データインテリジェンスとは？BIとの違い・4つの構成要素と戦略の立て方【2026年版】

データインテリジェンスは、メタデータ・来歴・品質・統制をひとつの層にまとめ、「そのデータは信頼して使えるのか」に答えるための枠組みです。ダッシュボードを増やしたのに部門ごとに数字が食い違う、生成AIに社内データをつないだのに回答が当てにならない。原因を調べる際は、データ量だけでなく、指標の定義、更新時刻、変換処理、参照範囲の違いを確認する必要があります。本記事では定義とBIとの分担、構成する4つの要素を押さえたうえで、データインテリジェンス戦略として何を決めればよいか（戦略書に書く5項目・役割分担・評価指標）を示します。ベンダーごとに言葉の指す範囲が食い違う理由も、2026年10月時点の一次情報で整理しました。

まとめ

• データインテリジェンスは分析の「手前」の層。BIが「データをどう分析し見せるか」を担い、こちらは「そのデータは何で、どこから来て、信頼できるか」を担う
• 本記事では、整備対象をメタデータ管理（カタログ）・データリネージ・データ品質・データガバナンスの4つに整理する。着手はカタログから
• 戦略書に書くのは目的KPI・対象範囲・体制・基盤・評価指標の5項目。最初は経営が見ているKPIを1つに絞り、成果は登録件数ではなく「数字の食い違いが消えたか」で測る
• 生成AIの回答精度はデータ側の指標定義に左右される。Gartnerは2025年2月、AI-ready dataに支えられないAIプロジェクトの60%が2026年までに放棄されると予測した
• 言葉の指す範囲はベンダーで違い、呼び名も動いている。Databricksは現在プラットフォームを「Data + AI Platform」と呼び、Collibraは「Enterprise AI Control Plane」を名乗る。製品比較は自称ではなく機能で並べる

データインテリジェンスの定義とBIが担う範囲との境界

「信頼して使えるデータ」を増やす枠組みという定義

データインテリジェンスとは、組織に散在するデータについて「どこに何があるか」「どう定義された数値か」「どの経路を通って今の形になったか」「誰が使ってよいか」を機械可読な形で管理し、利用者が迷わず信頼して取り出せる状態をつくる枠組みです。扱う対象には、データを説明するメタデータに加え、データそのものの品質や利用状況も含まれます。生のデータを意思決定に使える知見へ変換するには、この説明が先に揃っている必要があります。

Databricksは、2023年11月のカテゴリ解説の記事で、AIモデルが企業データの意味（セマンティクス）を深く理解することを「data intelligence」と呼ぶと定義しました。人が管理するメタデータと、AIが利用実績から学ぶ意味の両方を含む考え方です。

この層が薄いまま分析基盤だけを増設すると、典型的な症状が出ます。売上の定義が部門ごとに違うまま3つのダッシュボードが並立する、元テーブルの改修で誰かのレポートが黙って壊れる、監査で「この数字の根拠は」と聞かれて追跡に何日もかかる。いずれもツールの性能より、意味と来歴を管理する仕組みが無いことから起きる問題です。

BIとの違いは「どう使うか」と「そのデータは何か」の分担

BIとデータインテリジェンスは競合しません。役割が縦に積み重なっています。BIはデータの収集・加工・分析・可視化を通じて意思決定を支援する取り組みで、データインテリジェンスはそのBIが参照するデータの素性を保証する土台です。BIツールの仕組みや選び方はBIとは？ビジネスインテリジェンスの意味・仕組みから導入判断まで解説で扱っています。

見分け方は単純です。「今月の解約率を見たい」はBIの領域。「そのダッシュボードの解約率は、どのテーブルのどの定義で、いつ更新されたのか」はデータインテリジェンスの領域です。後者に即答できない組織では、BIツールを追加しても数字の不一致は解消しません。順序が逆だからです。

データマネジメント・データガバナンス・データサイエンスとの境界

隣接する用語が多く、社内の議論が噛み合わない原因にもなります。おおまかな守備範囲は次のとおりです。

最も広いのはデータマネジメントで、DAMAの知識体系（DMBOK）もデータガバナンス、メタデータ管理、データ品質、データ統合を知識領域に含めています。データインテリジェンスは、そのうちメタデータ・品質・統制を「利用者がそのデータを信頼してよいか」という問いに向けて束ねた見方です。BIとデータサイエンスは、その上でデータを使う側にあたります。

データインテリジェンスを構成する4つの要素とその優先順位

メタデータ管理とデータカタログ＝最初に着手する層

カタログは、テーブル・カラム・指標の所在と定義を一覧化し、検索できるようにする要素です。本記事でカタログを起点にするのは、対象資産と担当者を共有し、リネージ・品質・権限の情報を結び付けやすくするためです。カタログ単体の仕組みと導入判断はデータカタログとは？意味・メタデータ管理の仕組みからAI時代の導入判断まで解説にまとめています。

Databricksの場合はUnity Catalogがこの役割を担い、テーブルだけでなくモデルや関数まで同じ名前空間と権限の下に置きます。名前空間と権限継承の実装はUnity Catalogとは？3レベル名前空間と権限継承・移行判断を実装視点で解説【2026年版】で解説しています。

データリネージ＝改修の影響範囲と監査に効く来歴追跡

リネージは、あるデータがどのソースから、どの変換を経て、どのレポートに届いているかを辿る要素です。人手で図を描く代わりに、実行されたクエリの記録から自動で組み立てる製品が増えています。Unity Catalogのリネージのドキュメントは、Databricks上で実行したクエリのリネージを列レベルまで自動で取得すると明記しています。

効果が最も分かりやすいのは改修時です。テーブルや列を変える前に下流の参照先を機械的に列挙できれば、「気づかないうちに経営会議の資料が壊れていた」という事故のリスクを減らせます。ただし同じドキュメントは、RDD、グローバル一時ビュー、2024年9月1日より前のリネージを取得対象外と記載しています。Databricksの外で行う変換もこの記録には載らないため、取得されない依存関係は別に確認します。監査対応でも、数値の出所をたどる作業が担当者の記憶に依存しなくなります。

データ品質＝検証ルールをコード化して継続監視する層

品質管理では、NULL率、値域、一意性、参照整合性といった検証ルールを宣言的に書いてパイプラインの中で継続的に実行し、違反したレコードを隔離して通知します。値が業務上妥当かどうかは、人によるレビューと組み合わせて確かめます。検査項目と閾値の決め方、dbtでの書き方はデータ品質のテスト方法：検査項目と閾値の決め方、dbtでの実装とAI学習データの検査で具体例を示しています。

避けたいのは、品質指標を「スコア」に丸めてダッシュボード化して終わることです。スコアは下がった事実を伝えますが、誰が何を直すかを決めません。ルールごとに担当と是正の手順を紐づけて初めて機能します。

データガバナンス＝権限と用語定義を1か所に集約する層

ガバナンスは、アクセス権限・機密区分・用語定義を一元管理する要素です。要点は、権限をツールごとに設定しないことにあります。BIツール側とデータ基盤側で別々に権限を持つと、退職者のアカウント削除漏れのような穴が残ります。データへのアクセス権限はカタログに集約しつつ、BIやワークスペースの権限、アカウントの無効化も整合させる設計が必要です。

粒度の目安として、Unity Catalogのドキュメントは権限、属性ベースのポリシー、行フィルタと列フィルタ、ワークスペースの割り当ての4種類で「誰が何にアクセスできるか」を管理すると説明しています。テーブル単位の許可だけで設計を終えると、機密列を含む表の共有で行き詰まります。

データインテリジェンス戦略の立て方：戦略書に書く5項目と着手順序

戦略書に書く5項目と書き方の例

データインテリジェンス戦略は、ツールの導入計画ではなく「どの数字を、誰の責任で、どこまで信頼できる状態にするか」の合意文書です。本記事では、次の5項目を戦略書のひな型として提案します。例えば、月次解約率は分子・分母・対象期間・解約の判定日まで定義します。

悪い戦略書は「全社のデータを利活用できる状態にする」のように目的と範囲が無限定で、体制の欄に部署名しか無いものです。この書き方では、半年後に何が終わったのかを誰も判定できません。基盤の欄は、既存のデータ基盤を活かす場合と作り直す場合では、移行・連携・運用に必要な費用が異なるため、自社だけで判断がつかなければデータ分析基盤構築・MLOps構築支援のような外部の設計支援を入れる場面です。

データオーナー・データスチュワード・CDOの役割分担

カタログの形骸化を防ぐには、定義を「誰が」決めて「誰が」書くのかを明確にする必要があります。役割は次の4つに分けます。

売上などの業務指標は業務部門が定義に責任を持ち、情報システム部門が実装や技術メタデータの管理を支える分担を推奨します。「売上」の定義の判断まで情報システム部門に任せると、業務部門への確認待ちが積み上がります。なお、ここでのCDOは最高データ責任者（Chief Data Officer）を指します。同じ略称で最高デジタル責任者を指す用法はCDO（最高デジタル責任者）とは？役割とCIO・CTOの違い、IPA調査に見る在籍率11.7%で解説しています。

KPIに直結する1ドメインへ絞る初期スコープ

初期スコープを広げすぎると、定義の合意や担当者の調整が増え、運用開始が遅れるおそれがあります。有効なのは、全社の資産を洗い出す前に経営が実際に見ているKPIを1つ選び、その数値を構成するデータだけを対象にカタログとリネージを通す進め方です。対象が数十テーブル規模に収まれば、定義合わせから運用開始まで現実的な期間で回せます。

KPIに直結しているため、整備の成果を「カタログ登録率」ではなく「数字の食い違いが消えた」という業務の言葉で説明できます。予算の継続判断では、登録率に加えて数字の不一致や確認工数がどれだけ減ったかを示します。

成果を登録件数ではなく業務の変化で測る評価指標

カタログの登録件数やリネージの網羅率は、作業の進み具合を示すだけで成果ではありません。継続判断には、業務側で観測できる次のような数字を使います。整備前後で測定期間と対象をそろえます。例えば、問い合わせ対応時間は受付から根拠提示までを記録し、中央値で比較します。

• 部門間で定義が食い違っている指標の数
• 「この数字の出所は」という問い合わせに答えるまでの時間
• テーブル改修のうち、下流の影響範囲を事前に列挙できた割合
• 品質ルール違反を検知してから是正するまでの日数

カタログが更新されなくなる形骸化への対策

導入時に一括登録した情報が更新されないと、実際のデータと台帳の記載が食い違い、利用者が信頼性を判断できなくなります。原因は、メタデータの更新を人手の善意に任せている点にあります。対策は2つです。技術メタデータ（スキーマ、更新時刻、リネージ）は自動収集に寄せ、人が書くのはビジネス定義だけに限定する。そのうえで、定義変更の承認を前述のデータオーナーの責務として組織図上に明記します。

利用側の動線も併せて用意すると定着が早まります。Collibraが製品の構成要素にData Marketplaceを置くのはこの発想で、整備済みのデータを利用者が自分で探して使える場を設け、カタログを「登録して終わる台帳」から「日常的に使う入口」へ変えます。

全社一斉のガバナンス整備を採用すべきでない条件

データ所有者が組織として決まっておらず、かつ既存のデータ基盤が部門ごとに分立している段階では、全社一斉のガバナンス整備を選ぶべきではありません。この条件では、ルールを定めても適用する主体が存在せず、ツール費用と整備工数だけが先行します。先に着手すべきは1ドメインでのオーナーの任命で、ツール選定はその後です。オーナーが決まっていて基盤も統合済みなら、各部門の定義合意と運用負荷を確認しながら対象を広げます。

データインテリジェンスの投資対象と導入見送りの判断条件

効果が出る条件は絞り込めます。典型は、同じ指標を複数部門が別々に集計していて数字が合わない組織です。用語定義を合意し、各部門の集計式・対象期間・更新時刻にも反映すれば、数字合わせの手戻りを減らせます。次に効くのが、規制対応や監査で数値の根拠提示を求められる業種です。リネージが揃っていれば、根拠資料の作成が調査作業ではなく出力作業になります。3つ目が、社内データを生成AIに参照させる場面です（次章）。

投資を見送ってよい場面もあります。データソースが基幹システム1つに閉じていて、参照する部署も限られ、指標の定義が1か所で決まっている組織では、カタログ製品を導入しても得るものがほとんどありません。用語管理だけが課題なら、表計算の用語集から始められます。ただし、権限管理・品質検査・監査証跡の要否は別に判断します。製品選定は、データソースが複数に分かれ、定義の解釈が部門ごとに割れ始めてからで間に合います。

生成AIエージェントの回答精度を左右するデータ側の文脈整備

AI-ready dataを欠くAIプロジェクトの放棄予測

社内データを生成AIにつないだのに使い物にならない。原因の一つは、AIが参照するデータに意味の定義が付いていないことです。「売上」というカラムが税込か税抜か、どの時点で確定するのか。人間なら暗黙に補える前提を、AIは補えません。モデルの能力や検索の適合性とは切り分けて確かめます。

調査会社の見立ても同じ方向です。Gartnerは2025年2月26日のプレスリリースで、AI-ready data（AIでの利用に耐えるよう整備されたデータ）に支えられていないAIプロジェクトについて、組織は2026年までにその60%を放棄すると予測しました。Databricksも2023年のカテゴリ解説で、プラットフォームが学習した指標やKPIといった意味を使うことで、AIアプリケーションが正確な結果を返せるようになると述べています。

指標定義を置く場所：metric viewsとsemantic views

「定義をカタログに書く」を実装に落とすと、指標をSQLの都度の計算式ではなく、カタログ上のオブジェクトとして1回だけ定義することになります。DatabricksではUnity Catalog metric viewsがこれにあたり、指標を一度定義すれば実行時に照会でき、SQLエディタやダッシュボード、Genie Agents、Power BIやTableauから同じ定義を使えます。Snowflakeではsemantic viewsが同じ役割を持ち、定義機能は2025年6月に、直接照会は同年8月に一般提供になりました。

数値を答えさせる用途では、RAGやエージェントの精度改善に取り組む前に、参照させるKPIをこうした指標オブジェクトとして書き切るのが先です。ここを飛ばして検索の工夫だけを重ねても、返ってくる数字の妥当性は上がりません。文書の検索や要約が中心なら、整えるべきは文書の版・更新日・閲覧権限のほうです。BI・DWHの間で意味をそろえる層の全体像はセマンティックレイヤーとは？意味・仕組みから会話型AI時代の導入判断まで解説で扱っています。

データインテリジェンスプラットフォームの定義がベンダーで食い違う理由

実行基盤側から来たDatabricks系の定義

Databricksはデータ処理基盤を出発点に、そこへAIによる意味理解を足す方向でこの言葉を使ってきました。公式ドキュメントの構成要素にはUnity Catalog、Delta Lake、MLflow、Lakeflow、OLTPデータベースのLakebase、共有プロトコルのOpenSharing、自然言語で問い合わせるGenie Agentsが並び、カタログは全体の一部という位置づけです。

呼び名は2026年10月時点で変わっています。製品ページの名称は「The Databricks Data + AI Platform」、見出しは「Accelerate the agentic enterprise」です。2023年のカテゴリ解説の記事も見出しが「Data + AI Platforms」に書き換えられました。一方で、同じ記事の本文には「we call this data intelligence」という定義の一文が残っています。製品カテゴリの名前としては降ろし、AIがデータの意味を理解する能力の名前として残した、と読むのが実態に近いでしょう。基盤そのものの機能と料金はDatabricksとは？できること・DBU課金の料金と業種別の費用・導入事例【2026年10月】にまとめています。

カタログとガバナンス側から来たCollibra系・Alation系の定義

Collibraは2008年創業のデータガバナンス出自、Alationは2012年創業のデータカタログ出自で、メタデータの側からこの言葉を使ってきました。Collibraは製品ページで「Enterprise AI Control Plane」を掲げ、自社を「ガバナンス以上のもの、働く場所を問わずデータの生産者と消費者をつなぐコンテキストと制御のエンジン」と説明しています。

この系統が計算資源を一切持たないわけではありません。Collibraはデータ品質ジョブを、データを外に出さず接続先ウェアハウスの計算資源へプッシュダウンする方式と、専用のSparkエンジンで実行する方式の両方で提供しています。持たないのは分析用のデータ基盤そのものです。

Alationは2026年7月14日にAlation Intelligence Operating System（AIOS）を発表し、会社の看板をこちらへ移しました。「Agentic Data Intelligence Platform」を見出しにした製品ページも引き続き公開されています。

製品比較の判断軸：分析基盤・メタデータ収集・権限管理

3社とも「データインテリジェンス」を製品名の中心から外しつつあり、自称を軸にRFPや比較表を組むと議論が噛み合いません。判断は機能で行います。確認するのは「自社のデータ処理基盤を置き換えるのか、既存基盤に被せるのか」「メタデータの自動収集はどこまで及ぶのか」「権限管理の主体をこの製品に寄せられるか」の3点です。これが決まれば、製品がどちらの系統に属するかは自然に絞り込めます。

「データインテリジェンス」という言葉が広まるまでの経緯

2023年11月のカテゴリ定義とDatabricksIQ

言葉自体はDatabricks以前から使われています。Collibraは2019年7月の新製品の発表で、自社を「the Data Intelligence company」と称していました。これをプラットフォームのカテゴリ名に押し上げたのがDatabricksです。2023年11月15日、Databricksが共同創業者兼CEOのAli Ghodsiらの名義でカテゴリ解説の記事を公開し、自社をデータインテリジェンスプラットフォームとして再定義しました。記事では、自然言語アクセス、セマンティックなカタログ化と発見、自動化された管理と最適化、ガバナンスとプライバシーの強化、AIワークロードの一級サポートの5つを備えるべき能力として挙げています。

基盤に据えられたのは、DatabricksIQと名付けたエンジンです。2023年7月19日に完了したMosaicMLの買収で得た生成AI技術が組み込まれていました。現行のドキュメントではDatabricksIQの名称は使われておらず、旧URLは「Databricks AI assistive features」のページへ転送されます。

DAIS 2024で製品として示された「DATA INTELLIGENCE FOR ALL」

2024年6月10日から13日にサンフランシスコで開かれたData + AI Summit 2024は、この再定義を製品として示す場でした。テーマの「DATA INTELLIGENCE FOR ALL」は、専門知識を持たない利用者にもデータとAIを開くという主張です。Unity Catalogのオープンソース公開や、BI製品Databricks AI/BIとその会話型機能AI/BI Genieの発表が、その具体化にあたります。

DAIS 2026で移った焦点と、現在の呼び名

2026年6月15日から18日に開かれた同イベントでは、Ghodsi氏が基調講演の冒頭で参加者を31,309人、参加国を174か国と述べました。会期中の6月16日には、業務チーム向けのエージェントGenie One、トランザクション処理と分析処理を同じデータで扱うLTAP、マーケティング向けのCustomerLakeが発表されています。

焦点は、データを見せることからエージェントを業務で動かすことへ移りました。2024年のテーマ文言は製品ページに残っていません。ただし、専門家以外にデータとAIを開くという主張と、AIがデータの意味を理解することを「data intelligence」と呼ぶ定義は、2023年11月以降変わっていません。

よくある質問

データインテリジェンスとBIツールは何が違うのですか？

担当する工程が違います。BIはデータを収集・加工・分析し、グラフやダッシュボードで見せて意思決定を支える取り組みです。データインテリジェンスはその手前で、データがどこから来て、どう定義され、信頼できるかを管理する層です。両者は置き換え関係になく、後者が土台として先に必要です。数字の食い違いや定義のばらつきに悩んでいる場合、BIツールを追加しても解決しません。

データインテリジェンス戦略はどこから着手すればよいですか？

全社のデータ資産を一度に棚卸しする進め方は避けてください。経営が実際に見ているKPIを1つ選び、その数値を構成するテーブルだけを対象にカタログ登録とリネージ整備を行います。戦略書には目的・対象範囲・体制・基盤・評価指標の5項目を書き、指標ごとにデータオーナーとスチュワードを業務部門から任命します。成果は登録件数ではなく、定義が食い違う指標の数が減ったかで測ってください。

データインテリジェンスプラットフォームはどの製品を指しますか？

単一の製品カテゴリではありません。分析基盤を自社製品として持つDatabricksのような系統と、分析基盤を持たずメタデータとガバナンスに特化するCollibraやAlationのような系統が、同じ言葉を使ってきました。現在はDatabricksが「Data + AI Platform」、Collibraが「Enterprise AI Control Plane」、AlationがAIOSを名乗っています。比較する際は自称ではなく、既存基盤を置き換えるのか被せるのか、メタデータ収集の自動化範囲、権限管理を集約できるかで並べてください。

生成AIを社内で使うのにデータインテリジェンスは必要ですか？

社内データを参照させるなら必要です。生成AIは「売上」が税込か税抜か、いつ確定する数値かといった前提を自力で補えません。指標の定義が無いまま接続すると、もっともらしい誤答が返ってきます。GartnerもAI-ready dataに支えられないAIプロジェクトの60%が2026年までに放棄されると予測しています。KPIを回答させる場合は、Unity Catalog metric viewsやSnowflake semantic viewsなどで指標定義を共有します。文書を参照させる場合は、文書の版・適用範囲・出典・閲覧権限を整備してください。

Data + AI Summit 2024のテーマ「DATA INTELLIGENCE FOR ALL」とは何でしたか？

2024年6月10日から13日にサンフランシスコで開催されたDatabricksの年次イベントの主題で、専門知識を持たない利用者にもデータとAIを開くという主張です。前年11月に同社が打ち出したデータインテリジェンスプラットフォームという再定義を、Unity Catalogのオープンソース公開や、Databricks AI/BIの会話型機能AI/BI Genieといった製品として示す場になりました。現在の製品ページでは、プラットフォームは「Data + AI Platform」と呼ばれています。

関連記事

• データカタログとは？意味・メタデータ管理の仕組みからAI時代の導入判断まで解説
• セマンティックレイヤーとは？意味・仕組みから会話型AI時代の導入判断まで解説
• Unity Catalogとは？3レベル名前空間と権限継承・移行判断を実装視点で解説【2026年版】
• Databricksとは？できること・DBU課金の料金と業種別の費用・導入事例【2026年10月】
• BIとは？ビジネスインテリジェンスの意味・仕組みから導入判断まで解説