生成AI時代の業務改革：DeNAのAI Workspaceと実践的データ基盤

生成AI時代の業務改革： DeNAのAI Workspaceと実践的データ基盤 深瀬 充範 IT本部 AI・データ戦略統括部 データ基盤部 株式会社ディー・エヌ・エー © DeNA Co., Ltd. 1

自己紹介 深瀬 充範 DeNA IT本部 AI・データ戦略統括部 データ基盤部 部長 ● 2020年DeNAに中途入社。前職は大手通信会社にて システム開発およびデータ基盤構築・運用など ○ データ・AIプラットフォームによる包括支援、 データプロダクト活用推進、 データガバナンス・データマネジメント推進、 エンジニアリングマネージャーを担当 ● https://youtrust.jp/users/norif もどうぞ 実家の猫 © DeNA Co., Ltd. 2

• https://youtrust.jp/users/norif

1 © DeNA Co., Ltd. CORPORATE [ 会社概要 ] 商号 株式会社ディー・エヌ・エー 本社 東京都渋谷区 設立 1999年3月 事業内容 ゲーム事業、ライブコミュニティ事業、スポーツ事業、ヘルスケア・メディカル事 業、新規事業・その他 代表者 岡村 信悟 (代表取締役社長兼CEO) 代表者（創業者） 南場 智子 (代表取締役会長) 従業員数 連結：2,897名 (2024年3月時点) 株式 東証プライム上場 (証券コード:2432) 2015年10月より日経225銘柄 売上収益 1,367億円 (2024年3月期、IFRS) 3

2 BUSINESS DEVELOPMENT [ 事業展開 ] エンターテインメント領域と社会課題領域の両軸を展開する © DeNA Co., Ltd. 4

3 DeNA データ基盤部について ・データエンジニア データ基盤部 ・MLOpsエンジニア ・ソフトウェアエンジニア DeNAのIT本部は CoE (Center of Exellecnce)として モノづくりの根幹をなすケイパビリティを全社横断で提供 そのIT本部に所属するのが「データ基盤部」であり、 全社・各事業へのデータエンジニアリングやデータ活用 サービスを提供しています © DeNA Co., Ltd. 5

データ基盤部におけるデータエンジニアの役割・アサイン 4 事業・データを熟知し 事業最適化を図る データ活用の底上げ・ 効率化を図る 横断組織に在籍しつつ 事業ストリームを支援 全社横断業務も支える 役回りを持つ © DeNA Co., Ltd. 事業 ストリーム A 事業 ストリーム B 事業 ストリーム C アナリティクス エンジニア アナリティクス エンジニア アナリティクス エンジニア ストリーム移動 データ アーキテクト ポジション 移動 小規模の場合 両方担う場合もある ソフトウェア エンジニア データ アーキテクト データ アーキテクト ストリーム支 援 ポジション移動 6

データ基盤部が全社提供している BIツール 5 ● 10年以上利用されているDeNAの内製BIツール ● ● 最近リプレイスされました ● Google社が提供する有償のBIプラットフォーム ● ガバナンス確保のための機能が充実しており SQLでの実装が主体であり、探索的な分析や 事業部利用に限らず、経営企画や人事部門など 可視化による迅速なレポート提供が強み DeNAのバックオフィス部門で広く活用されている ● データアナリストを中心に好まれている ○ 可視化のカスタマイズ性も高く、データ基盤部にて Looker活用支援・開発を継続して提供 ○ 全社的な人事施策での活用や管理会計・予算策定 など業務効率化・経営効率化の可視化手段として 確立されている状況 © DeNA Co., Ltd. 7

6 DeNAのAIオールイン宣言 DeNAグループのAI-ALL-INの 3つの視点 1 人員シフト 人員シフト AIによる 全社生産性向上 「AIに全賭け」「ユニコーンを量産」 DeNA南場会長、社員半数の 1500人 で新規事業 （産経新聞） 2 AIによる 既存事業の 競争力強化 3 AI新規事業の 創出・グロース DeNA南場会長「現在の事業、人員は半分に」 “AIにオールイン ”の意思 表明 もう半分を新規事業へ （ITmedia） DeNAはAIにオールイン （設立から10年以内で評価額が10億ドル以上になった新興企業を指す）ユニコーンを量産する DeNA × AI Day || DeNA TechCon 2025(DeNA主催で2月5日に開催したイベント）で発表 © DeNA Co., Ltd. 8

7 AIオールインに対応するデータ基盤部の役割 IT本部が生産性を 切って進める領域 の１つである 「AI Workspace」 構想 データエンジニアが 各事業部に入り込み 価値提供を進めている 事業領域の１つ 「DeNAアカウント」 © DeNA Co., Ltd. 9

「AI Workspace」構想における データ基盤のアプローチ © DeNA Co., Ltd. 10

DeNAにおける5階建て垂直AI戦略 1 事業トップ戦略AI コーポ戦略AI デザインやマーケティングなどの共通部門や HR/法務/経営企画など コーポ部門のストレッチングな 部門目標を支援 5 4 汎用生成AIワークスペース 全従業員の生産性向上に影響のある IT戦略としてのエンタープライズ向け生成AIを ガバナンス精査から提供支援まで実行 Gemini Advanced や Google Workspace、 Google Cloudを軸にした AI Workspace構想を推進 © DeNA Co., Ltd. 各事業領域において、突破的な事業計画/ 戦略に基づいた収益貢献が大きいAI活用 事業個別業務AI 3 事業内の連続的な収益施策・個別業務に対 するコスト削減・収益向上を目的に、メン バーが解像度高く自身の業務を自動化 2 LLM基盤 1 全従業員の利用を前提に構築された 基盤としてSlackで総務/業務質問ができる ChatAI、業務プロンプトプラットフォーム SAIなど、ボトムアップで草の根で活用 11

2 Resources AI Workspace構想とは AI Agent Platform MCP Servers Clients Clientは多種多様 法務 Agent GoogleWorkspace 社内問い合わせ Agent Gemini Advanced Gemini CLI NotebookLM Gemini Enterprise Transcribe Confluence / Kintone etc... サードパーティ製アプリ Service Data Agent 法務SDP 稟議/経費/申請系 Agent Development / FeedbackCycle © DeNA Co., Ltd. 内製/社内データ 12

AI WorkspaceをWorkspaceたらしめる要素 3 AI Clients AI Agents / MCP Data Source ✓ LLMの多様性を受け入れる ✓ A2A / MCP への対応 ✓ 基幹システムへの接続容易性 ✓ 既存WSとの親和性 ✓ 開発・検証の容易性 ✓ 3rd party コネクタブル ✓ コストパフォーマンス ✓ ポータビリティ ✓ 保証 / 補償 ✓ 双方向でのアクセス管理 コングロマリットにありがちな多様性を維持しながら 事業単位でのセキュリティとガバナンスをカバーしつつ、 可用性と柔軟性を持つことが求められる © DeNA Co., Ltd. 13

4 Resources データ基盤によるアプローチ領域 AI Agent Platform MCP Servers Clients Clientは多種多様 法務 Agent GoogleWorkspace AI社内問い合わせ Agents / MCP Agent Gemini Advanced Gemini CLI NotebookLM Gemini Enterprise Transcribe Confluence / Kintone etc... Data Source サードパーティ製アプリ Service Data Agent 法務SDP 稟議/経費/申請系 Agent Development / FeedbackCycle © DeNA Co., Ltd. 内製/社内データ 14

5 生成AI活用のための取り組み(初期) Clients Looker MCP Server © DeNA Co., Ltd. Argus MCP Server APIキー APIキー Project/Query (semantic model) LookML 15

6 独自MCPサーバー構築にあたって ● まずは作る・動かす ○ 認証・権限制御として不完全であれど、使ってみてどうか？の示唆を早めに得ていく ■ ○ 一旦使ってみて、早期にフィードバックを獲得出来る状況を確立させてきた 技術的な課題・AI特有の不確実性へ向き合うため早期でサイクルを回せる状態が理想 ■ 最初から「こういうAgentにしたほうがいい」など固めることも重要だが、 今後そのようなケースへ迅速に対応できるようにするための「要素技術」としての機能開発とし て実装優先で進めてきた状況 ■ MCP Serverのレスポンスボディが大きすぎるとAIモデル・アプリケーションのコンテキストウイ ンドウを簡単に食いつぶすため、機能としてレスポンスを圧縮したりリクエスト単位を細分化さ せるなどAPI開発そのものの知見も重要 © DeNA Co., Ltd. 16

7 独自MCPサーバー構築にあたって ● セマンティックレイヤーについて ○ 前述の通り、Client/生成AIで参照できる状況を確立させることを優先している ○ 利用していく中で、精度の低い生成物になったり、そもそもコンテクストとして正しくデータが得られ ていない・不足しているなどの結果を元にしてセマンティックレイヤーとしての機能を拡充していくこ とにした ■ 事前に定義可能なメタデータ（ダッシュボード・クエリ情報、説明など） ● 利用者・データエンジニアの協力も不可欠 ● ビジネスメタデータ・システムメタデータが外部にあればそちらを別途参照する形で プロンプト・Agenticに利用するなどワークアラウンドもある ■ © DeNA Co., Ltd. 今後、BIツールとして不足している情報があればサービス改修も視野になる 17

8 DeNA独自IdPに対するアプローチ https://engineering.dena.com/blog/2025/09/idp-migration-part1/ © DeNA Co., Ltd. 18

• https://engineering.dena.com/blog/2025/09/idp-migration-part1/

9 DeNA独自IdPに対するアプローチ ● 独自IdP側での、MCP認可サーバー としての機能拡充を要請 ○ ○ ● MCP仕様に沿ったOAuth2.1実装へ MCP Server実装ネックとなるため、 早期での解決を図ったもの 機能・知見についてはプロジェクト 全体でも共有され、 基盤として今後活用される見込み ○ 不確実性の高い生成AIサービス開発を円滑に 進めていくため、各種観点で多角的に動きな がら早期でのトライ / アクションを実施 https://modelcontextprotocol.io/specification/2025-06-18/basic/authorization #server-metadata-discovery © DeNA Co., Ltd. 19

• https://modelcontextprotocol.io/specification/2025-06-18/basic/authorization#server-metadata-discovery

10 生成AI活用のための取り組み(現状) Clients Project/Query (semantic model) Remote Argus MCP Server OAuth 内製IdP (認証基盤) Looker MCP Server Conversation Analytics APIキー LookML © DeNA Co., Ltd. 20

11 生成AI活用のための取り組み(理想) Project/Query (semantic model) Remote Argus MCP Server Clients Looker MCP Serverの リモート提供・IdP対応 内製IdP (認証基盤) Remote Looker MCP Server 要求に対する機能(API)、 セマンティックモデルとして の強化 Conversation Analytics LookML © DeNA Co., Ltd. 21

AI Workspace構想に向けてのまとめ 12 ● まずはデータを参照・活用出来る状態を整備 ○ ● MCPサーバーを作る場合、まずは動く状態だけでも十分 セマンティックレイヤーの拡充としてはこれから ○ メタデータ・カタログをどこで管理するか？参照するか？どのくらい定義すればいいのか？ ここにベストプラクティスが明確に存在しない以上、 探索的にチャレンジしていくことを推進出来る体制・チームのマインドを変えていくべし ● 権限管理やMCP・エコシステムはまだまだ未熟 ○ 認証認可・権限周りなどWorkspaceたらしめるには追いついてない領域が多い ■ ○ © DeNA Co., Ltd. アプリケーション独自での個別対応・考慮自体は現状は避けられない 今後、MCPの仕様が成熟したり、周辺サービスが発達してくることでより構想に近づくだろう 22

事業での活用例 ~DeNAアカウント~ © DeNA Co., Ltd. 23

DeNAにおける5階建て垂直AI戦略 1 事業トップ戦略AI コーポ戦略AI デザインやマーケティングなどの共通部門や HR/法務/経営企画など コーポ部門のストレッチングな 部門目標を支援 5 4 汎用生成AIワークスペース 全従業員の生産性向上に影響のある IT戦略としてのエンタープライズ向け生成AIを ガバナンス精査から提供支援まで実行 Gemini Advanced や Google Workspace、 Google Cloudを軸にした AI Workspace構想を推進 © DeNA Co., Ltd. 各事業領域において、突破的な事業計画/ 戦略に基づいた収益貢献が大きいAI活用 事業個別業務AI 3 事業内の連続的な収益施策・個別業務に対 するコスト削減・収益向上を目的に、メン バーが解像度高く自身の業務を自動化 2 LLM基盤 1 全従業員の利用を前提に構築された 基盤としてSlackで総務/業務質問ができる ChatAI、業務プロンプトプラットフォーム SAIなど、ボトムアップで草の根で活用 24

2 DeNAアカウントについて https://support.accounts.dena.com/hc/ja/articles/38865347129369 © DeNA Co., Ltd. 25

• https://support.accounts.dena.com/hc/ja/articles/38865347129369

3 DeNAアカウントにおけるデータ基盤の位置づけ Service A Service B DeNA アカウント 各サービスに対して 認証・認可の仕組みを 提供し、お客様の情報を管理 Service C Service D Service E DeNA Pay データ基盤 各サービスに対して 決済機能の提供し、 DeNA アカウントを利用する お客様の取引履歴を管理 DeNA アカウントを利用する お客様のアクティビティを 分析可能なデータとして 蓄積する基盤 DeNA アカウント= 共通基盤サービス ※ DeNA の複数のサービスを支える土台となる共通基盤サービス © DeNA Co., Ltd. 26

プロジェクト初期でのデータ基盤の課題 4 ● プロジェクト初期ではパイプライン開発・データ品質の両面での課題を抱えていた ○ LookML上でSQLを直接定義する「派生テーブル」が乱立している状況 ■ ○ 分析・可視化を急いでいた結果、派生テーブルを多用したことでKPIの統一が出来ていなかった LookML周辺のエコシステムがまだ未熟であることで開発効率にも課題 ■ 派生テーブルの実装も一因となり、フォーマッターを適用したらモデルが破壊された事件も… チーム内で生まれた悲しみの生成画像 （生成AIの活用事例） © DeNA Co., Ltd. 27

課題解決に向けた取り組み 5 ● 「データ品質担保」を最重要ミッションとして改善へ集中 ○ ○ LookML上にSQLを直接書かず、dbt でのデータパイプラインへ完全に集約 ■ 並行してKPI指標の要件整理、dbt model / macro での実装統一化 ■ dbt test / elementary の導入による品質担保・モニタリング強化 合わせて、生成AIをパイプライン開発プロセスに組み込みを進めた ■ IDE / コンテキスト整備、MCP利用の推進 ● ■ dbt test ケース作成・パターン網羅などはAIで解決 PR Agentのような開発効率化に直結するサービスの積極導入・適用 生成AIでのデータ活用以前は「データ品質」担保に着手 結果的にデータ品質の改善が後の生成AI活用へと自ずと繋がっていく © DeNA Co., Ltd. 28

品質課題の解決から新たな課題へ 6 ● データ品質・モデル改善後、何が起きたか ○ データエンジニア・アナリストへの要求増加 ■ ○ 事業開発・運営など多岐にわたるユーザーからのデータ可視化・サービス連携の要望が浮上 ● 活用が進むことでデータ基盤がビジネスに貢献できることは理想であり、嬉しい悲鳴 ● 簡単なモデル追加など、細々としているものが多くあり数を捌くための工数が課題に データ基盤自体の複雑化 ■ サービスの成長に伴うデータ連携のニーズも発生 ● © DeNA Co., Ltd. データ連携対応では連携先サービスへの理解も一定必要になる… 29

生成AI活用の全体像 7 Slackを利用した 対話での探索的分析 データ 利用者 Session Manager Slack アプリ Gemini API / Graph Analytics Req/Res Cloud Run Google ADK bolt 定常レポート確認 / Claude Desktopでの 参照・更新 dbt/Lookerモデル開発を 生成AIで効率化 データ エンジニア/ アナリスト © DeNA Co., Ltd. Explore dimension1 dimension2 … measure1 measure2 Access via API (Personal Secrets) Access via API (Shared Secrets) Looker MCP Server ingress sidecar Execute Query Data Mart Looker MCP Server IDE (Cursor等) Aggregate サービス特化 Context (.md) 30

生成AI活用の全体像 8 Slackを利用した 対話での探索的分析 データ 利用者 Session Manager Slack アプリ Gemini API / Graph Analytics Req/Res Cloud Run Google ADK bolt 定常レポート確認 / Claude Desktopでの 参照・更新 生成AI活用の プラットフォーム整備を データエンジニアが主導 dbt/Lookerモデル開発を Explore dimension1 dimension2 … measure1 measure2 Access via API (Personal Secrets) © DeNA Co., Ltd. Looker MCP Server sidecar Execute Query Data Mart 生成AIで効率化 データ エンジニア/ アナリスト Access via API (Shared Secrets) ingress Looker MCP Server IDE (Cursor等) Aggregate サービス特化 Context (.md) 31

生成AI活用の全体像 9 Slackを利用した 対話での探索的分析 データ 利用者 Session Manager Slack アプリ Req/Res LookML拡充は データエンジニア・アナリストが Cloud Run 並走して対応 bolt 定常レポート確認 / Claude Desktopでの 参照・更新 dbt/Lookerモデル開発を 生成AIで効率化 データ エンジニア/ アナリスト © DeNA Co., Ltd. Explore dimension1 dimension2 … measure1 measure2 Access via API (Personal Secrets) Looker MCP Server IDE (Cursor等) Gemini API / Graph Analytics Access via API (Shared Secrets) Google ADK Looker MCP Server ingress sidecar 連携先のサービスドメイン情報・ Data Mart データカタログなどを コンテキストとして参照し、 Aggregate モデル開発・拡充 Execute Query サービス特化 Context (.md) 32

生成AI活用の全体像 10 Slackを利用した 対話での探索的分析 データ 利用者 Session Manager Slack アプリ Gemini API / Graph Analytics Req/Res Cloud Run Google ADK bolt 定常レポート確認 / Claude Desktopでの 参照・更新 dbt/Lookerモデル開発を 生成AIで効率化 Explore dimension1 dimension2 … measure1 measure2 Access via API (Personal Secrets) 対話での権限管理・制御は明確な課題 Looker データ Slackユーザー情報で MCP Server IDE エンジニア/擬似的に制御するなど (Cursor等) アナリスト アプリケーションでの考慮が前提 サービス特化 Access via API (Shared Secrets) Looker MCP Server ingress sidecar Execute Query Data Mart Aggregate Context (.md) © DeNA Co., Ltd. 33

11 データモデルに対するコンテキストの整理も有効 データモデリングでの分類をコンテキストとして明確に定義し、実装 におけるガードレールとして機能させておく incremental fullrefresh staging intermediate mart warehouse analytics コンテキスト例 ● データマートの実装では intermediate/warehouse を優先的に参照すること ● 生データが必要な場合は staging を参照すること ● mart間の参照は避けてください © DeNA Co., Ltd. 34

12 生成AIの活用による効果・課題 ● データ活用やモデル改善での業務効率化は明確に現れてきた ● ○ Looker MCPにはダッシュボードを作成する機能があり、これを生かした分析・可視化の自動化も進んでいる ○ 前述の通り、データモデリングについてもコンテキストを整備・統一することで業務改善が見られた それでもデータエンジニアの仕事は多岐にわたる（もはや純粋に忙しい） ○ データを正しく扱えるようにするためのメタデータ整備・拡充、引き続きの品質担保など データエンジニアとしての泥臭い業務には変わらない ■ © DeNA Co., Ltd. 業務のスコープとして「人間」と並列に「生成AI」が増えたという見方とも言える 35

13 総括 ● 生成AI時代におけるデータ基盤・データエンジニアの重要度は非常に高まっている ○ MCP・Agentの提供、それを担うデータ基盤としての品質担保・メタデータ拡充など業務が幅広くある ■ ○ 人間が扱うのではなく、AIが参照するという意味では従来以上の精度・情報量が求められている これらデータエンジニアが一極端に担うのではなく、うまく生成AIを駆使して分業していくことが 生き残るポイントかもしれない ■ データエンジニアに限らず業務を分担できるようなロールの準備をするなどして、 それぞれが本質的な領域で業務に専念できるような体制を作ることも組織的には重要になってくる © DeNA Co., Ltd. 36

© DeNA Co., Ltd. 37