概要
自社データを LLM につなぐときの設計パターン。LLM には検索・集計の「条件指定」だけを任せ、算術はサーバー側で実行する。 デジタル庁が公開した行政手続データ(約75,000件)の MCP サーバー実装がこの形を採っている。
中核となる原則
LLM に算術をさせない
LLM は自然言語から「何を集計したいか」を読み取るのは得意だが、数値計算そのものは不確実。役割を分ける。
- LLM の担当 — 検索条件・集計軸の指定
- サーバーの担当 — 実際の集計・算術
この分離により、出力の数値がハルシネーションで変わることがなくなる。
意味定義を構造化して持つ
dataset.yaml のような形でカラムの意味・単位・取りうる値を定義し、LLM がスキーマを推測しなくて済むようにする。セマンティックレイヤーに相当し、用語・同義語・関係まで広げたものがオントロジー。
ファジーマッチの適用範囲を絞る
曖昧一致は便利だが、適用範囲を限定しないと誤った行を拾う。どのフィールドに対して許すかを明示的に決める。
列指向フォーマットを使う
Parquet を採用することで、集計クエリのスキャン量を抑える。
データ基盤側の守りと組み合わせる
レイクハウスを土台に AI エージェントへ社内データを分析させる場合、「意味」はこの設計パターンが受け持ち、ほかに「費用・権限・取り消し」の守りを重ねる(レイクハウスを参照)。意味の層では dbt Semantic Layer のようなセマンティックレイヤーで「売上」などの指標を定義し、エージェントには指標名と集計の切り口だけを選ばせる。dbt の MCP サーバーは list_metrics・query_metrics といったツールでこれを提供する。エージェントが誤るのは SQL の文法より「売上は税込か、返品を引くか」といった列や指標の意味である。
間違えると困るものは LLM に作らせない
PKSHA の AI ネイティブなデータ分析基盤は、同じ原則を MCP サーバーの設計に広げた。チャートやダッシュボードの URL、コンパイル済み SQL は LLM に自作させずツールが必ず返し、PII テーブルを参照するクエリには行の値を返さず件数と URL だけを返す。「AI が間違えたらプロンプトを直す」ではなく「間違えようのないツールにする」発想(AI ネイティブなデータ分析基盤)。
権限と計算の正本はアプリに残す
業務システムにデータ照会チャットボットを組み込むときも同じで、LLM の担当は「どの照会ツールをどの引数で呼ぶか」に絞り、行単位の権限と帳票の計算はテスト済みの既存コードに任せる。SQL を生成させる Text-to-SQL は、全社データを見てよい役割にだけ開放する。
転用のポイント
自社データを AI につなぐ際、まず「LLM に何をさせないか」を決めるところから始める。検索インターフェースを提供するのであって、計算エンジンを LLM に肩代わりさせるのではない。
関連ページ
- MCP — 実装のプロトコル
- セマンティックレイヤー — 意味定義を 1 か所に集める層
- Text-to-SQL — LLM に SQL を書かせる方式とその限界
- AI ネイティブなデータ分析基盤 — 人間と AI が同じ定義で分析する基盤
- レイクハウス — エージェント向けデータ基盤の土台と 4 つの守り
- 列指向ストレージ — Parquet の背景
- RAG — 対比される取り込み方式
- AI 自律型組織 — AI-ready データの整備を人側の役割として制度化した事例
ソース記事
- デジタル庁の行政手続 MCP サーバーに学ぶ「LLM に計算させない」データ設計 — 2026-08-16
- NEC「部署が丸ごとAI」の中身 — コーポレートAI・Workforce部門の4階層と、人が手放さなかった仕事 — 2026-09-02
- AI エージェントのためのデータ基盤:レイクハウスを土台に「意味・費用・権限・取り消し」を設計する — 2026-10-13
- BigQuery × dbt × Lightdash × MCP で作る AI ネイティブなデータ分析基盤:PKSHA の事例に学ぶ設計 — 2026-11-15
- 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 — 2026-11-15