複数の業務システムからデータを集めてAIエージェントに問い合わせさせようとすると、必ずぶつかる壁があります。システムごとに「顧客」や「売上」の定義が微妙に違う、という問題です。
この記事は、社内の複数データベースをまたいだ問い合わせをAIエージェントに任せたいと考えている、エンタープライズ領域のエンジニアやデータ基盤担当者に向けた内容です。NVIDIAが公開した「Auto Ontology」というオープンソースのPythonライブラリを題材に、何が解決できて何が解決できないのかを整理します。
Auto Ontologyは何をするものか
Auto Ontologyは、企業内のデータに対して「オントロジー」という意味構造の層を自動生成するツールです。オントロジーとは、データ項目の意味や関係性を定義した概念の地図のようなものだと考えてください。
例えば「売上」というテーブル列が、ある業務システムでは税込金額を指し、別のシステムでは税抜金額を指しているとします。人間であれば周辺の仕様書やドメイン知識から見分けられますが、AIエージェントが生成するSQLクエリは、こうした前提の食い違いに気づかないまま集計を誤る可能性があります。
Auto Ontologyは、各システムのメタデータ(テーブル定義やカラム名などデータそのものではなく、データの構造を説明する情報)からオントロジーを自動生成します。そのうえで、システム間で定義が重複・矛盾している概念を突き合わせて調整する、「reconciliation(整合)」という処理を行います。生成された意味構造は、MCP(AIエージェントが外部ツールやデータソースに接続するための標準プロトコル)、CLI(コマンドラインインターフェース)、APIの3経路でAIエージェントに提供されます。
クエリがブラックボックスにならない仕組み
エンタープライズの現場でAIにデータ集計を任せる際、最も懸念されるのは「なぜその数値が出たのか説明できない」状態に陥ることです。これは監査対応や障害調査の場面で致命的な弱点になります。
Auto Ontologyは、AIエージェントが自然言語の質問に答える際、裏側で決定的(同じ入力なら必ず同じ結果になる)なSQLクエリを生成します。そして回答と一緒に、実行したSQLクエリと処理のステップを提示する設計になっています。
これは、LLM(大規模言語モデル)が確率的な推論でいきなり集計結果を出す方式とは異なります。「どのテーブルのどの列を、どう解釈して集計したか」を後から人間が検証できる点が、業務システムへの組み込みを検討するうえでの大きな分岐点になります。
どんな場面で効果が出て、どんな場面では不要か
オントロジー自動生成という仕組みは強力ですが、どの現場にも必要というわけではありません。判断の軸を整理します。
- ユーザーからの質問が自然言語で多様・曖昧になりやすい(定型レポートではなく自由質問が多い)
- 複数のデータソースに重複・競合する定義が存在する(同じ「顧客」が部署ごとに別定義など)
- ビジネス概念やメトリクスの定義を、複数チーム・複数エージェントで再利用・ガバナンスしたい
- 業務ドキュメント全体がLLMのコンテキストウィンドウ(一度に読み込める文章量の上限)に収まらないほど大きい
逆に、よく整備されたデータソースが1つだけで、問い合わせのパターンも固定的であれば、素直にSQLを直接書く、あるいは固定クエリをAPI化する方が運用コストは低くなります。オントロジー層を導入する判断は、データソースの数と質問の多様性のかけ算で決めるのが現実的です。
日本の基幹システム更改プロジェクトでは、複数パッケージ製品(販売管理・会計・在庫管理など)が並行稼働し、同じ概念が製品ごとに別名・別定義で存在する状況がよく見られます。そうした環境では、Auto Ontologyが想定する「複数システム間の定義の揺れ」という課題がそのまま当てはまりやすいといえます。
既存システムへの導入を検討する際の確認ポイント
実際に検証したい場合の手順は、公式リポジトリの構成に沿って進めます。ローカル検証にはDocker(コンテナ実行環境)のCompose v2、Pythonパッケージマネージャのuv、そしてNVIDIAのAPIキーが必要です。
検証用のサンプルデータベースにはWide World Importers(Microsoftが提供するサンプル業務データベース)が使われます。auto-ontologyのリポジトリと、検証用データを投入するauto-ontology-evalのリポジトリをクローンし、.envファイルにパスワードとAPIキーを設定したうえで、以下のように環境を起動します。
docker compose up -d --build起動後はhttp://localhost:3000にアクセスし、設定画面の「Semantic Compilation」というオプションを有効にすると、チャット形式で質問できるようになります。
AIエージェント側からMCP経由で接続する場合は、以下のような設定をエージェントの設定ファイルに追加します。
{
"mcpServers": {
"auto-ontology": {
"command": "npx",
"args": ["mcp-remote", "http://localhost:3003/mcp"]
}
}
}既存のエンタープライズシステムに適用する前に確認すべき点は次の3つです。
- 対象システムのメタデータ(テーブル定義・ER図・カラムコメント)がどこまで整備されているか。メタデータが乏しいとオントロジー生成の精度が落ちます
- 生成されるSQLクエリの実行権限をどのデータベースユーザーに紐付けるか。読み取り専用アカウントでの検証が安全です
- MCP経由でAIエージェントに渡す情報の範囲を、どの粒度でアクセス制御するか。社内の機密性の高いテーブルを無条件に公開しない設計が前提になります
バージョンや対応状況は、GitHub上のNVIDIA/auto-ontologyリポジトリのREADMEとリリースノートで随時確認するのが確実です。社内ネットワークでの運用を想定する場合、Docker Composeの設定ファイルでポート番号やネットワーク境界をどう扱っているかも、導入前に目を通しておきたい部分です。
まとめ
Auto Ontologyは、複数の業務システムに散らばった用語定義のズレを、メタデータから自動的に整理し、AIエージェントが監査可能な形でSQLクエリを生成できるようにする仕組みです。
既存システムへの適用を検討する際は、まずデータソースの数と質問パターンの多様性を棚卸しし、単一ソース・定型質問であればシンプルなSQL運用で足りるかどうかを見極めるのが出発点になります。
複数システム間の定義の揺れに心当たりがあるなら、Wide World Importersのサンプル環境でDocker Composeを使ったローカル検証から始めてみるのが、現実的な次の一歩です。