Skip to content
Published on

拡張分析 & BI AI 2026完全ガイド — Tableau Pulse · Power BI Copilot · Qlik Answers · ThoughtSpot Spotter · Sigma Computing · Looker + Gemini · Mode · Hex · Domo · MicroStrategy 徹底解説

🇰🇷KO🇺🇸EN🇯🇵JA
Split View필사 모드
Authors

はじめに — 2026年5月、BIは「ダッシュボード時代」を閉じる

5年前まで、BIの中核は「ダッシュボードをいかにうまく作るか」だった。データチームがSQLでビューを作り、アナリストがTableauやPower BIでチャートを並べ、ビジネスユーザーはその画面を見て意思決定を下す。2026年5月、そのワークフローは急速に廃れつつある。BIは「自然言語で質問すれば答えが返り、メトリクスに異常があればアラートが届き、AIエージェントがデータを探索してインサイトをレポート化してくれる」段階に進んだ。

この変化の中心には4つの出来事がある。Tableau Pulse(2024年2月GA) — Einsteinがメトリクスを監視し、自然言語でインサイトを要約。Power BI Copilot(2024年中盤Premium GA) — Microsoft Fabricの上で「自然言語 → DAX → 可視化」を一気通貫で行うパイプライン。Qlik Answers(2024年5月) — 社内データにRAGを組み合わせる。ThoughtSpot Spotter(2024年8月) — 対話型エージェントへと進化。本稿はこの4本柱と周辺エコシステムを1本にまとめる。

BI進化2026 — ダッシュボード → 対話型分析 → エージェント型探索

BIツールの3世代を1行で要約するとこうなる。

  1. 第1世代(2003-2018): セルフサービスダッシュボード。Tableau、Qlik、Power BI黎明期。SQL/MDXを知らないユーザーでもチャートが作れる。
  2. 第2世代(2018-2023): 拡張分析。Auto-insight、NLG(Natural Language Generation)、異常検知がBIに内蔵される。ThoughtSpot SpotIQ、Tableau Ask Dataが代表格。
  3. 第3世代(2024-2026): 対話型 + エージェント型。LLMで自然言語Q&A、AIが能動的にメトリクスを監視、エージェントが多段階分析を実行する。Pulse、Copilot、Answers、Spotterがこの世代の旗手だ。

世代交代の核心はセマンティックレイヤー(Semantic Layer)の台頭である。LLMが「ハルシネートされたメトリクス」を作らないためには、ビジネスメトリクスの定義がデータモデル層で曖昧であってはならない。だからdbt Semantic Layer、Cube、AtScale、MetricFlowがBIの新インフラとして定着した。

Tableau Pulse — Einsteinベースのメトリクス監視のスタンダード

SalesforceがTableauに大きく投資した結果が、最も目立つかたちで現れたのがTableau Pulseだ。2024年2月GA、2025年にAgentforceと統合し、エージェント化の道に乗った。

Pulseのモデルはシンプルだ。

  • ユーザーは**「売上」「DAU」「コンバージョン率」**といったメトリクスを宣言的に定義する(Tableau CloudのMetrics Definition)。
  • Pulseがそのメトリクスを日次/時間単位で自動追跡する。
  • 変化が異常であれば、Einstein 1 PlatformのLLMが自然言語で要約し、Slack、メール、Pulse Inboxへ届ける。
  • ユーザーは「なぜ下がったのか?」と追問でき、Pulseが次元別に答えをスライスする。

代表的なアラートメッセージはこんな具合だ。

[Pulse Insight] 2026-05-15
「今週の米国モバイル売上が前週比-12%」
主な要因:
- iOS 15.x以下のユーザーで決済失敗が +220%
- 広告チャネル別ROAS: 正常
推奨アクション: モバイル決済SDKのログを確認

Pulseの中心思想は、宣言的なメトリクス定義 + LLM要約を組み合わせる点にある。パラダイムは「誰がダッシュボードを見に行くか」から「メトリクスのほうが自分に届くか」へ反転した。

Tableau Einstein Copilot for Tableau — 自然言語でワークブックを作る

PulseがメトリクスアラートならEinstein Copilot for Tableauはワークブック制作支援だ。2024年導入、2025年に一般提供、2026年にはTableau Cloud Proライセンスへ標準同梱されている。

機能マトリクス:

  • Ask Data 2.0: 「今四半期の地域別売上を比較して」 → 可視化を自動生成。
  • 計算サポート: LOD(Level of Detail)式、Table Calculationを自然言語から生成。
  • データ説明: 可視化にマウスを乗せると「この上昇の80%は日本市場の寄与」のようなNLG要約。

限界もある。CopilotがLODを誤って組むケースがあり、アナリストの確認は依然必須だ。メトリクス定義の弱いデータモデルでは信頼度が急落する。

Tableau Agentforce統合 — 2025年の大きな変化

Salesforceが2024年9月にAgentforceを発表したのち、2025年にはTableauとAgentforceが統合された。意味するところは明確だ。Tableauの可視化を単なる「見るBI」ではなく、エージェントが他システム(Service Cloud、Sales Cloud)と協働する分析ノードへと位置づけるということ。

例: セールスエージェントが「今四半期のセールスパイプラインはどう?」と尋ねる → AgentforceがTableauを呼び出す → Pulseのメトリクスと可視化を取得し、自然言語で要約し、次の行動をSales Cloudで実行する。BIがアクションレイヤーと直接結ばれた初めての事例だ。

Power BI Copilot — Microsoft Fabric上のフルスタックAI

MicrosoftのBI戦略は明快だ。すべてをMicrosoft Fabricの上に載せ、そこにCopilotを織り込む。Power BI Copilotは2024年中盤にPremium層でGA、2025年には一部機能がProへ降りてきた。

中核機能:

  • 自然言語 → DAX: 「前四半期比の売上成長率」 → DAX measureを生成。
  • 自然言語 → レポート: 「地域別売上レポートを作って」 → ページ構成を自動。
  • データ要約: 可視化の上で「これは何の意味?」 → NLGで応答。
  • Direct Lakeモード: OneLakeのDeltaテーブルをメモリにロードせず直接クエリ。インポートとDirectQueryの中間形態。

Power BI Copilotがうまく動くには、Power BIセマンティックモデル(旧称: dataset)にmeasureとdimensionがきちんと定義されている必要がある。つまりセマンティックレイヤーの品質がそのままCopilotの品質となる。

Microsoft Fabric + Copilot Studio — データからエージェントまで一括

Microsoftが描く絵は一行で言えば、OneLakeへデータ投入 → Fabricで変換・モデリング → Power BIで可視化 → Copilot Studioでエージェント化 → Teams/Outlookから呼び出し。データ → BI → エージェント → アクションの摩擦をほぼゼロに落とすのが目標だ。

2026年時点の主要Fabricワークロード:

  • Data Factory: データ統合、パイプライン。
  • Synapse Data Engineering: Sparkノートブック。
  • Synapse Data Warehouse: SQL分析。
  • Real-Time Intelligence: ストリーミング。
  • Data Science: ML学習/デプロイ。
  • Power BI: 可視化 + Copilot。

これらすべてがOneLakeという単一ストレージを共有する。データ移動なしに同じDeltaテーブルを複数ワークロードから読み出す。

Excel Copilot — スプレッドシートのBI化

Microsoft 365 CopilotのExcel統合も思いのほか強力だ。「このシートで売上が下がった地域を見つけて」「ピボットを作って」「異常検知して」といった自然言語クエリに応える。BIツールでなくスプレッドシートが直接拡張分析を行う点が大きな変化だ。データチームのない中小企業にとって決定的な意味を持つ。

Qlik Answers — RAGで会社データに尋ねる

Qlikの2024年5月の発表は注目に値する。Qlik Answersは厳密にはBIツールというより、RAG(Retrieval-Augmented Generation)ベースの社内ナレッジ検索 + 分析ツールだ。会社の構造化(データベース) + 非構造化(文書、PDF、Confluence)データを索引化し、その上でLLMが回答する。

差別化ポイント:

  • Qlik Talend Cloudのデータ統合と一体化 — ガバナンスが最初から組み込まれている。
  • ベクトル埋め込み + メトリクス文脈を同時に活用。
  • 企業がOpenAI、Anthropic、Azure OpenAIなどLLMを選択可能。

Qlikの弱点はグローバル認知度だ。ダッシュボードのユーザー基盤はTableau/Power BIより小さいが、Qlik Senseの**連想分析エンジン(Associative Engine)**は依然として強力な技術的差別化要因である。

Qlik Sense + Insight Advisor — 拡張分析クラシックの本家

Qlik SenseのInsight Advisorは拡張分析の第1世代だ。2018年頃から「データを投げれば自動でチャート推薦 + 相関検出 + NLG要約」を提供してきた。2026年のInsight AdvisorはQlik Answersと統合され、自然言語インターフェイスを共有する。

Qlik Cloud + AutoML — BIにAutoMLを差し込む

Qlik AutoML(2021年導入、Big Squid買収を基盤に)は、BIユーザーがコードを書かずに予測モデルを構築できる仕組みだ。売上予測、解約予測といった標準シナリオでは十分使える。ただし高度なMLが必要であれば、結局データチームが別途パイプラインを組むことになる。

ThoughtSpot Spotter — 対話型AIエージェントの決定版

ThoughtSpotの2024年8月の発表は、BI業界でもっとも攻めたAI賭けだった。Spotterは単なる自然言語Q&Aを越え、対話型エージェントへと飛躍した。

特徴:

  • 多段分析: 「売上が下がった」 → 「どの製品?」 → 「なぜその製品?」というフォローアップが自然に流れる。
  • メトリクスカタログ: 企業KPIをメトリクスとして登録 → Spotterはそのメトリクスのみから回答する(ハルシネーション防止)。
  • データソース統合: Snowflake、Databricks、BigQuery、Redshiftに直接ライブクエリ。

Spotterの弱点は価格だ。ThoughtSpotのエンタープライズ価格はTableau/Power BIより高く、導入コンサルティングの比重も大きい。代わりに、うまく導入した企業ではBI利用率が平均3-5倍に跳ね上がる報告がある。

SpotIQ — AI駆動の自動インサイト

SpotIQはThoughtSpotのクラシック拡張分析機能だ。チャート上で「Analyze」ボタンを押すと、AIがトレンド分解、異常検知、相関分析を自動で走らせ、自然言語でまとめる。2026年にはSpotterと統合され、「結果のみを見せる」モードと「対話で深掘りする」モードが一つのインターフェイス内に共存する。

Sigma Computing — スプレッドシート式のクラウドBI

SigmaはBIツールだが、UXがExcelやスプレッドシートにきわめてCloseだ。アナリストはセル単位の数式感覚でデータセットを扱える。2025年シリーズDをクローズ、2026年はSnowflakeエコシステムで最も早く伸びるBIだ。

特徴:

  • クラウドネイティブ — データを抽出せず、ウェアハウス上で直接クエリ。
  • スプレッドシートUX — Excelからの移行がスムーズ。
  • AI機能 — AI Sigma(2024)が自然言語からワークブックへ変換。

Mode Analytics — ThoughtSpot買収以降

Modeは2023年にThoughtSpotに買収された。コード優先(SQL + Pythonノートブック + 可視化)BIとしてデータサイエンティスト層に強力なファンを持つ。2024-2025年にはThoughtSpot Modeへとリブランディングされ、Spotter統合の途中段階にある。

Hex — ノートブック + ダッシュボードの結合

HexはBIというよりコラボラティブノートブック + データアプリビルダーだ。SQL、Python、可視化、ウィジェットがひとつのキャンバスで流れる。2025年にHex Magic(AIコパイロット)がGA、2026年にはデータチームの標準ノートブックツールとして定着した。

活用シナリオ:

  • アドホック分析 → ノートブックで即座に。
  • 共有ダッシュボード → 同じノートブックをdashboardモードで公開。
  • データアプリ → ウィジェット + 入力フォームでインタラクティブアプリ。

Omni Analytics — Looker創業者たちの新ツール

OmniはLooker創業者たちが2022年に立ち上げた新興BIだ。LookMLのようなモデリング + Sigmaのようなワークブック UX + Snowflake/BigQuery親和性をすべて備えるのが目標。2025年後半にシリーズBをクローズし、2026年は急速にシェアを伸ばしつつある。

Lightdash — オープンソース + dbtフレンドリー

Lightdashはdbtモデルをそのままbiメトリクスとして公開するオープンソースBIだ。dbtユーザーはコードを二度書かなくていい点で、急速にシェアを伸ばしている。SaaSとself-hostの両オプションがある。

Looker + Gemini in Looker — Googleの統合戦略

Googleが2019年に買収したLookerは、2024-2025年にGemini in Lookerとして生まれ変わった。Lookerのセマンティックレイヤー(LookML)とGeminiのマルチモーダル能力が結びつき、「自然言語クエリ → LookML measureマッチング → SQL生成 → 可視化」までを一気通貫で処理する。

特徴:

  • LookMLというコードベースのセマンティックレイヤー — この分野で最も古い標準。
  • Gemini統合 — Vertex AIと同じモデルファミリーを共有。
  • Looker Studio + Gemini — 無料のセルフBIツールにもGeminiが入り、中小企業や個人アナリストの参入障壁が下がった。
  • BigQuery Studio + Gemini — BigQueryコンソールで自然言語からSQLを書き、ノートブックを実行し、可視化する。

MicroStrategy ONE + Auto — エンタープライズ正統派のAI

MicroStrategy(MSTR)は30年続くエンタープライズBI企業だ。2024年にONEプラットフォームをGA、その中にAutoというAIボットが入る。Autoは自然言語Q&Aだけでなく、レポート生成、データモデル探索、アラートまでこなす。大手金融・通信・製薬が主要顧客。

SAP Analytics Cloud + Joule

SAPは2024年に発表したJouleコパイロットをAnalytics Cloud(SAC)に統合した。SAP S/4HANAのマスターデータと自然に連携でき、ERPデータの上に自然言語分析を載せるのが強みだ。SAPを基幹ERPで使う大企業が主要顧客。

Oracle Analytics + AI Assistant

Oracle Analytics Cloud(OAC)はOracle Autonomous Databaseと密接に結びついている。2024-2025年にOCI Generative AIと統合され、自然言語 → SQL → チャートのワークフローを支援する。Oracle DB中心の企業では一貫性が強みとなる。

IBM Cognos Analytics + Watson Assistant

クラシックエンタープライズBIのなかでIBM Cognosは、Watsonとの結合で差別化する。watsonx.ai上で自然言語分析を回し、IBMが誇るガバナンス・監査トレース機能と組み合わせる。

SAS Viya — 統計の名門のクラウド移行

SASはBIというより、統計・予測分析の正統派だ。SAS Viya 4(2024-2025)はクラウドネイティブで再設計され、Viya Workbench(開発者フレンドリーIDE)、Viya Generative AI統合を通じてLLM時代に適応中である。

Domo + AI Service

Domoはフルスタックのクラウド BIだ。ETL + 可視化 + アラート + アプリビルダーがひとつのSaaSに収まる。2024年にAI Service Layerを導入し、OpenAI、AWS Bedrockなどモデルを選択できるようにした。営業・マーケティング部門が自律的に使うのに最適と評される。

Zoho Analytics + Zia — 中小企業のコスパカード

Zoho AnalyticsはZiaというAIアシスタントと結びつく。Tableau/Power BIの3分の1から5分の1の価格帯であり、中小企業・スタートアップに採用が広がる。機能の深さは劣るが「使う範囲には十分」というレビューが多い。

Klipfolio · Geckoboard — TVダッシュボードカテゴリ

KlipfolioとGeckoboardはオフィスの壁に映すKPIダッシュボードカテゴリの定番だ。フルBIというよりメトリクス可視化ツール。シンプルだが導入時間が短い。

Apache Superset — Airbnb発のオープンソースリーダー

Apache SupersetはAirbnbで始まり、Apache Foundationへ移ったオープンソースBIだ。2026年でもself-hostオープンソースBIの第一階層。SQL Lab、ダッシュボード、豊富なチャート種別が強み。Preset.ioがマネージドSaaSを提供する。

# superset_config.py 抜粋
SQLALCHEMY_DATABASE_URI: 'postgresql://superset:password@db:5432/superset'
FEATURE_FLAGS:
  DASHBOARD_NATIVE_FILTERS: true
  EMBEDDED_SUPERSET: true
  ALERT_REPORTS: true

Metabase — オープンソースBIのセルフホスティングリーダー

Metabaseは使いやすさでSupersetより一歩先を行く。「易しい自然言語の質問 → チャート」のUXがOSSで最も洗練されている。2024年にMetabase AI(Cloud限定)が追加され、自然言語Q&Aが可能になった。セルフホスト + AIはまだ制限的。

Redash — Databricks買収以降

RedashはSQLクエリ + 可視化中心のOSS BIだ。2020年にDatabricksが買収し、以降Databricks SQLの一部として統合されつつある。独立OSSとしては停滞気味の雰囲気。

Evidence — マークダウンで分析する新しいパラダイム

Evidenceはマークダウン + SQL + チャートを1つのドキュメントに書くBIだ。Gitフレンドリーで、レポートがコードとしてバージョン管理される。2025年にシリーズAをクローズ、2026年はデータチームの間で急速に人気を集めている。「静的サイトでBIレポートを公開する」というパラダイムが新鮮だ。

Briefer · Quadratic — ノートブックBIの新興強者

BrieferはノートブックとダッシュボードとスケジューリングがひとつのSaaSに収まるオープンソースBIだ。QuadraticはPythonをセルに直接書けるスプレッドシート。両ツールとも「コードとビジュアル分析の境界を取り払う」流れの一部だ。

dbt Semantic Layer · Cube · AtScale — セマンティックレイヤーの最盛期

LLM時代のBIの信頼性はセマンティックレイヤーにかかっている。ビジネスメトリクスが一箇所に定義されていてこそ、LLMはハルシネートしない。

  • dbt Semantic Layer: 2023年のMetricFlow買収後に本格展開。dbtユーザーがmeasure/dimensionをdbtモデルの隣に定義する。
  • Cube: 2025年シリーズBをクローズ。API-firstなセマンティックレイヤー。BIツールでなくBIツールのバックエンドとして動く。
  • AtScale: エンタープライズセマンティックレイヤー。SAP、Oracle環境で強み。
  • Steep: 新興。セマンティックレイヤー + コラボがひとまとめ。

dbt Semantic Layerのメトリクス定義例はこんな感じだ。

# orders.yml
semantic_models:
  - name: orders
    model: ref('orders')
    entities:
      - name: order_id
        type: primary
      - name: user_id
        type: foreign
    measures:
      - name: order_count
        agg: count
        expr: 1
      - name: order_total
        agg: sum
        expr: amount
    dimensions:
      - name: ordered_at
        type: time
        type_params:
          time_granularity: day

metrics:
  - name: weekly_order_count
    type: simple
    type_params:
      measure: order_count
    filter: "{{ TimeDimension('orders__ordered_at', 'week') }}"

AIスプレッドシート — Excel Copilot、Google Sheets + Gemini、Equals、Rows、Quadratic

スプレッドシートがBIツール化する流れが強い。

  • Excel Copilot(Microsoft 365): 自然言語によるピボット、チャート、予測、異常検知。
  • Google Sheets + Gemini: 同様の自然言語アシスト。
  • Equals: ライブデータベース接続を備えたAIスプレッドシート。アナリストがExcelの代わりに使うケースが増加。
  • Rows: モダンなスプレッドシート。外部API接続 + AI Assistant。
  • Quadratic: スプレッドシート内でPythonセルを直接実行。データサイエンティストの素早いモデリング。

オートナラティブ & NLG — Yseop、Arria NLG

自然言語生成(NLG)はBIにおいてチャートを自然言語の要約に変換する。Arria NLG、Yseop、AX Semanticsが専門ベンダーだ。2026年にはLLMがNLG市場の相当部分を吸収したが、規制産業(金融・製薬)では決定論的なルールベースNLGの需要が依然根強い。

韓国BI導入 — Samsung SDS Brity、LG CNS、NCSOFT、Kakao、Naver

韓国の大企業における2026年のBI風景はこうだ。

  • Samsung SDS Brity Auto: 自社RPA + AIアシスタントプラットフォーム。Tableau Pulse、Power BI Copilotと併用される事例が増えた。
  • LG CNS Mvision: グループ各社のデータ統合 + 可視化 + AI分析を束ねた社内BIプラットフォーム。
  • NCSOFT BI Lab: ゲームデータに特化。ユーザー行動分析、売上予測、LTVモデリングがすべてひとつに。
  • Kakao Page KAR: コンテンツレコメンド + BI統合プラットフォーム。
  • Naver NEXT Connect: マーケティングデータ統合 + AI分析。

韓国BI市場の特徴はオンプレミス比率が依然として高い点だ。データ主権の問題からクラウドBI導入はグローバル平均より遅れている。

日本のBI導入 — Yellowfin Japan、Domo Japan、リクルート·楽天·LINEヤフー·NRI

日本のBI市場は独自色が強い。

  • Yellowfin Japan: オーストラリア本社のBIながら日本進出が早かった。三菱UFJ、日本生命などで利用。
  • Domo Japan: 東京オフィスが本格運営中。営業・マーケティング部門が自律運営するケース多数。
  • リクルート・楽天: TableauとDomoを部署ごとに使い分け。楽天は社内分析プラットフォームを自社構築し、外部BIと組み合わせる。
  • LINEヤフー Yahoo!Japan BI: 広告・検索データ分析のための自社BIプラットフォーム。
  • NRI(野村総研): 金融コンサル顧客向け自社BIを運営しつつ、Power BIを大きな比重で使用。

日本は韓国と異なり、クラウドBI採用率がより高い。AWS Tokyo、Azure Japanリージョンを積極活用し、データガバナンスのガイドが比較的明確であるためだ。

「ハルシネートされたメトリクス」リスク — BI AIの最大の弱点

自然言語BIの最大のリスクはメトリクスのハルシネーションだ。同じ「売上」でも会社ごとに定義が異なる(例: VAT込み/抜き、割引前/後、返金控除前/後)。LLMが「売上」という単語だけを聞いて任意のSQLを生成すれば、報告される数字はもっともらしいのに間違っている事態が起きる。

防衛線:

  1. セマンティックレイヤー強制: dbt Semantic Layer、Cube、LookML、Tableau Pulse Metrics — LLMが事前定義されたメトリクスしか呼べないよう強制する。
  2. SQLプレビュー強制: ユーザーが結果数値を見る前に、LLMが生成したSQLを確認させる。
  3. メトリクスカタログ: KPI定義を社内Wikiおよび BIツールのカタログに連携。
  4. 出力検証: 回答内に使ったmeasureとフィルタを常に併記する。

このセーフティネットがなければ、自然言語BIは「もっともらしい嘘の生成機」と化す。ツール選択よりセマンティックレイヤーの整備が先というのが2026年のコンセンサスである。

データリテラシー論争 — BI AIは人を怠けさせるのか

もうひとつの論争は「AI BIがデータリテラシーを弱めるのか」だ。ビジネスユーザーが自然言語でのみ問い、SQL/モデリングを学ばないまま進むと、誤った質問が増えるという懸念だ。2026年には一部のデータリーダーが**「AIの結果の上には必ず人間のレビューを差し込む」**という原則で応じる。一方で「AIがデータアクセスを圧倒的に高めるので、結果としてより多くの人がデータを見るようになる」という反論も根強い。

ツール選定ガイド — 2026年5月時点

ざっくりとした選定ガイドはこうなる。

  • Salesforceエコシステム → Tableau Pulse + Einstein Copilot
  • Microsoft Officeエコシステム → Power BI Copilot + Fabric
  • データチームがdbtを使用 → Lightdash、Cube、dbt Semantic Layer + 任意のBI
  • 対話型分析を強く志向 → ThoughtSpot Spotter
  • RAG + 構造化/非構造化統合 → Qlik Answers
  • GCP/BigQuery中心 → Looker + Gemini
  • ノートブック + ダッシュボードの結合 → Hex、Mode
  • スプレッドシート親和UX → Sigma、Equals
  • セルフホストOSS → Metabase、Superset
  • マークダウンレポート → Evidence
  • エンタープライズ正統派 → MicroStrategy ONE、SAP Joule、Oracle、Cognos
  • 中小企業のコスパ → Zoho Analytics + Zia、Metabase Cloud

おわりに — 2026年5月、BIは「メトリクスカタログ + LLM」の時代へ

ダッシュボード時代のBIは終わった。2026年のBIは、メトリクスが整ったカタログを持つ企業とそうでない企業の格差を大きく広げる。セマンティックレイヤーの弱い企業はBI AIを誤って導入すれば、自らをかえって大きなリスクにさらすことになる。逆にメトリクス定義が整った企業は、同じツールから圧倒的な生産性を引き出す。ツールは平準化し、差は衛生で生まれる。

これからの12か月の見どころは3つだ。(1) セマンティックレイヤーの標準化(dbt vs Cube vs Looker LookML)、(2) BIエージェントとアクション統合(Tableau Agentforce、Power BI + Copilot Studio)、(3) オープンソース陣営のAIキャッチアップ(Metabase AI、SupersetのLLM統合)。これら3つの流れの行方が、次のBI地形図を決める。

References

Discuss on Twitter • View on GitHub