本文へスキップ
hdknr blog
戻る

Text-to-SQL vs ツール呼び出し — 権限管理のある業務システムに AI データ照会を組み込む

社内の業務システムに「利用者がチャットで質問すると、システムのデータを調べて答えてくれる」機能を付けたい、という要件はよくあります。「この案件の今月の原価は?」「先月の入金はいくら?」といったデータ照会型の問い合わせです。

真っ先に思い付くのは Text-to-SQL です。NVIDIA Auto Ontology のように、DB のメタデータからオントロジーを作り、LLM に正確な SQL を書かせる仕組みも出てきました。

しかし、会計や原価管理のような利用者ごとに見える範囲が決まっている業務システムでは、Text-to-SQL をそのまま中核に据えるのはおすすめできません。この記事では、ある社内の会計・原価管理システムへの組み込みを検討したときの分析をもとに、その理由と代わりに選ぶべき構成を整理します。なお、システム固有の情報は一般化しています。結論は、既存の業務ロジックを照会専用のツールとして LLM に呼ばせる構成(Function Calling / Tool Use)を中核にし、管理本部や監査担当など許可された役割にだけ Text-to-SQL を開放するハイブリッド運用です。

前提:想定する業務システム

検討の対象は、次のような典型的な社内業務システムです。

問い合わせの中身は「操作方法」ではなくデータの照会が中心、という条件で考えます(操作方法の質問なら、マニュアルや仕様書を元にした RAG のほうが向いています)。

データ照会チャットボットの 2 つの構成

データ照会チャットボットの作り方は、大きく 2 つに分かれます。

業務システムにデータ照会チャットボットを組み込む 2 つの構成を比べた図。A の Text-to-SQL 構成では、利用者の質問を業務システムのチャット画面から共通の API トークンで Text-to-SQL サービスに送り、LLM が生成した SQL を接続用の DB ユーザーで業務 DB に直接実行する。このときアプリの行単位の権限と計算ロジックを通らないため、他事業所の数字が見えたり画面の数字と食い違ったりするおそれがある。B のツール呼び出し構成では、LLM は質問を解釈して呼ぶツールと引数を選ぶだけで、照会専用のツール層がログイン中の利用者として既存の業務ロジックを呼び、権限チェック、絞り込み、正本の計算を経て DB にアクセスする。見える範囲も計算方法も画面から見た場合と同じになる。

結論から言うと、この種の業務システムでは B を中核に据えるべきです。ただし A が要らなくなるわけではなく、後半で述べるように役割を限って併用します。以下、A を中核にしたときの問題点から見ていきます。

Text-to-SQL を中核にしたときの問題

1. 行単位の権限を守れない(最大の問題)

業務システムの権限は、たいていアプリの中で実装されています。Django なら django-rules や django-guardian のようなオブジェクト単位の権限、あるいはクエリセットを利用者の所属で絞り込む実装です。

Text-to-SQL サービスは、このアプリを通りません。接続に登録した DB ユーザーの権限で SQL を実行します。Auto Ontology の場合、接続ごとに絞り込めるのはスキーマとテーブルの単位(許可リストと正規表現)までで、ドキュメントには行単位の制御が示されていません。

さらに、Auto Ontology の API トークンは持ち主の権限で動きます。アプリから 1 つのトークンで呼ぶと、全利用者が同じ権限で問い合わせることになります。結果として、事業所 X の担当者が事業所 Y の数字を聞けば、答えが返ってしまうおそれがあります。会計データでは致命的です。

DB 側で防ぐ手もありますが、MySQL には PostgreSQL の行レベルセキュリティ(Row Level Security)に相当する機能がありません。事業所ごとにビューと DB ユーザーを作り、接続も分ける必要があります。事業所や権限の組み合わせが増えるほど破綻しやすく、現実的ではありません。

2. 「正しい数字」の正本がアプリのコードにある

帳票や集計の数字は、SQL 一発ではなく、アプリのコードで計算していることが多いはずです。締め処理、端数処理、取消・訂正の扱い、計算経路の使い分けなどが、モデルのメソッドやサービス層に入っています。

Text-to-SQL でこれを再現するには、同じ計算を SQL(Auto Ontology なら SQL 属性)として書き直す必要があります。しかし二重管理になり、チャットの答えと画面の数字が食い違うリスクを抱え続けます。利用者から見れば「チャットは間違った数字を言う」ことになり、信頼を失います。

3. データが外部に出る(Auto Ontology の場合)

Text-to-SQL サービスは、スキーマの情報や列のサンプル値、質問文を LLM に渡します。Auto Ontology の既定構成では、推論は NVIDIA のクラウド(NVIDIA API カタログ)に送られます。会計データを扱うなら、セルフホストのモデルか、社内で承認された推論エンドポイントへの切り替えが前提になります。

4. 別のシステムを丸ごと運用することになる(Auto Ontology の場合)

Auto Ontology は、Next.js のゲートウェイ、FastAPI のバックエンド、取り込みサービス、PostgreSQL(pgvector)からなる独立したスタックです。業務システムとは別に、認証・バックアップ・監視・アップデートを回す必要があります。また Vault を使わない場合、接続用の DB パスワードは PostgreSQL に平文で保存されます。DB が複数に分かれている場合に、DB をまたいだ結合をどこまで扱えるかも事前に確かめておく必要があります。

加えて、生成された SQL が更新系にならないよう、接続には読み取り専用の DB ユーザーを用意しておく必要があります。

推奨:既存の業務ロジックを照会ツールとして LLM に呼ばせる

B の構成では、LLM に SQL を書かせません。アプリ側に照会用のツールを用意し、LLM には「どのツールを、どの引数で呼ぶか」だけを決めさせます。ツールの中身は、アプリ内部のサービス層やモデルのメソッドを直接呼んでも、既存の REST API を呼んでもかまいません。要は、画面と同じ権限チェックと計算ロジックを通ることです。

なぜこれで問題が解けるのか

問題Text-to-SQL(A)ツール呼び出し(B)
行単位の権限DB ユーザーの権限で実行され、アプリの権限を通らないツールがログイン中の利用者として動くので、画面と同じ範囲しか見えない
数字の正しさ計算を SQL で書き直す必要があり、画面と食い違うおそれ画面と同じ業務ロジックで計算する
書き込み読み取り専用の設定に頼る照会用のツールしか用意しなければ、そもそも書き込めない
外部に出るデータスキーマ、サンプル値、質問文質問文と、ツールが返した結果だけ
運用別スタックが増える業務システムの中に収まる

要は、LLM の担当を「質問の意味を理解して、適切な照会を選ぶこと」に絞り、権限と計算という間違えてはいけない部分を、すでにテストされた既存のコードに任せるということです。

ツールの設計例

ツールは、利用者がよく聞く質問から逆算して作ります。たとえば「案件の月次原価」を返すツールなら、LLM に渡す定義は次のようになります。JSON Schema で引数を定義する点は主要な LLM の API で共通ですが、外側のキー名は API ごとに異なります(以下は Anthropic の input_schema 形式です。OpenAI や Gemini では parameters です)。

{
  "name": "get_project_cost",
  "description": "指定した案件の、指定した月の原価の内訳を返す。案件コードが分からない場合は、先に search_projects で検索すること。",
  "input_schema": {
    "type": "object",
    "properties": {
      "project_code": {
        "type": "string",
        "description": "案件コード(例: A-000123)"
      },
      "month": {
        "type": "string",
        "description": "対象月(YYYY-MM 形式)"
      }
    },
    "required": ["project_code", "month"]
  }
}

ツールの実装側では、必ずログイン中の利用者を受け取り、既存の権限と計算ロジックを通します。定義に user がないのは意図的です。利用者は LLM が決める引数ではなく、アプリがリクエストのログインユーザー(Django なら request.user)から渡します。LLM に利用者を選ばせてはいけません。

Django なら、次のようなイメージです(モデル名やメソッド名は説明用の仮のものです)。

def get_project_cost(user, project_code: str, month: str) -> dict:
    # 利用者の権限で見える案件だけに絞り込む(画面と同じクエリセット)
    project = Project.objects.visible_to(user).filter(code=project_code).first()
    if project is None:
        # 「存在しない」と「権限がない」を区別しない
        return {"error": "該当する案件が見つかりません"}

    # 画面や帳票と同じ計算ロジックを使う
    summary = project.cost_summary(month)
    return {
        "project_code": project.code,
        "month": month,
        "total": summary.total,
        "breakdown": summary.breakdown,
        "url": project.get_absolute_url(),  # 回答に画面へのリンクを添えられる
    }


# LLM が返したツール呼び出しを、ログイン中の利用者付きで実行する
TOOLS = {"get_project_cost": get_project_cost}

def run_tool(request, name: str, args: dict) -> dict:
    if name not in TOOLS:  # 用意したツール以外は実行しない
        return {"error": f"unknown tool: {name}"}
    args = {k: v for k, v in args.items() if k != "user"}  # 利用者を LLM に指定させない
    try:
        return TOOLS[name](request.user, **args)
    except TypeError:  # 引数の過不足は、エラーとして LLM に返す
        return {"error": f"invalid arguments for {name}"}

既存の REST API がそのまま使えるなら、ツールの中でログイン中の利用者の資格情報を使って API を呼ぶ形でもかまいません。ただし、REST API と GraphQL API で権限チェックの仕組みが違うこともあります。ツールが通る経路で絞り込みが効いているかを確かめておきましょう。

設計で押さえておきたいこと

ツールの数が増えすぎたら

最初は「よく聞かれる質問」の上位から 5〜10 個のツールで始め、ログを見て足していくのが現実的です。数十個に増えて LLM の選択精度が落ちてきたら、ツールを業務領域ごとにまとめる、検索系と詳細系に分けるといった整理をします。

ここで役に立つのが、オントロジーの考え方です。「案件」「原価」「入金」といった業務用語の定義と同義語、用語どうしの関係をまとめた用語集があれば、ツールの説明文(description)を正確に書けます。LLM が「コスト」や「経費」と聞かれたときに、「原価」のツールを呼べばよいと判断しやすくなります。Text-to-SQL を使わなくても、オントロジーで業務の意味を整理しておく価値は変わりません。

ツール呼び出しだけでは足りない利用者がいる

ツール呼び出しは「よく聞かれる質問」には強い一方、用意したツールの範囲でしか答えられません。これが問題になるのが、管理本部や内部監査のような、業務監査に近い仕事をする担当者です。

こうした担当者の問い合わせは、たとえば次のようなものです。

どれも毎回条件が違う、一度きりの複雑な問い合わせです。API やツールを先回りして用意しきることは現実的ではありません。

一方で、こうした担当者は全社のデータを閲覧する権限をもともと持っていることが多いはずです。そうした役割に限れば、Text-to-SQL の最大の問題だった「行単位の権限を通らない」は問題になりません。ただし、監査担当でも子会社や機密部門のデータは見られない、といった制限がある組織では、この前提が崩れます。開放する前に、その役割が本当に全データを見てよいかを確かめてください。

推奨:利用者の役割で使い分けるハイブリッド運用

そこで、実際の運用はツール呼び出しを中核にしつつ、許可された役割の利用者にだけ Text-to-SQL を開放するハイブリッドにするのが現実的です。

ハイブリッド運用の構成図。一般の利用者と管理本部・監査担当の質問は、まずアプリの振り分けに入る。振り分けはログイン中の利用者の役割で決め、LLM には決めさせない。全員がツール呼び出しを使い、LLM が選んだ照会ツールが利用者の権限で既存の業務ロジックを通して業務 DB の正本に問い合わせ、定型の質問に画面と同じ範囲・同じ計算で答える。許可された役割の利用者が、ツールで答えられない質問をしたときだけ Text-to-SQL に回り、生成された SQL を利用者に提示したうえで、タイムアウトと件数上限を付けて、読み取り専用の DB ユーザーで読み取り専用レプリカまたは分析用 DB に実行する。横断集計・例外抽出・突合などに使い、結果は調査用の数字として扱う。頻出の SQL は検証してツールや SQL 属性として登録し、質問・ツール・SQL は監査ログに記録する。

利用者主な問い合わせ方式問い合わせ先
一般の利用者(事業所の担当者)自分の案件や部署の数字ツール呼び出しのみ業務 DB(アプリの権限と計算を通す)
管理本部・監査担当上記に加えて、横断集計・例外抽出・突合ツール呼び出しを優先し、答えられないときに Text-to-SQL読み取り専用のレプリカ/分析用 DB

ハイブリッドで押さえておきたいこと

振り分けの実装例

振り分けは、チャットのバックエンドで数行の分岐として書けます。Django なら、Text-to-SQL を使える独自の権限をモデルの Meta.permissions で 1 つ定義し、管理本部や監査担当のグループにだけ付与しておきます(関数名や権限名は説明用の仮のものです)。なお、有効なスーパーユーザーは has_perm が常に真になるので、スーパーユーザーのアカウントの扱いにも注意します。

def answer(request, question: str) -> dict:
    # まず全員、ツール呼び出しで答えを試みる
    result = answer_with_tools(request, question)
    if result["answered"]:
        return result

    # ツールで答えられず、かつ許可された役割のときだけ Text-to-SQL に回す
    # 判定はログイン中の利用者の権限で行い、LLM には決めさせない
    if request.user.has_perm("chatbot.use_text_to_sql"):
        return ask_text_to_sql(request.user, question)

    return {"answered": False, "message": "この質問には答えられません。担当部署にお問い合わせください。"}

ask_text_to_sql の中で Text-to-SQL サービスを呼ぶときは、誰の問い合わせかが監査ログに残るようにします。Auto Ontology の場合、API トークンは持ち主として動くほか、信頼された呼び出し元が転送する SSO の ID トークンでも利用者を識別できます。共通のトークン 1 つで全員分を呼ぶと、Auto Ontology 側の会話履歴はすべてトークンの持ち主のものになり、誰の問い合わせか区別できなくなります。少なくともアプリ側のログに利用者を残しておきます。

導入前の準備:過去の問い合わせ事例からオントロジーを作る

ツールの設計にも Text-to-SQL の精度にも、業務用語の定義(オントロジー)が効きます。では、それを導入前にどう作るか。既存の仕様書・画面・バックエンドのコードを網羅的に分析してグラフ化する、という方法も考えられますが、すべてを対象にすると終わりません。

利用者からの問い合わせを課題管理で受けているなら、過去の問い合わせ事例を起点にし、コードと仕様書は裏付けに使うのが効率的です。

需要側から始め、供給側で裏付ける

コードと仕様書が表すのは「システムが何を持っているか」(供給側)です。問い合わせ事例が表すのは「利用者が何を知りたいか」(需要側)です。需要側で対象を絞ってから、供給側で正しい定義を確かめます。

導入前の準備の流れを示す図。需要側では、課題管理に残る過去の問い合わせから、1 データ照会の問い合わせを個人情報を伏せ字にして抜き出し、2 意図ごとにまとめて件数順に並べ、3 利用者の言い回し、関係する用語、当時の回答を整理する。ここで対象の用語を絞る。供給側では、コード、仕様書、用語集、設計記録から、モデル、API のルーティング、権限の名前など機械的に取れる部分を自動生成し、4 絞り込んだ用語ごとに、定義、正本の計算、API、権限を裏付ける。5 成果物は、実際の問い合わせ文と当時の正解からなる評価用の質問集、同義語と DB にない意味と正本の計算を含む用語の定義、既存の API で答えられた質問からなる最初のツール群、手で SQL を書いて答えた質問からなる API にする候補と Text-to-SQL の対象の 4 つで、公開後は改善サイクルにつながる。

過去の問い合わせ事例からは、次のものが取れます。

取れるもの使い道
利用者が実際に使う言い回し(「現場の原価」「今月の入り」など)用語の同義語。LLM がツールや用語を正しく選べるようになる
よく聞かれる質問とその頻度どの用語・ツールから作るかの優先順位
担当者がどう答えたか(実行した SQL、案内した画面、使った API)正解つきの評価用の質問集。検証済みの SQL はツールにする候補
利用者の誤解や、あいまいだった点用語の定義に書くべき注意点。チャットボットが聞き返すべき場面

特に「担当者が手で SQL を書いて調べた」事例は、チャットボットを入れる前の時点で、後述する改善サイクルの「記録する」段階がすでに済んでいるのと同じです。

コードと仕様書で「DB にない意味」を補う

Auto Ontology がオントロジーの草案を作る材料は、DB のメタデータ・サンプル値と、DB が公開していればクエリ履歴です。しかし業務システムで本当に大事な意味は、DB ではなくコードと仕様書の中にあります。

DB からは読めない知識どこにあるか
「締め済み」「有効な契約」などの状態が、どの列のどんな条件で決まるかモデルのメソッドやクエリの条件
業務上の一意のキーが、複数の列の組み合わせであること用語集・モデル定義
帳票の数字を、どの関数で計算するのが正本かサービス層・帳票のコード
論理削除の扱い(行は残るが、無いものとして扱う)設計記録・モデル
その数字を見るのに、どの権限が要るか権限の定義

絞り込んだ用語ごとに、これらをコードと仕様書から確かめます。結果は、Auto Ontology の用語の説明や SQL 属性として取り込めます(API で編集するか、Ossie YAML でインポートします)。クエリ履歴に条件として現れる一部を除けば、メタデータから作った草案には出てきにくい知識です。また「業務用語 ↔ モデル・項目 ↔ 正本の計算 ↔ API ↔ 画面 ↔ 必要な権限」の対応表があれば、繰り返し来る質問を「実は既存の API で答えられる」とすぐに判断でき、改善サイクルも速く回ります。

進め方

  1. データ照会の問い合わせを抜き出す:課題から、操作方法の質問やバグ報告ではなく、データ照会の問い合わせを分類します(LLM で下書きし、人が確かめます)。
  2. 意図ごとにまとめて、件数順に並べる:似た問い合わせをまとめ、上位から対象にします。
  3. まとまりごとに整理する:利用者の言い回し、関係する業務用語、当時の回答(SQL・画面・API)を記録します。
  4. コードと仕様書で裏付ける:モデルと項目、URL のルーティング、権限の名前やビューに付けた権限クラスのように機械的に取れる部分は、フレームワークのイントロスペクションで自動生成します(Django ならモデルの _meta や URL リゾルバーから取り出せます)。誰にどの権限を与えるか、ビューの中でどんな条件を確かめているかといった実際の権限の規則は、イントロスペクションでは取れないので、コードを読んで補います。用語の定義や状態の意味、正本の計算は、用語集や仕様書をもとに下書きし、人が確かめます。
  5. 成果物を分ける:評価用の質問集、用語の定義、最初のツール群(既存の API で答えられた質問)、API にする候補と Text-to-SQL の対象(手で SQL を書いて答えた質問)の 4 つです。

注意点

改善サイクル:繰り返される問い合わせを決定論的な API に置き換える

ハイブリッド運用で大事なのは、Text-to-SQL を終着点にしないことです。Text-to-SQL は「まだ API がない問い合わせ」の受け皿にすぎません。

Text-to-SQL は同じ要件でも毎回作り直す

複数の利用者から同じ要件の問い合わせが来ても、Text-to-SQL はそのたびに SQL を生成し直します。Auto Ontology には、別の利用者の過去の質問や回答を再利用して速く答える仕組みはありません。質問のたびに、分類・検索・結合経路・SQL 生成・検査をやり直し、LLM を何度も順番に呼ぶので、典型的には 1 回に数十秒かかります。

過去の記録に関係する仕組みとしては、次のものがあります。

README は「認定された修正や利用状況をオントロジーに還元する(Learn)」とうたっており、人が直して認定した定義は次回以降も残ります。つまり Auto Ontology は定義を育てることはできますが、個々の回答を使い回すわけではありません。

同じ要件を何度も LLM に生成させ続けると、遅く、推論のコストがかかり、毎回少しずつ違う SQL になるおそれもあります。何度も来る要求は、システム開発者が決定論的な実装として API に組み込むべきです。

問い合わせのログを要求の発見に使う

見方を変えると、Text-to-SQL に回った問い合わせのログは、利用者が本当に必要としている照会の一覧です。これを開発の入力にする改善サイクルを回します。

改善サイクルの図。中心に「Text-to-SQL はまだ API がない問い合わせの受け皿」と置き、6 つの段階が循環する。1 ツールで答えられない質問が Text-to-SQL に回る。2 質問、役割、生成された SQL、実行時間、利用者の評価を記録する。3 似た質問をまとめ、件数、重要度、一般利用者の需要で候補を決める。4 開発者が生成された SQL を仕様の下書きにして、権限と正本の計算に沿った API とテストを実装する。5 ツールとして公開し、次からは一般の利用者も含めてツールで正本どおりに即答する。6 Text-to-SQL に回る割合と、答えられなかった質問の推移を測り、1 に戻る。

サイクルの起点は、ツールで答えられない質問が Text-to-SQL に回ること(図の ①)です。そこから先を順に見ていきます(図の ②〜⑥)。

  1. 記録する:質問、利用者の役割、答えた方式(ツールか Text-to-SQL か)、生成された SQL、実行時間、利用者の評価(正しかったか、役に立ったか)を残します。
  2. 集計して選ぶ:定期的に、Text-to-SQL に回った質問を意図ごとにまとめ(埋め込みで似た質問をまとめると楽です)、件数の多い順に並べます。件数のほか、帳票に関わるなど正しさが重要か、一般の利用者にも需要がありそうかで、API にする候補を決めて開発のバックログに積みます。
  3. 開発者が実装する:生成された SQL は、仕様の下書きとして使えます。どのテーブルをどう結合し、何を数えたかが具体的に書かれているからです。開発者はそれを参考に、既存の権限チェックと正本の計算に沿って API を実装し、テストを書きます。Text-to-SQL の答えとの突き合わせをテストに含めると、どちらかの誤りに気付けます。
  4. ツールとして公開する:API を照会ツールとして登録します。次からは監査担当だけでなく一般の利用者も、数十秒ではなく即座に、画面と同じ範囲・同じ計算で答えを得られます。
  5. 測る:Text-to-SQL に回る割合や、答えられなかった質問の件数がどう推移するかを見ます。サイクルが回っていれば、Text-to-SQL は本当に一度きりの探索に絞られていきます。

API にするまでのつなぎとして、検証済みの SQL をアプリ側で使い回す仕組みを作ることもできます。その場合は、結果ではなく条件を差し替えられる SQL を再利用すること、検証済みのものだけを使うこと、共有は同じ権限の利用者の間に限ることが条件です。検証していない回答を使い回すと、誤りが他の利用者に広がります。

このサイクルを回すと、チャットボットの導入が「LLM に任せきりにする」ことではなく、利用者の要求を拾って業務システムそのものを育てる仕組みになります。

Text-to-SQL の部分は Auto Ontology を使うか、自前で作るか

ハイブリッドの Text-to-SQL 部分を、Auto Ontology で賄うか、同等の機能を自前で作るか。結論から言うと、最初から自前で作るのはおすすめしません。まず Auto Ontology で PoC を行い、実際の問い合わせでの正確さを測ってから決めるのが堅実です。

難しいのは「動く SQL」ではなく「正しい SQL」

スキーマをプロンプトに入れるだけの Text-to-SQL なら、試作はすぐに動きます。しかしそれでは、指標の計算式や結合経路の取り違え、答えられない質問への無理な回答といった問題がそのまま残ります。Auto Ontology が手間をかけているのは、まさにこの部分です。

機能自前で作る難しさ
メタデータとクエリ履歴からの用語・説明の自動生成高い。テーブルが多いほど手作業では回らない
外部キーの推定と、データによる裏付け高い。結合の取り違えを防ぐ肝の部分
用語・SQL 属性を人がレビューして認定する仕組み(UI を含む)中程度
生成した SQL の検査と修復、結果が空のときのフィルタ値の確認中〜高
答えられるかどうかの判定中程度
精度を測る評価環境中程度

この種の業務システムで Auto Ontology を使うときの懸念

懸念見立て
別のスタック(Next.js・FastAPI・取り込みサービス・PostgreSQL)を運用する必要があるいちばん大きなコスト
利用者の管理が業務システムと二重になるSSO でつなげば軽くできる。業務システムのバックエンドから REST API で呼べば、利用者が Auto Ontology の画面に触れる必要はない
既定の推論先が NVIDIA のクラウドOpenAI 互換のエンドポイントに切り替えられるので、セルフホストのモデルや社内で承認された推論先を使える(構造化出力に対応したモデルが必要)
行単位の制御がない全社データを見てよい役割だけに開放するなら問題にならない
DB が複数に分かれている場合の、DB をまたいだ結合ドキュメントでは確認できない。PoC で必ず試す
プロジェクトが新しい(2026 年 4 月公開、外部からのプルリクエストは受け付けていない)依存のリスクとして認識しておく

進め方

  1. PoC を行う:読み取り専用のレプリカと、承認された推論エンドポイントにつないで、Docker Compose で動かします。監査担当に実際の質問を 20〜50 件出してもらい、正解の SQL と組にした評価用の質問集を作ります。正答率、DB をまたぐ質問の扱い、取り込みが DB にかける負荷を測ります(取り込みは外部キーの推定を確かめるために DB へクエリを発行します。PREVENT_SEMANTIC_FK_DB_QUERIES=true で止められますが、その場合は外部キーをデータで裏付けずに採用します)。
  2. 結果で判断する
    • 正確さも運用負荷も許容できる → 採用します。業務システムのバックエンドから REST API で呼び、Auto Ontology の画面は定義をメンテナンスする担当者だけが使います。
    • 正確さは十分だが、スタックが重すぎる → オントロジーだけを借ります。Auto Ontology は定義を Ossie YAML 形式でエクスポートできるので、作り込んだ用語・SQL 属性・結合の定義を書き出し、業務システムの中の軽量な自前の Text-to-SQL のプロンプトや検証に使います。
    • 正確さが足りない → 自前で作っても簡単には超えられないので、Text-to-SQL を開放する範囲そのものを見直します。
  3. 最初から自前を選んでよい場面:対象のテーブルが数十程度に絞れる、利用者が数名しかいない、別スタックの運用が組織として認められない、のいずれかに当てはまる場合です。

ポイントは、価値があるのは実行環境ではなく、人がレビューして作り込んだオントロジー(定義)のほうだということです。定義は Ossie YAML で持ち出せるので、Auto Ontology で始めても、後から自前の実装に乗り換える道が残ります。

なお、監査担当が自分で SQL を書けるなら、読み取り専用のレプリカに BI ツールや SQL クライアントでつなぐだけで足りる場合もあります。PoC の前に、どれくらいの人が SQL を書けるかを確かめておくとよいでしょう。

まとめ

関連記事



前の記事
Celery はメモリ不足、ECS タスクは起動待ち — 帳票・Saga・AI エージェントの窓口をデスクトップアプリに寄せる設計
次の記事
AWS だけで作る AI ネイティブなデータ分析基盤:Aurora zero-ETL × Redshift × dbt 構成案