Anthropic、Slack向けデータ分析AI「Claude Tag」の導入事例と実践的ノウハウを公開

要点

• 米AIスタートアップのAnthropicが、Slack上でデータ分析を実行できるエージェント「Claude Tag」の社内導入におけるベストプラクティスを公表した。

• データの頻繁な変更に対応するため、AIの指示書「スキル」を会話のたびにリポジトリから読み込む設計を採用した。

• データの知識だけでなく、予測やコホート分析など「分析手順」をAIに学習させ、実用的なインサイトの提供を可能にした。

• チャートの選定や分析結果の書き方といった「報告のルール」もスキルファイルに落とし込み、社内での一貫性を担保している。

• 米AIスタートアップのAnthropic（アンソロピック）は、同社が開発するSlack向けデータ分析エージェント「Claude Tag（クロード・タグ）」の社内デプロイ（システムを使える状態に配置すること）に関するベストプラクティス（最善の実践策）をブログで公開した。同社は以前、開発者向けのコマンドラインツール「Claude Code」を用いて約95%の精度でデータ分析の質問に回答できる仕組みを構築したことを明かしていたが、今回はその技術基盤を一般社員が日常的に利用するSlack環境へと展開する際の実践的な知見を共有している。現在「Claude Tag」は一般向けのパブリックベータ（正式リリース前の公開テスト版）として提供されている。

• 同社によると、専門家であるデータサイエンティストやエンジニアが使用する開発環境と、一般社員がアクセスするSlack環境とでは、エージェントを実用化するためのアプローチが大きく異なるという。

• なかでも最も重要な設計上の決定として挙げられているのが、AIの行動指針となる「スキルファイル」のライフサイクル管理だ。「スキル」とは、AIに特定のタスクを実行させるための自然言語による指示や、参照すべき情報などをまとめたMarkdown（マークダウン：文書を簡易的な記号で構造化する記述形式）ファイルのことである。同社はこのスキルファイルを、一度作成して放置する静的なデータとしてではなく、データモデルの変更に合わせてリアルタイムに更新され続ける「配信型コンテンツ」として処理している。

• 企業のデータベースにおけるデータモデル（データの構造や関連性を定義したもの）は、カラム名の変更や指標の再定義、テーブルの廃止などにより、1日に何度も変更されることがある。もしAIが過去の古いスキルファイルを読み込んだままであれば、誤った情報を「正しい」と自信を持って回答してしまうリスクが生じる。特にSlackを通じてデータを受け取る一般のユーザーは、ダッシュボードなどの分析画面を見てデータの全体像を確認しているわけではない。そのため、送られてきた数値が正しいかどうかを判断する文脈を持たず、AIが提示した誤った数値をそのまま鵜呑みにしてしまう危険性が高まる。この対策として同社は、ユーザーとの会話が開始されるたびに最新のスキルファイルをデータリポジトリから読み込み直すシステムを採用した。

• また、同社は当初、どのテーブルからデータを取得するかなどを定義した「知識に関するスキル」を与えるだけで、AIデータアシスタントとして十分機能すると考えていた。しかし、このアプローチでは正確な数値を出すことはできても、業務で本当に役立つ「インサイト（洞察）」の提供には至らないことが判明したという。Slackでデータ分析エージェントを利用する一般の社員は、明確なデータ抽出の指示をするのではなく、「この数値が落ち込んでいる原因は何か」「月末の予測はどうか」「このデータをファネル（顧客が購入に至るまでのプロセスの推移）として表示してほしい」といった、曖昧でオープンエンドな（答えが一つに定まらない）質問を投げかける傾向があるためだ。

• こうした高度な要求にAIが応えられるよう、Anthropicのデータチームは基本的なデータ知識に加え、以下のような具体的な分析手法や手順をまとめた「分析・ランブック（手順書）スキル」をClaude Tagに追加で組み込んでいる。

• 予測（Forecasting）: シンプルなトレンドの算出方法や季節性の仮定を設定し、データの履歴が短すぎる場合やノイズが多い場合には安易に予測を出さずに「予測不能」と判断させるルール。

• コホート・残存分析（Cohort and retention analysis）: 社内で標準化されているコホート（共通の属性を持つグループ）の定義や、経営陣に報告するためのリテンション（顧客維持率）曲線のテンプレートを定義。さらに、分析を誤らせる原因となるデータ欠損などの注意点を明記する。

• ファネル分析（Funnel analysis）: 製品利用の主要なステップを一貫して定義し、「オンボーディング（新規ユーザーがサービスに慣れるまでの期間）のどの段階で離脱が発生しているか」という質問に対して常に同じ基準で回答できるようにする。

• チャート作成（Charting）: 質問内容に応じてどのような種類のグラフを選ぶべきか、使用すべきカラーパレット、グラフよりも表のまま提示した方が分かりやすいケースなどの可視化の基準。

• 分析的な記述（Analytical writing）: 要約を冒頭に置き、数値、要因、懸念事項の順に整理する報告の書き方や、信頼度に応じた表現のぼかし方（ヘッジ）のレベル設定。

• 同社は、多くのデータ分析チームはこのような業務上の慣例をすでに持っているはずであり、それらをMarkdown形式で文書化してAIに読み込ませることで、単なる数値出力に留まらない、人間のアナリストに近い支援が可能になると説明している。