トピック構成（1トピック＝スライド1枚: タイトル＋質問例）
宮﨑さん・柴山さんへ: 「このテーマで話すなら、自分はこの観点で話す」を、このページへのコメントで書き足してください。観点の仮説はこちらの叩きです。
◎ 残す推奨
○ 時間次第
△ 予備（QA・ブース用）
つかみ
0
挙手アンケート（当日2–3問に絞る）
- 「Claude Codeなどのコーディングエージェントで、自分で分析をしたことがある方？」
- 「組織のメンバー全員に、AIのアカウントを配れている方？」
- 「ビジネス側のメンバーが、自分でAIに分析を頼める状態になっている方？」
- 「社内向けの分析AIを、内製で作った・作っている方？」
全部を冒頭でやらず、各テーマの頭に1問ずつ差し込むのもあり◎
テーマ 1Claude Codeで分析できるなら、BIは要らない？
7:00–14:00 / 柴山さん厚め / 導入・あるある・課題提起にとどめ、「BIが要らないわけではない。Coding agentに全部やらせられるわけでもない」で締める
導入トーク（案）
AIエージェントは、データモデリングにも活用側にも入ってきました。実は深い分析はこれまでもBIではなくSQLで行われてきましたが、AIを分析に入れていくとどんな形になるのか。BIの最適な使い方・分析エージェントの最適な使い方を、BIも分析エージェントも作っているCODATUMの柴山に、インタビューする形式で聞いていきます。
1-1
普段の分析、もうClaude Codeでよくない？
- 「お二人は普段、どんな業務で、どんな分析を、どうやっていますか？」（小池→両者）— 自己紹介の延長で最初に
- 「柴山さんは、どんな視点でBIを作っていますか？ AIによるデータ分析を、どう見ていますか？」（宮﨑さん→柴山さん）
- 「逆に、BIが欲しくなるのはどんな場面ですか？」（両者）
観点の仮説: 権限管理／AIの費用／AIが出したものの精度検証——「データがわかる人のアドホック分析なら、本人のコーディングエージェントでいい」に着地
◎
1-2
大規模な組織のデータ分析におけるAI活用
- 「組織が大きくなると、AI活用やデータの民主化でどんな問題が出てきますか？」（両者）
- 「作ったのに見られないダッシュボード問題。AI時代には解消しますか？」（両者）
観点の仮説: 権限管理／費用／利用状況のモニタリング／AIが間違えている例を見つけて改善する運用——「配って終わり」にならない理由
当日の言い回し（案）
「今日は従業員1,000名以上の会社の方も多いはずです。組織がある程度大きくなると出てくる問題って、ありますか？ 特にAI活用やデータの民主化で——例えば権限管理とか、AIの費用とか、利用状況の把握とか、AIが間違えている例の改善とか」
役割: 問題を並べる（課題提起）まで。解き方は2-1へ◎
テーマ 2AIが広く分析できるためのデータ基盤整備
副題: セマンティックレイヤーやオントロジーは、どこで・どこまで作ればいいのか ／ 14:00–22:00 / 宮﨑さん厚め / 本丸
導入トーク（案）
テーマ1では、組織でAIを使うときの問題を並べるところまで来ました——「BIが要らないわけでも、AIに全部任せられるわけでもない」。ここからは「では、どの順番でどう解くか」。その鍵がデータ基盤整備です。データ基盤づくりを支援してきた宮﨑さんを中心に聞いていきます。
2-1
データ基盤を整備する順番と、ROIの出し方
- 「『使われないダッシュボード』を作らないために、支援先のデータ活用にどう入っていますか？ 基盤整備はどのタイミング・優先順位で伝えますか？」（小池→宮﨑さん）
- 「先に整備してから開放するか、先に開放して使われた場所を整備するか——支援先の状態に応じて、どう使い分けていますか？」（宮﨑さん）
- 「整備への投資、前職までの現場や支援先の上長レイヤーには、どう説明していますか？」（宮﨑さん→両者）
観点の仮説: 支援先への入り方（活用から入るか、整備から入るか）／ニーズと実利用のずれ／先に開放した現場の散らかり方と直し方／短期ROIが出しづらい整備投資の説明の仕方
当日の言い回し（案）
「基盤整備はリファクタリングに似ていて、中長期には効くけれど、短期のROIを示しにくいですよね。整備への投資は、前職までの現場や支援先の上長レイヤーに、どう説明していますか？」
定義スライドとセット。役割: 1-2で並べた問題の「どの順番で解くか」◎
2-2
データ基盤・分析エージェント・BIの使い分けと、力の割き方
- 「データ基盤、分析エージェント、BI。それぞれ何に使って、いまはどこに力を割くべきですか？」（両者）
- 「AIが入ったことで、この3つのバランスは変わりましたか？ これからどう変わりそうですか？」（両者）
観点の仮説: 3つの役割分担（基盤=正しさの土台／エージェント=広さ／BI=確実に見る場所）／組織のフェーズごとの配分／削っていいもの・いけないもの
◎
2-3
セマンティックレイヤー・ゴールデンクエリ・オントロジーは、どこで・どこまで
- 「セマンティックレイヤーに『完成』はありますか。どこまで作れたら十分ですか？」（宮﨑さん厚め）
- 「ゴールデンクエリを整備して配る、という軽いやり方はどこまで有効ですか？」（両者）
- 「オントロジー、正直、要りますか？ 必要になるのはどんな場面ですか？」（両者）— 時間的にやらないかも。言い回しは当日までにマイルド調整
- 予備:「予算も人も足りない会社の、最小の整備は何ですか？」（宮﨑さん）
観点の仮説: セマンティックレイヤーの費用対効果の実感値／ゴールデンクエリで済む範囲／オントロジー提案の受け止め方／最初の一歩
◎
テーマ 3AIには、どこまで分析を任せられる？
22:00–34:00 / 両者 / デモ込みで厚め
3-1
任せていい分析、いけない分析
- 「任せられる分析と任せてはいけない分析の線はどこにありますか？ 見分け方・振り分け方はありますか？」（両者）
- 「間違いを許容できる分析と、確実に正しい数字が要る分析——この軸で整理すべきですよね？」（両者）
- 「『AIが正しく動く領域』を先に切って、活用者に明け渡していく——この進め方は現実的ですか？」（両者）
- 予備:「AIの間違いに、誰がどう気づけますか？」「全社員に開放した会社はどうなりましたか？」（両者）
観点の仮説: 探索とレポートで任せ方を変えているか／影響範囲での線引きの実例／「正しく動く」の判定（ゴールデンクエリ・テスト・レビュー）／明け渡す単位と広げ方
2分類スライドとセット◎
3-2
分析AIエージェントを作ってみて、難しいところ
- 「まず、『分析エージェントを作る』とは何を作ることですか？ 範囲を教えてください」（小池→柴山さん）
- 「実際にCodatum Agentの画面を見せてもらいながら——何ができて、Claude Codeのような他のAIと何が違うんですか？」（柴山さん・画面デモ）
- 「作ってみてどこが難しかったですか。どこまでは自前でできて、どこからが無理そうですか？」（柴山さん）
- 予備:「自社SaaSにエージェントを載せたい会社は、何から考えるべきですか？」（柴山さん）
観点の仮説: 作るものの範囲／画面デモで見せる機能と他のAIとの違い／詰まった所（精度評価・権限・費用）／自前で持つ部分とプロダクトに任せる部分の境目
内製を考えている聴衆へのヒント。柴山さんが全般話す◎
3-3
ベースモデルが進化する中で、整備しておくと良いポイント
- 「モデルの賢さ・速さ・費用・精度。この1年でどう変わって、何が解決しましたか？」（両者）
- 「ベースモデルの進化で何とかなるところと、ならないところ。いま整備したものは無駄になりませんか？」（両者）
- 「ハーネス、コンテキスト、評価——分析AIをメンテし続けるなら、どこに注力するといいですか？」（柴山さん厚め）
観点の仮説: モデル更新で良くなったこと・変わらなかったこと／整備の賞味期限／ハーネス・コンテキスト・評価の注力配分
予備枠: 「整備してもモデル進化で無駄になる説」への答え。時間が余ったら・QA・ブース用△ 予備
3-4
分析「以外」の使い方 — データスチュワードAI
- 「『このデータってうちにあるの？』と聞ける相手、分析前の壁打ち相手としてのAI。この使い方、広がると思いますか？」（両者）
観点の仮説: いま「このデータある？」に答えているのは誰か／壁打ち相手としてのAIの実例
予備枠: 時間が余ったら・QA・ブース用△ 予備
クロージング
締めの流れ（案）
4-1の答え合わせ →（前フリ）AIに任せすぎるとどうなるか・任せないとどうなるかを小池から一言おさらいし、「分析の広さ×間違いやすさのトレードオフ」のスライドを提示 → 締めトーク: 結局、AIを使わない手はない。ただ、確実な部分にばかりAIを使って、責任を逃れていませんか？ 組織ごとの状況を見極めつつ、説明のつけづらいDWH整備に説得力を持たせつつ、活用側でも成功例を作りつつ、AIの不確実性をうまく乗りこなして、組織のデータ分析の民主化をどんどん実現していきましょう → 両社スライドで「ブースに来てね」で終了。
4-1
AI-readyなデータ基盤はどこまで整備すべきか
AI-readyなデータ基盤は、どこをどこまで優先して整備すべきか。並行して、データ活用へのAI利用をどう取り入れるか
- 「40分の答え合わせです。データ基盤は、どこを・どこまで・優先して整備すべきだと思いますか？ 一言ずつ」（両者）
- 「並行して、データ活用へのAI利用は、どう取り入れていくのがいいですか？」（両者）
- 「AIがSQLもモデリングも書けるいま、データの専門家の価値はどこに残りますか？」（宮﨑さん→柴山さん）
観点の仮説: AI後も残る専門家の仕事（未来のユースケースを見据えたモデリング・運用まで含めた作り切り）／外部に頼む整備と内製できる整備の分け方
セッションタイトルに訂正線を引いて更新して見せる「答え合わせ」スライド◎