Key Takeaways
経営会議で、営業部と経理部が持ってきた「今期の売上」が合わない。人が突き合わせていた頃は、その食い違いに気づけた。ところが、生成AIは定義がずれたデータからでも、もっともらしい数字を迷わず返し、それに気付きにくい──。
この食い違いを根元で断つのが「セマンティックレイヤー」です。仕組みからツール選び、移行、投資対効果までを経営視点で解説します。
目次
【前提】セマンティックレイヤーとは。数字の意味を揃える層
セマンティックレイヤー(semantic layer)とは、生のデータと、それを使う人やAIとの間に置く「意味の中間層」です。
たとえば「売上」は、受注時点で数えるのか出荷時点か、返品を差し引いた後か。部署ごとに正しい答えがあります。その中から会社としての「売上」を1つに決め、計算式として1か所で固定する。BIツールからでもAIエージェントからでも、同じ数字が返ります。
セマンティックレイヤーは、会社の「度量衡」です。 秦の始皇帝は中国を統一すると、長さ、容積、重さの単位を揃えました。同じ物差しが、税を集め、取引を回す土台になったからです。定義が揃わない会社は、同じ「売上」という言葉で違う重さを量っています。
この考え方は新しくありません。Business Objects(ビジネスオブジェクツ)は1991年、SQLを知らない人がビジネスの言葉でデータを引ける仕組みを特許出願し、1996年に米国特許(US5555403)を取得しました。30年来の技術が、生成AIで再び主役に戻ってきたのです(出典:Google Patents「US5555403A Relational database access system using semantically dynamic objects」)
【理由】セマンティックレイヤーが必要な理由。AIは推測で書く
BIの時代、定義がずれていても最後に数字を見るのは人で、合わなければ誰かが気づきました。生成AIは、この「最後に人が気づく」工程を飛ばします。「今期の売上は?」と聞けば、AIは自分でSQLを書きます。
しかし、LLM(大規模言語モデル)は自社の「売上」が受注ベースか出荷ベースかを知らず、テーブル名や列名から推測して計算式を組み立てます。
dbt Labsが2026年4月に公表したベンチマークは、失敗の仕方の違いをこう要約しました。
「テキストからSQLを生成する方式では、失敗はもっともらしい誤答として現れる。セマンティックレイヤーでは、失敗はエラーメッセージとして現れる」。(出典:dbt Labs「Semantic Layer vs. Text-to-SQL: 2026 Benchmark Update」2026年4月)
経営にとって怖いのは、AIが間違えることより、間違いに気づけないことです。 誤った数字が、正しい数字と同じ顔をして役員資料に載る。セマンティックレイヤーは、AIが答えていい範囲を定義で区切り、範囲外では止めます。
同じベンチマークの正答率は、モデル化を進めたセマンティックレイヤー経由が98.2〜100%、生のテーブルにSQLを書かせる方式が84.1〜90.0%でした(保険会社を模した11問を各20回実行)。ベンダー自身の検証ですが、定義を渡すかどうかで結果は動きます。
Salesforceの2025年の調査(18か国のIT部門の意思決定者約3800人が対象)でも、AIを本番運用する回答者の89%が「不正確、または誤解を招くAIの出力を経験した」と答えています。(出典:Salesforce「State of Data and Analytics」2025年11月)
【ガイド】AIの数字、そのまま信じて大丈夫?AI分析の落とし穴
セマンティックレイヤーがないと、AIは「もっともらしい誤答」を返しがちです。AI頼りのデータ分析に潜む落とし穴を整理していますので、ぜひお役立てください。
【技術メモ】セマンティックレイヤーの仕組み。4つの部品で動く
セマンティックレイヤーは、データウェアハウスやCRM、ERPと、BIツールやAIエージェントの間に入ります。データを複製するのではなく、「どのデータを、どう組み合わせ、どう計算するか」という定義を持ちます。部品は4つです。
1. 指標(メトリクス):売上、粗利率など、集計して求める数字の計算式。「売上=出荷額の合計-返品額」のように一度だけ定義します。
2. ディメンション:地域、商品、月など、数字を切り分ける軸です。
3. エンティティと関係:顧客、注文、商品といった対象とそのつながり方。結合を誤ると数字が二重に数えられるため、定義で固定します。
4. 権限とリネージ:誰がどの指標を見てよいかというアクセス制御と、数字の来歴(リネージ)です。
問い合わせはすべてこの層を通り、誰が聞いても定義に沿ってSQLが組み立てられます。AIとの接続口として広がっているのが、2024年11月にAnthropicが公開した、AIとデータをつなぐ標準仕様「MCP(Model Context Protocol)」です。MCP経由で公開すれば、AIは生のテーブルではなく、定義済みの指標を「道具」として呼び出せます(Anthropic「Introducing the Model Context Protocol」2024年11月)
データと使い手の間に、意味の層を1枚はさむ

【整理】セマンティックレイヤーの3つの型。問い2つで選ぶ
定義を「どこに置くか」で、3つの型に分かれます(本記事の整理で、複数の型にまたがる製品もあります)。
| 型 | 定義を置く場所 | 向いている状況 | 注意点 |
|---|---|---|---|
| BI組込み型 | 特定のBIツールの中 | BIツールが社内で1つ | 他ツールやAIからは使いにくい |
| データ基盤統合型 | データ基盤の中 | データが特定の基盤に集約済み | 基盤をまたぐと持ち運びにくい |
| 分離型(ヘッドレス) | BIとデータ基盤から独立した層 | 複数のツールやAIで同じ指標を使う | 運用する層が1つ増える |
分離型は、画面(ヘッド)を持たず定義だけをAPIで提供するため「ヘッドレス」とも呼ばれます。型は、2つの問いでおおむね決まります。
1. 同じ指標を、複数のツールやAIエージェントから使うか:使わないなら、BI組込み型で十分です。
2. データは、特定のデータ基盤に集約されているか:集約済みならデータ基盤統合型、複数の基盤やSaaSに分かれているなら分離型が候補です。
自社に合うセマンティックレイヤーは、2つの問いで決まる

【実践】セマンティックレイヤー導入の5ステップ。移行は段階で
多くの企業で、定義はすでにBIツールや表計算に散らばっています。一度に移さず、BI組込み型から分離型へ段階を踏むのが定石です。
1. 経営会議の指標を棚卸しする:経営会議や取締役会の資料に載る指標を洗い出し、同じ名前で計算式が違うものを一覧にするだけで、食い違いの規模が見えます。
2. 定義を1つに決め、オーナーを置く:会社としての定義を決め、オーナー(多くは所管部門の責任者)を置きます。既存のBIの中で構いません。技術より合意形成の仕事です。
3. 定義をBIの外へ出す:定義をデータ基盤統合型や分離型の層に移し、既存のダッシュボードをつなぎ直し、新旧の並行稼働で数字の一致を確かめます。
4. AIエージェントを接続する:MCPなどで、AIが定義済みの指標を呼び出せるようにします。「正解の分かっている質問」で正答率を測ってから、範囲を広げます。
5. 運用し、定義を育てる:指標の追加や変更はオーナーの承認を経て、リネージで影響範囲を確かめてから行います。
米サラダチェーンのSweetgreen(スイートグリーン)は、主要なKPIをdbt Semantic Layerで標準化し、AIアシスタントをMCP経由で接続しました。同社のアナリティクス部門のリードは語ります。
「AIとセマンティックレイヤーを活用したことで、セルフサービスの分析は、以前のように2週間待つものから、30分で済む仕事になりました」
注目は進め方です。公開時点で会話型分析を使うのは15〜20人の試行ユーザー、セマンティックモデルも3〜5個に絞り、意図的にゆっくり広げていました。小さく始めて定義を育てる。ステップ3、4を狭い範囲で先に回した好例です(出典:dbt Labs「How Sweetgreen built conversational analytics with dbt and AI」2026年1月)。
【効果】セマンティックレイヤーのROI。決め手はガバナンス
セマンティックレイヤーは、それ自体が売上を生むシステムではありません。投資対効果は次の3つで考えます。
第1に、数字合わせの手戻りが減ります。 ガートナーは2020年の調査で、データ品質の低さによる組織の損失を年平均で少なくとも1290万ドル(約19億円、1ドル=150円換算)と試算しました。定義の問題に限った数字ではありませんが、会議前の照合や再集計といった手戻りは、定義を1か所にまとめれば抑えられます(出典:Gartner「Data Quality: Best Practices for Accurate Insights」)。
第2に、意思決定までの待ち時間が縮みます。 Sweetgreenの「2週間から30分へ」がこれです。定義が揃えば、経営層が自分で、あるいはAIに聞いてその場で確かめられます。
第3に、AIへの投資が無駄になりにくくなります。 ガートナーは、AIに適したデータ(AI-ready data)に支えられていないAIプロジェクトの60%が、2026年までに放棄されると予測しています。AI投資の成否は、AIに渡す数字の定義にも左右されます(出典:Gartner「Lack of AI-Ready Data Puts AI Projects at Risk」2025年2月)。
そして本当の価値は、技術よりガバナンスにあります。 どの数字を「正」とするかを決め、変更を管理し、来歴をたどれるようにする。AIが自律的に動く時代の数字の統治です。
要点は、指標ごとのオーナーと承認手順、AIにも人と同じ権限を適用するアクセス制御、リネージの3つ。根拠をさかのぼれるかが、AIの答えを経営判断に使えるかの分かれ目です。
【整理】セマンティックレイヤーとオントロジーなどの違い
似た言葉とは、答える問いで区別できます。
| 用語 | 答える問い | セマンティックレイヤーとの関係 |
|---|---|---|
| セマンティックレイヤー | 「いくらか」(数字をどう計算するか) | ― |
| オントロジー | 「何と何が、どうつながっているか」 | 概念と関係の定義が主役 |
| メトリクスストア | 「この指標の計算式は何か」 | 指標部分とほぼ同義 |
| データマート | 「この部門が使う表はどれか」 | 用途別の集計済みの表。定義を使い回しにくい |
| データカタログ | 「どのデータが、どこにあるか」 | 所在の目録。計算方法は定義しない |
特に混同されやすいオントロジーは、顧客、契約、商品といった概念と関係を定義する「意味の設計図」です。セマンティックレイヤーの主役は、数字の計算方法です。着手の順は、今の痛みで決まります。
● 「部署ごとに数字が合わない」「AIの集計を信用できない」なら、セマンティックレイヤーから
● 「AIが顧客と契約の関係を取り違える」「同じ顧客が部門ごとに別人扱い」なら、オントロジーから
AIに渡す情報全体の設計は、コンテキストエンジニアリングの記事で解説しています。
【ガイド】オントロジーより先に、データ負債の解消を
セマンティックレイヤーとオントロジーを選ぶ前に、土台のデータ負債を見直す視点が要ります。AIの回答が浅くなる原因と、解消の進め方がつかめます。
【実例】セマンティックレイヤーをTableauで実現する
Salesforceでは、データ分析・可視化プラットフォーム「Tableau(タブロー)」の一機能「Tableau Semantics(タブロー セマンティクス)」が、この層を担います。データ統合基盤「Data 360(旧Data Cloud)」と一体で動き、指標の一元管理、自然言語によるモデルの自動生成、リネージとアクセス制御を備えます。
既存のTableauのパブリッシュされたデータソースを取り込め、既存のデータやセマンティックモデルを移行する必要はありません。Tableau CloudやTableau Desktopからもコネクタで使え、ダッシュボードを生かしたまま定義だけを共通の層に移せます。
AIとの接続では、自然言語の質問に答える機能に加え、公式MCPサーバー「Tableau Next MCP」も公開されています。
公式サイトには、導入を支援するパートナー企業の声も載っています。Deloitte(デロイト)の担当者は、こう語っています。「Salesforce エコシステムに統合された Tableau Semantics により、信頼できる唯一の情報源を構築できます。矛盾する解釈が低減し、コラボレーションの強化、AI の向上、インサイトの拡充につながっています」
なお、Tableau Semantics は 「Tableau Next」向けの「Tableau+」「Tableau Next スタンドアロン」の一部で提供されます。
【簡単理解】セマンティックレイヤーのよくある質問
A. 売上や解約率などの指標の定義を1か所にまとめ、BIツールにもAIにも同じ数字を返させる中間層です。
A. 不要にはなりません。データウェアハウスはデータを集める場所で、「売上」の計算方法までは決めません。その定義を与えるのがセマンティックレイヤーです。
A. オントロジーは概念と関係(顧客は契約を持つ、など)を、セマンティックレイヤーは数字の計算方法を定義します。両者は補い合います。
A. 定義した範囲では正答率が大きく上がるという検証結果があります。一方、定義外の質問には答えられません。誤答を返さず止まることも、経営にとっては価値です。
A. 実装はデータ部門でも、定義を決めるのは事業側です。所管部門の責任者をオーナーに置き、調停を経営層が担う形が現実的です。定義の食い違いは利害の食い違いでもあり、技術部門だけでは決めきれません。
【おさらい】セマンティックレイヤーは会社の度量衡
AIは、聞けば数字を返します。だからこそ、その数字が「どの定義で計算されたか」を会社として決めておく必要があります。定義がずれたままなら、AIはそのずれを、もっともらしい答えに変えて返します。
導入前に次の5つを確かめてください。導入後の効果を測る物差しにもなります。
● 経営会議の指標のうち、部署ごとに定義が異なるものはいくつあるか
● 指標ごとに、定義に責任を持つオーナーは決まっているか
● 分析の依頼から回答まで何日かかり、数字の照合に何時間使っているか
● 正解の分かっている質問に、AIは何割正しく答え、根拠をさかのぼれるか
● 選ぼうとしているツールは、定義を持ち運べる標準に対応しているか
最初の一歩はツール選びではなく、経営会議の指標を並べて定義の食い違いを一覧にすることです。その一覧が、そのまま導入の設計図になります。
始皇帝が国の物差しをそろえたように、AIが社内で動く時代には、会社の数字の物差しを揃える必要があります。その度量衡が、セマンティックレイヤーです。
【動画】Tableau MCPで何ができる?AIと数字をつなぐ術
記事で触れたTableau Next MCPなど、AIエージェントをデータにつなぐ流れを動画で学べます。まずは動画で、自社のAI活用のイメージをつかんでみてください。










