Snowflake、自律型データエンジニアリングの基盤を提供し、信頼性の高いリアルタイムデータでエージェンティック・エンタープライズの実現を支援

※本報道資料は米国スノーフレイク社が11月3日に発表した内容の抄訳です。

Snowflakeの新機能により、AIエージェントがデータパイプラインの正常稼働を維持し、企業が最新データに基づいて即座に行動できる環境を実現

• エンジニアの主導権を維持した自己修復型パイプラインの実現： CoCo Cloud AgentsおよびCoCo Automationsが、繰り返し発生するパイプラインの修正を担い、エンジニアがガイドラインとガードレールを設定

• 受動的なレポート作成から、先手を打つリアルタイムなアクションへ： データの取り込みから分析・活用までを網羅するエンドツーエンドのリアルタイムアナリティクス機能により、ダッシュボード、アプリケーション、AIエージェントに最新データを供給

• より多くの企業データをAIで活用可能な状態に： Apache Spark™のワークロードを、既存コードの変更を最小限に抑えてSnowflakeへ移行可能に。ガバナンスが適用されたAI対応データを拡充

2026年11月4日 - AIデータクラウドのリーディングカンパニーであるSnowflake合同会社（所在地：東京都中央区、社長執行役員：浮田 竜路、以下Snowflake）は、米国時間11月3日に開催された「Snowflake Expedition 2026」において、Autonomous Data Engineeringとリアルタイムアナリティクスの新機能を発表しました。これらのイノベーションは、AIエージェントの運用基盤となる、信頼性の高いデータプラットフォームの構築と稼働を強力に支援します。

Autonomous Data Engineeringでは、データパイプラインの構築・運用・修復に伴う定型的な作業をAIエージェントが自律的に処理し、本番環境への適用判断はエンジニアが行います。「Snowflake CoCo」の新たな自律型機能により、データチームはパイプラインの修復など、反復的かつ定型的なタスクに対応する自動ワークフローを構築できます。さらに、データ生成時から活用に至るまでを一括カバーするエンドツーエンドのリアルタイムアナリティクス機能により、企業全体の最新データを継続的に取り込み、取り込み直後からすべての活用先に至るまで一貫したガバナンス管理が適用されます。

企業が重要な意思決定をAIエージェントに委ねる機会が増えるにつれ、エージェントに供給されるデータの信頼性はこれまで以上に不可欠となっています。エージェントが前日の古い数値や、エラーで停止したパイプラインのデータに基づいて判断を下せば、誤ったアクションにつながります。エージェントの処理スピードとビジネスの拡大ペースを考慮すると、こうしたエラーの影響は極めて深刻です。しかし、多くの企業では未だに手動で作成されたパイプラインや、複数のツールを繋ぎ合わせた複雑なストリーミングシステムに依存しており、データチームはその稼働状態を維持するためだけに多大な時間を費やしているのが現状です。Snowflakeの最新機能は、企業が信頼性を損なうことなくAI活用をスケールできるよう支援します。エージェントはガバナンスの効いたリアルタイムデータに基づいて的確に行動し、意思決定のスピードをビジネスの進化に同期させることができます。これにより、データチームはビジネスや組織が本当に必要としている業務により多く取り組むことができるようになります。

Snowflakeの製品担当エグゼクティブバイスプレジデントであるChristian Kleinermanは、次のように述べています。

「すべてのAI成功事例の陰には、必ずデータチームの貢献があります。しかし、全社的にAI活用が進む一方で、データの正確性を維持するプロセスの多くは依然として手作業に頼っています。データ量が爆発的に増加し、エージェントの担う役割が拡大する中で、この従来のアプローチを維持することは不可能です。Snowflakeは、データエンジニアリングへの自律型エージェントの導入と、単一のガバナンスプラットフォーム上でのリアルタイムデータ統合を実現します。これにより、データチームは基盤の維持に翻弄されることなく、その基盤の上に新たなビジネス価値を構築することに専念できるようになります」

定型的なデータ運用をエージェントに委ね、データチームはビジネス成果の創出に注力

AIの進化が加速する中、データエンジニアが日々の時間をパイプラインの稼働維持だけに浪費することは限界を迎えています。多くのデータチームが既にAIコーディングアシスタントを活用していますが、その多くは個々のエンジニアのローカルPC上での作業効率化にとどまり、組織全体でのデータの文脈や適用すべきセキュリティ・ガバナンスルールまでは把握していません。

「CoCo Cloud Agents（※1）」の導入により、チームはエンジニアのローカルPCではなく、Snowflakeが管理・保護するマネージドクラウド環境上でCoCoを実行できるようになります。セッションごとに専用のセキュアなコンテナが割り当てられ、共有のSnowflake Workspace内のファイルを処理します。さらに「CoCo Restricted Session Scope（※1）」を活用することで、データエンジニアはエージェントの操作権限を詳細に制限・コントロールできます。また、すべての処理がクラウド上で実行されるため、エンジニアがログオフした後も作業が継続し、長時間におよぶタスク処理やチーム間の連携作業をスムーズに行うことが可能です。

「CoCo Automations（※1）」により、エージェントの定時・定期実行が可能になります。データエンジニアは「パイプラインの正常性確認」や「エラーが発生したジョブの調査」といった日常的なタスクを自然言語で定義し、実行スケジュールを設定するだけで自動化できます。構築した「CoCo Skills」はチーム内で共有可能なため、1人のエンジニアが作成した成果を組織全体で簡単に再利用できます。Snowflakeの環境内で直接稼働するため、組織内のデータリネージ、データカタログ、ガバナンスポリシーを自律的に理解して動作し、汎用的なAIコーディングアシスタントにはない高度な文脈理解を発揮します。

定期実行中にパイプラインの問題が見つかると、CoCoは考えられる原因をたどって修正案を提示します。エンジニアは案を確認したうえで、本番環境に反映する内容を決めます。「Snowflake for Slack（※3）」により、普段利用しているSlackチャンネルから直接質問を行ったり、ワークフローを開始・確認したりすることができます。また、「CoCo GitHub Integration（※2）」を通じた修正提案により、既存のコードレビュー手順に沿った安全なデプロイプロセスを維持できます。

これらの技術革新は、自律型データエンジニアリングの基礎を築きます。チームは、パイプラインの異常検知から原因診断、修正案の作成までを自律的に行い、承認準備が完了した段階でエンジニアに通知する高度なCoCoエージェントを、容易に構築・運用・管理できるようになります。

既存パイプラインの保守だけでなく、新たなパイプラインの迅速な構築もデータチームの重要なミッションです。「Snowflake Pipeline Builder（※2）」を使用すると、Snowflake Workspacesのビジュアルエディター上で各処理をドラッグ＆ドロップで繋ぎ合わせ、直感的にパイプラインをオーケストレーションできます。また、CoCoに指示を出して構築を自動化することも可能です。auxmoneyやNew American Fundingなどの先進企業は、すでにPipeline Builderを活用してエラーを削減し、パイプラインの本番展開を大幅に加速させています。

auxmoneyのデータ・アナリティクス担当バイスプレジデント、Marius Garbowski氏は、次のように述べています。

「欧州における消費者向けデジタル融資を牽引するプラットフォームとして、当社のリスク管理および分析チームには、正確かつ高精度にガバナンスが施されたデータが不可欠です。当社では、データが存在するその場所で処理を実行できるよう、Snowflakeへの統合を進めています。Pipeline Builderにより、各チームが開発した処理ステップをスムーズに統合し、エンドツーエンドのパイプラインを簡単に構成できるようになりました。これにより、最新のインサイトをリスクモデルの改善や実際のビジネスへ迅速に反映させています。独自ツールを繋ぎ合わせる代わりに、Snowflakeの堅牢な基盤を活用することで、チームは事業成長を直接推進するデータサイエンスやモデル開発に集中的に取り組むことができています」

New American Fundingのエンジニアリング担当バイスプレジデント、Dian Xu氏は、次のように述べています。

「Snowflakeの導入により、当社のデータチームがビジネスに寄与できる価値の質が劇的に変化しました。数百におよぶレガシーなパイプラインやレポートの刷新において、Snowflake CoCoが面倒で重たい作業の大部分を引き受けてくれています。Pipeline Builderはそこからさらに一歩進み、それらの成果物を、日々安心して利用できるパイプラインへと確実かつ一貫した方法で落とし込んでくれます。これにより、エンジニアは住宅ローン利用のお客様や融資担当者を直接サポートする製品開発に、より多くの時間を充てられるようになりました」

統合された単一のガバナンスプラットフォームで、エンドツーエンドのリアルタイムアナリティクスを実現

企業には、今起きていることに基づいて行動することが、ますます求められています。例えば、営業ダッシュボードを一日を通して最新の状態に保つことや、アプリケーション上で顧客に正確なアカウント情報を表示することです。これまで、最新データを活用するには、コスト体系やセキュリティルールがそれぞれ異なる複数のツールを追加する必要がありました。その結果、時間の経過とともにコストが増え、チーム間で異なる数値を参照する状況が生じていました。

Snowflakeのリアルタイムアナリティクス機能は、データの取り込みから活用までを、ガバナンスの効いた単一のプラットフォームでつなぎます。アプリケーションやデバイスは、Snowpipe Streamingを通じてSnowflakeに直接データを送信でき、Elastic Channels（※1）により、データ量の増加に応じて自動的にスケールします。Apache Kafka®（※5）を利用する企業は、Snowflake Datastream（※3）により、データを生成するアプリケーションの接続先をSnowflakeに変更するだけで、ブローカーやコネクタを管理する負担をなくせます。これにより、Minted、Nexon、Zywaveなどの組織は、クラスターのインフラ管理ではなく、安全でガバナンスの効いたデータ資産の構築に注力できます。データを取得すると同時に、Streaming Transformations（※4）がストリーミング中のデータに対して標準SQLで変換を実行します。これにより、後続の処理で使うデータを最新の状態に保ち、数秒で分析やアプリケーションに利用できるようにします。データエンジニアは、必要な処理を自然言語で伝えるだけで、CoCo上の1つの環境から各ステップを構築・実行できます。

Mintedのデータ・アナリティクス担当バイスプレジデント、Justin Boggs氏は、次のように述べています。

「Mintedの注文のほぼすべては、デザイン、文面、用紙の選択に至るまで、お客様ごとにカスタマイズされています。その一つひとつから、校正、製造、配送などのイベントが継続的に発生します。当社のチームは、そのデータが生成された時点で利用できることを必要としています。当社は初期の設計パートナーとしてSnowflakeと緊密に協力し、多数のサービスからのデータ取り込みを効率化する中で、Datastreamの開発に貢献しています。既存のKafkaストリームをSnowflakeに直接取り込み、管理すべきインフラを減らすとともに、Minted全体のチームがより迅速にデータへアクセスできるようにすることを目指しています」

NexonのAI部門長、Dukwon Kang氏は、次のように述べています。

「毎日、何百万人ものプレイヤーが当社のゲームを楽しんでおり、その行動が、ゲームデザインからライブ運営に至るまで、私たちのあらゆる意思決定の指針となっています。Snowflakeは、分散していたデータを一元化するプラットフォームです。Snowflake上でAI分析を導入して以来、意思決定のスピードが65％向上し、これがゲーム運営のあり方を全面的に変えつつあります。また、ゲームログだけでなく、非構造化ビジネスデータもSnowflakeに取り込んでいるため、AIがそれを文脈として活用できます。これにより、各チームはプレイヤーの行動に迅速に対応し、体験を継続的に改善することが格段に容易になっています」

取り込んだ最新データを活用するのが、Interactive Analytics（※1）です。多くの企業は、大勢のユーザーやエージェントが同時にクエリを実行すると主要な分析プラットフォームの処理速度が低下するため、顧客向けのダッシュボードやアプリケーション用に、別のデータベースを運用しています。Interactive Analyticsは、利用が集中するピーク時でも、アプリケーションやAIエージェントに対して、Snowflakeから直接、1秒未満のレイテンシーでリアルタイムの回答を提供します。追加のシステムに費用を支払ったり、システム間の同期を維持したりする必要はありません。データは単一のコピーとして保存され、最初のイベントの取り込み時点からガバナンスが適用されます。これにより、利用が拡大してもコストを予測しやすくなり、すべての人とエージェントが、同じ信頼できるデータを参照できます。現在、Snowflakeのリアルタイムアナリティクス機能では、毎秒最大20GBのデータをストリーミングで取り込め、データが利用可能になるまでの時間は中央値で3秒です（※6）。

Cboe Global Marketsをはじめとする顧客は、Snowflakeのリアルタイムアナリティクス機能を活用し、高コストな専用システムを置き換え、最新データを大規模に活用しています。

Cboe Global Marketsのソフトウェアエンジニアリング担当シニアディレクター、Kevin Knapp氏は、次のように述べています。

「当社のグローバルな取引市場は、膨大な量のデータで成り立っています。市場参加者は、必要なときに、正確なデータをほぼ即座に利用できることを期待しています。以前は、既存システムがデータをバッチで転送していたため、チームは一日の終わりまで待ってから市場データを分析し、行動につながるレポートを提供していました。Snowpipe Streamingにより、現在は毎日約2,000億行の市場データをSnowflakeに取り込み、数秒から数分でクエリを実行できます。クラウドの拡張性と信頼性が実証されたSnowflakeプラットフォーム上で、市場のインサイトや顧客の取引行動に社内チームがリアルタイムでアクセスできることは、当社の事業運営に不可欠です」

データの所在を問わず、AIで活用できる状態への移行を簡素化

Apache Spark™（※7）を利用するチーム向けに、Snowpark Connectは、Snowflake内または外部カタログ（※1）のApache Iceberg®（※8）テーブルに対応しています（※1）。今回、DataFrame Writer V2 APIと柔軟なパーティショニングへの対応（※2）を追加し、Icebergテーブルに書き込む既存のSparkパイプラインを、コードの変更を抑えながらSnowflakeへ移行できるようにします。また、File reader for Apache Spark（※3）により、SparkユーザーはファイルをSnowflakeに直接読み込み、外部クラスターを管理することなく、JSON、CSV、Parquetファイルを高速に処理できます。

IcebergテーブルでのWrite-Audit-Publish（※2）により、Sparkユーザーは、データのブランチ上でAIエージェントを活用するワークロードを安全に作成したり、新たなパイプラインをテストしたりできます。本番環境に反映する前に、後続の処理への影響を検証できます。CoCoは、既存のSparkコードをレビューし、Snowflake上で実行できるように書き換えることも可能です（※1）。これにより、移行に伴う手作業を大幅に削減します。ジョブの稼働後は、Monitoring UI（※2）を使って、各ジョブの実行状況を確認し、問題の原因を迅速に特定できます。

Klarentのエンジニアリング・AI担当バイスプレジデント、Kumar Maddali氏は、次のように述べています。

「処理負荷の高いSparkワークロードをSnowflakeへ移行したことで、総所有コスト（TCO）を60%削減できました。最も時間のかかるパイプラインの実行時間は、10時間超から3時間未満になり、エンジニアはクラスターの稼働維持に時間を費やす必要がなくなりました。データ基盤は、よりシンプルで高速になり、チームは新たな開発に注力できています」

Snowflakeの新機能は、企業がAIを大規模に活用する上での大きな障壁の一つを取り除きます。パイプラインの問題が自動的に検知され、エンジニアが修正を承認し、さらにライブデータが取り込み時点からガバナンスの効いた状態で提供されることで、データの準備待ちによってAIプロジェクトが停滞する状況を解消します。これによりデータチームは、ビジネスが求める戦略的な取り組みに注力でき、企業は、すべてのエージェントが信頼できるデータに基づいて稼働しているという確信のもと、試験導入から本番運用へとより多くのエージェントをスムーズに移行させることができます。

詳細情報

• AI対応データを通じた知性の効率的な拡張に関する詳細については、ブログ記事をご覧ください。

• 単一プラットフォームによるリアルタイムデータのストリーミング・処理・分析の詳細については、ブログ記事をご覧ください。

• 障害の監視、問題の自動診断、修正案の自律提示を行うエージェントの構築方法については、ブログ記事をご覧ください。

• LinkedIn、X（本社公式・日本公式）でも最新の情報や発表内容を発信しています。ハッシュタグ「#SnowflakeExpedition」でも関連情報をご覧いただけます。