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

- Tableau Pulse 公式ドキュメント: https://help.tableau.com/current/online/en-us/pulse_overview.htm

- Tableau Einstein Copilot: https://www.tableau.com/products/einstein-copilot

- Microsoft Power BI Copilot ドキュメント: https://learn.microsoft.com/en-us/power-bi/create-reports/copilot-introduction

- Microsoft Fabric 公式ドキュメント: https://learn.microsoft.com/en-us/fabric/

- Qlik Answers: https://www.qlik.com/us/products/qlik-answers

- Qlik Sense 公式ドキュメント: https://help.qlik.com/en-US/sense/Subsystems/Hub/Content/Sense_Hub/Home.htm

- ThoughtSpot Spotter: https://www.thoughtspot.com/product/spotter

- ThoughtSpot 公式ドキュメント: https://docs.thoughtspot.com/

- Sigma Computing 公式ドキュメント: https://help.sigmacomputing.com/

- Mode Analytics 公式ドキュメント: https://mode.com/help/

- Hex 公式ドキュメント: https://learn.hex.tech/docs

- Omni Analytics: https://omni.co/

- Lightdash 公式ドキュメント: https://docs.lightdash.com/

- Looker 公式ドキュメント: https://cloud.google.com/looker/docs

- Gemini in Looker: https://cloud.google.com/blog/products/business-intelligence/looker-and-gemini

- MicroStrategy ONE ドキュメント: https://docs.cloud.microstrategy.com/

- SAP Analytics Cloud + Joule: https://www.sap.com/products/technology-platform/cloud-analytics.html

- Oracle Analytics Cloud: https://docs.oracle.com/en/cloud/paas/analytics-cloud/

- IBM Cognos Analytics: https://www.ibm.com/docs/en/cognos-analytics

- SAS Viya 公式ドキュメント: https://documentation.sas.com/?cdcId=pgmsascdc

- Domo 公式ドキュメント: https://domo-support.domo.com/s/

- Zoho Analytics 公式ドキュメント: https://www.zoho.com/analytics/help/

- Apache Superset 公式ドキュメント: https://superset.apache.org/docs/intro

- Metabase 公式ドキュメント: https://www.metabase.com/docs/latest/

- Evidence 公式ドキュメント: https://docs.evidence.dev/

- dbt Semantic Layer ドキュメント: https://docs.getdbt.com/docs/use-dbt-semantic-layer/dbt-sl

- Cube 公式ドキュメント: https://cube.dev/docs/

- Salesforce Agentforce: https://www.salesforce.com/agentforce/