いを選ぶと、同じ質問への 2 つの答えと、答えを変えたナレッジの一文が並びます。下の答えは、実際の検証で Claude が返した回答からの抜粋です。

回答の全文と採点結果を examples/demo-eval/results に置いています。正答数と検証の条件は下の節に、同じ問いをご自身のエージェントで試す方法は「公開デモを試す」にあります。

公開デモを試す

アカウント登録は不要です。デモ環境には、Google の公開データセット thelook_ecommerce に関する 37 件のナレッジが用意されています。「売上が落ちた。なぜか、次に何をすべきか」という問いに最後まで答えられるよう設計されています（最新リリース: v0.31.1）。

go install github.com/na0fu3y/ochakai/cmd/ochakai@latest
ochakai use https://demo.ochak.ai
ochakai search "なぜ売上が落ちている?"   # 問いに関連するナレッジを検索
ochakai get insights/why-revenue-falls  # 本文と、ここを指すドキュメントを取得

ochakai ui --url https://demo.ochak.ai

# 以下は Apple Silicon Mac の例です。Intel Mac は darwin_amd64、Linux は linux_amd64 / linux_arm64、
# Windows は windows_amd64.zip をご利用ください（すべて同じリリースページにあります）
curl -LO https://github.com/na0fu3y/ochakai/releases/download/v0.31.1/ochakai_0.31.1_darwin_arm64.tar.gz
tar xzf ochakai_0.31.1_darwin_arm64.tar.gz
sudo mv ochakai /usr/local/bin/
ochakai use https://demo.ochak.ai
ochakai search "なぜ売上が落ちている?"

同じ問いに、BigQuery だけなら 9/18。ナレッジを足すと 18/18

9 つの問いを 2 回ずつ Claude Code（Sonnet 5）に入力して検証しました。両者ともに同一のプロンプトと同一の BigQuery 環境を与え、唯一の違いは片方のみが ochakai の MCP 経由でデモのナレッジ 37 件を参照できる点です。採点は別の Claude セッションが評価基準に沿って行い、数値の正解は BigQuery の直接クエリ結果に基づいて判定しています（2026-09-27）。

不正解となった回答は、いずれもデータウェアハウスへのクエリ自体は成立しているにもかかわらず誤っています。ステータスを考慮せず全レコードを売上に合算したり（実際値の 3.8 倍）、返品率の分母を全明細にしたり（正解の 28.8% に対し 10.5%）しました。また、平常の揺れの範囲内の減少に対して「キャンセルの増加」という誤った原因を推測した例もありました。スキーマには、どれが正しいかを決める材料がありません。37 件のうちわずか数件のナレッジが、エージェントの判断を正しい結果へ導きました。なお、データ構造を見るだけで自明な問いについては、両者ともに正しく回答できています。

一方で、コスト面のトレードオフもあります。ナレッジを参照する構成では、1 問あたりのツール呼び出し回数が約 2 倍（5.5 ターンから 11.4 ターン）、API 費用も約 2 倍（$0.20 から $0.42）となりました。問いの選定はナレッジ作成者によるもので、検証回数は各 2 回、評価モデルも単一（Claude による自己採点）です。したがって、本検証は「事前に整備された少数のナレッジが、該当する種類の問いに対して回答精度を改善した」という限定的な示唆にとどまります。詳細な回答履歴や採点理由、再現手順は examples/README.md に掲載しています。

定義も「数字の読み方」も、ひとつの検索で

メトリクスの計算式だけでは、AI エージェントは正しいデータ分析にたどり着けません。真に必要なのは、「その数字をどう解釈すべきか（平常値・季節性）」「信頼できる検証済みクエリ」「指標の算出ルール」「社内用語の定義」、そして「テーブルの落とし穴やデータ品質の注意点」です。ochakai は、これらをまとめて検索インデックスに保持し、関連する文脈を一度にエージェントへ提供します。PDF や画像などのドキュメントも検索対象です。

標準の推奨タイプは以上ですが、業務ドメインに合わせて自由にタイプを拡張できます。フォーマットの詳細は OKF v0.2 仕様、具体的な記述例はデモバンドルをご覧ください。

エージェントが学び、人間が検証する自律サイクル

データエージェントは分析業務の過程で、新たな発見やドメイン知識を獲得します。ochakai はエージェントが得た知見を「Draft（下書き）」として自動的に書き戻させ、人間のレビューキューへ届けます。人間が承認することで正式なナレッジへ昇格し、組織全体の AI エージェントに共有されます。Claude Code 向けには、ナレッジの想起と書き戻しを自動化するフックが同梱されています。

公開デモには、エージェントが書き戻した売上診断 2 件を、draft のまま収録しています。具体的には、2024 年 5 月の売上減少（−13%）を平常の揺れの範囲と判断し、過剰な施策を提案しなかったケースがあります。また、受注数は 17% 伸びたものの売上が伸び悩んだ 2026 年 3 月の分析ケースも含まれます。いずれも BigQuery のジョブ ID を根拠として記録し、人間の検証を待っています。

大がかりな専任体制なしで始める、実用的なオントロジー

データと業務知識を結びつけ、エージェントが自律判断できるようにする。それがオントロジーの本来の価値です。ochakai は、専用のスキーマ言語も、専任のオントロジーエンジニアも必要としません。ドキュメントは本文の Markdown リンクで互いにつながり、そのつながり自体が自然な構造になります。

デモでは、テーブルのドキュメントがオブジェクトの役割を担い、結合関係は各テーブルの # Joins 節のリンクや、特殊な結合ルールに関する Insight で保持されています。売上は受注点数・完了率・明細単価の 3 つの Metric に分解され、変動要因の特定ロジック、取るべき行動、データの適用限界まで、それぞれリンクをたどって把握できます。Palantir Foundry の用語との対応表は glossary/ontology にあります。

他のツールとの併用と競合

指標の定義を AI エージェントに提供するだけなら、セマンティックレイヤーやデータカタログでも可能です。ochakai は、それらのツールではカバーしきれない「数字の読み方や現場の解釈ノウハウ」を補うナレッジレイヤーとして併用できます。モデル定義はセマンティックレイヤーへ、技術メタデータはカタログへ、人間が検証したデータ知識は ochakai へ置きます。一方、付属のデータエージェント機能（オプション、既定は off）は、Databricks Genie などのデータエージェント製品と直接競合します。商用製品のような多機能さはありませんが、ochakai は回答根拠となったナレッジと人間による検証の有無を明示し、全データを OKF 形式で自由にポータブルに持ち出せます。

デプロイと導入

ochakai は、自組織の Google Cloud プロジェクト内にデプロイして運用できます。ナレッジや変更履歴はすべて自環境内に保持され、外部へ流出することはありません。

データのエクスポートも簡単です。ochakai export を実行すれば、すべてのナレッジが標準フォーマット OKF（YAML Frontmatter 付き Markdown）で出力され、他のシステムへもスムーズに移行できます。

前提条件、費用見積もり、IAM 認証設計、バックアップやアップデートの手順は、「デプロイと運用ガイド」にまとめています。

git clone https://github.com/na0fu3y/ochakai && cd ochakai/deploy/terraform
cp terraform.tfvars.example terraform.tfvars   # project・region・invokers を設定
terraform init
terraform apply    # Cloud SQL の作成に 10〜15 分ほどかかります

# 初回のみの手作業: スキーマの初期化（流し込む SQL は terraform output が表示）
gcloud sql users set-password postgres --instance=ochakai --prompt-for-password
cloud-sql-proxy "$(terraform output -raw sql_connection_name)" --port 55432 &
psql "host=localhost port=55432 dbname=ochakai user=postgres"
# psql の中で「terraform output -raw database_bootstrap_sql」の出力を実行すれば完了

terraform output -raw use_command   # チームメンバーに共有する ochakai use コマンドを表示

# テーブル定義を取得して投影。ochakai がデータウェアハウスに直接アクセスすることはありません
# ※ --max_rows を指定して全カラムを取得（省略時は先頭 100 行のみの出力になるため注意）
bq query --max_rows=100000 --format=json --nouse_legacy_sql \
  'SELECT table_schema, table_name, column_name, data_type, is_nullable
     FROM `your-project.your_dataset.INFORMATION_SCHEMA.COLUMNS`
    ORDER BY ordinal_position' \
  | ochakai seed - | ochakai import -

claude mcp add ochakai -- ochakai mcp-stdio

{
  "mcpServers": {
    "ochakai": { "command": "ochakai", "args": ["mcp-stdio"] }
  }
}