Dataspace AI開発記：AIエージェント基盤への全面刷新

リサーチはこれまで、一部の専門家だけのものでした。経験がなければ、どこから始めればよいかもわからない——アンケートをどう設計するか、集めたデータをどう分析するか。

Opensurveyはその壁を下げるために、2026年4月、コンシューマーインテリジェンスプラットフォーム「Dataspace（Dataspace）」をAIエージェント*基盤へと全面刷新しました。

*AIエージェント（AI Agent）：質問に答えるだけでなく、ユーザーの目的や指示に基づいて自律的に計画を立て、必要なツールを活用して業務（アンケート設計、データ分析など）を主体的に遂行するAIシステム。

今はビジネス上の問いさえあれば、AIが調査目的を定義し、アンケートを設計し、データ収集を支援し、結果を分析してくれます。消費者データが必要な誰もが、専門家レベルのインサイトを、はるかに短い時間とコストで手に入れられるようになりました。
その裏には、激動の開発期間がありました。Dataspace AIを作り上げた開発者のLG（チョン・ヘヨン）、ミッキー（チェ・ミンジェ）、PMのユン（チョン・ジユン）に、その物語を聞きました。

Part 1. 誰もがデータで意思決定できるように

Dataspaceが最近、AIエージェント基盤へと全面刷新されました。このプロジェクトでそれぞれどのような役割を担いましたか？

ユン：プロジェクト全体の問題定義を担当しました。「なぜ今DataspaceにAIが必要なのか」という問いから出発し、どのユーザーがどんな価値を得られるのかを定義し、必要な機能を具体化してチームと一緒に作り上げていきました。

ミッキー：私はDataspace AIの「胴体」を作る仕事をしました。プラットフォームにLLMを組み込みながら、既存のアンケート設計ツールや分析ツールなどさまざまな機能を有機的につなぎ、うまく動くようにするオーケストレーター**を構築しました。データ分析、チャート生成、レポート作成といった部分も担当しています。

**オーケストレーター（Orchestrator）：複数のAIモデルと内部システム（アンケートエディタ、統計分析エンジンなど）が有機的に連携して動くよう、中間でフローを制御・管理するフレームワーク。

LG：DataspaceをAIプラットフォームへ全面刷新する過程で、AI技術の検討と導入を総括しました。アーキテクチャ全体の設計を担い、自然言語でアンケートを設計・修正できる「アンケートエンジン」と、保有データを自然言語で検索できる「検索エンジン」の構築をリードしました。

Dataspaceは2023年にリリースしましたが、このタイミングでAIを組み込むことになった決定的なきっかけは何でしたか？

ユン：DataspaceにはすでにAI技術がいくつか組み込まれていました。それが今回、ついてリサーチ全工程にAIをつなげることができました。

LLMの登場と普及は、Dataspaceが本来届けたかった価値をより多くの人に届けられる可能性として映りました。リリース後もずっと「このプロダクトをもっとうまく使ってもらうにはどうすればいいか」という問いがありました。リサーチの知識と経験がある方はDataspaceをうまく使いこなしてくださっていましたが、そうでない場合も多かった。それは当然のことで、リサーチデータを意思決定に活かすには、ビジネス課題の定義から始まり、それをリサーチ課題に落とし込み、適切な方法論を探すという工程を踏まなければならないからです。

リサーチ経験のない実務担当者にとって、最初の一歩はとても怖い。さらにプラットフォームの使い方まで覚えなければとなると、やることが山積みです。だから、リサーチを知らなくても、Dataspaceを知らなくても、「問い」さえあれば目標を達成できるようにしたかった。リサーチが簡単になれば、Dataspaceが日常の仕事に溶け込んでいけると思ったから。

今回の刷新で、リサーチ非専門家（Non-researcher）までユーザーが広がるようになりました。そうしたユーザーのために機能を開発し、プロダクト体験を設計するうえで、プロダクトチームが最優先にしたことは何ですか？

ユン：核心原則は「アウトプット・ファースト（Output-first）」でした。アンケート設計のたびに、どの質問タイプを選ぶか、回答者ターゲットをどう設定するかなど、各ステップで承認を求めたらどうなるでしょうか。リサーチを知らない人にとって、専門知識が必要な意思決定を求められるのは難しく、結局あきらめてしまう。一方で、目に見えるアウトプットに対して「いいね」「こういうことを加えてほしい」とフィードバックするのは、ずっとやりやすい。

だから私たちは、専門家の方法論をAIに学習させ、AIが自律的に意思決定してアウトプットを出すようにし、ユーザーの意思決定ポイントを最小化しました。ユーザーはビジネス上の問いだけに集中できるようにして、AIが先にブリーフ・アンケート設計・分析結果を提示し、ユーザーがそれにフィードバックして調整していく形を目指しました。

Part 2. リサーチの専門知識とノウハウ、暗黙知をAIに移植する

非専門家でも専門家レベルのアウトプットを得られるようにするには、Dataspace AIをリサーチの専門家にする作業が核心だったと思います。15年間積み上げてきた専門知識とノウハウをAIにどう吸収させたのですか？

ユン：Dataspaceへの実装はプロダクト開発チームが行いましたが、根本的に支えるべき専門知識は社内リサーチの専門家たちの資産から来ています。リサーチ業界には暗黙知が本当に多い。LLMもほとんど知りません。Opensurvey社内で構造化された知識ドキュメント、Slackやグーグルドライブに蓄積された専門家のアドバイスやフィードバックを知識化し、各プロセスで専門家が守る原則をプロンプトレイヤーに直接組み込みました。データの分析方法やレポートも、社内専門家のやり方に倣っています。代表例として、HY（代表のニックネーム）が好むレポートスタイルを直接プロンプティングしてくれました。現場で検証されたやり方をプロンプトに反映し、磨き続けています。プロダクトを作る立場から見て、社内に専門家集団がいるのは本当に心強い。30年以上のキャリアを持つリサーチャーからノウハウを聞き出し、豊富な経験から来るフィードバックを毎日受け取ってプロダクトに反映できる会社はそう多くないと思います。

汎用AIでアンケートを設計するのと、Dataspace AIで設計するのとでは、実際に差がありますか？

ユン：汎用AIに「ブランド好感度を測るアンケートを作って」と指示すると、見た目はそれらしいものが出てきます。でも実務の専門家から見ると、バイアスを生んだりデータを汚染するミスが頻繁に起きます。Dataspace AIはリサーチ業界の暗黙知をプロンプトとナレッジベースで学習させているので、その専門性が土台となって安定した設計を保証します。

LG：開発側では、しっかり入力されたプロンプトをもとにLLMが安定してアンケートを設計できるよう集中しました。Dataspace AIでは、アンケートを設計する際にLLMを一度だけ呼び出すのではなく、4段階のプロセスでAIを制御しています。まずLLMを呼び出してアンケート全体の設計図を描き、次にリサーチドメインに合わせたコンテキストと豊富な語彙を加えます。そしてブロックごとに詳細な質問文を順次生成し、最後に全体を見渡して必要なロジックルールを適用します。加えて、LLMを信頼せず検証する構造を作ることに注力しました。LLMは自由奔放な存在です。だから自由な回答を期待するのではなく、規格化されたフォーマットを強制して構造化された出力を求めました。最終的なアウトプットが出たら、システムコードレベルで再度バリデーションするレイヤーも重ねています。

Part 3. 正確性と不確実性を制御するエンジニアリング構造

データ分析はどうでしょうか？Opensurveyはデータ分析機能の強みを強調してきましたが、AIを組み合わせることでどんな課題が生まれましたか？

ミッキー：私たちもAIプロダクトを開発するのは初めてで、本当にさまざまなエラーを経験しました。分析機能にLLMを組み込んで直面したのは、正確性の問題でした。LLMはもっともらしい文章を生成するのが得意ですが、Dataspace AIが出すべき結果は正確な産出物でなければなりません。データ分析は少しでも間違えると信頼が崩れますから。でもLLMは確率的に文章を補完するモデルなので、本質的に100%の正確さを保証できません。

この限界を解決するために、Dataspaceはデュアルレイヤー（Dual-layer）構造を導入して役割を明確に分離しました。数値の演算と計算はLLMに一切任せず、100%完璧な演算を行ってきた自社サーバーエンジンが専担します。この「Deterministic Layer」が分析プロセスの前段に配置され、そこから得られた正確なデータとユーザーのビジネス上の問いのコンテキストをもとに、LLMは演算の負担なく「解釈とインサイトの記述」だけに集中します。それが後段の「Generative Layer」です。数字は間違えてはいけない——だからこの構造を採用しました。これがDataspace AIの差別化ポイントでもあります。汎用LLMは数字も文章もうまく作りますが、数字をよく間違えます。

アンケート生成から分析まで全工程でAIが有機的に動きながら、一定の品質を維持するのは、開発面では複雑度が非常に高い作業ですね。

ミッキー：システム全体にAIを組み込んで動かすには、私たちのシステム固有の知識をすべて教え込まなければなりません。アンケート設計で使える質問タイプやロジック、システムがサポートする分析方式などです。でもLLMはもともと幅広い知識を持っているので、教えていない方法でタスクを実行しようとしたり、私たちのツールを使わず自己流でやって間違えたりします。また、これまで開発してきたアンケート編集ツールや分析ツールは単純な構造ではありません。グーグルフォームやネイバーフォームよりはるかに複雑なオプションをサポートしていて、それをLLMが私たちのシステムツールを使って完璧にこなせるようにする過程が大変でした。

LG：こうした困難はLLM特有の不確実性のせいでもあります。学習させることである回答をする確率を高めることはできますが、100%は保証できません。でも私たちはプロダクトとして100%近い完成度でリリースしなければならない。以前の開発は0か1でした、動くか動かないか。AIを導入すると、動くようにはできるんですが、品質との戦いが始まります。高い品質を保証するための方法論を探し続けるプロセスは、簡単ではありませんでした。

Part 4. 0と1の世界を超えて——品質のための戦い

あっという間に出来上がったように見えていましたが、思った以上に大きな挑戦だったんですね。その中で一番印象に残っている試行錯誤はありますか？

LG：ユーザーがそう感じてくれるなら、既存のDataspaceの機能をAIが充実してこなしてくれているということなので、よかったです。

私たちが目指したのは、サブエージェントの集合ではなく、リサーチ全工程をカバーする統合オーケストレーターの構築でした。ドメイン知識もプロダクトの使い方も知らなくても、ビジネス上の問い一つで十分な価値を得られるようにしたかった。そのためには基盤作りから大量の仕事がありました。Opensurveyが持つ「データ検索」「アンケート生成」「データ収集」「データ分析」「レポート作成」などの機能を、LLMが理解して活用できるツール（MCP）の形に再定義して構築し直す必要がありました。AIサービスの保守・運営方法も白紙から確立しなければならず、チーム全体が技術スタディと実験を並行して走らせながら答えを探していきました。

ユン：そうですね。Dataspaceは一般的なアドバイスを与えるチャットボットではなく、ユーザーの重要なビジネス上の意思決定を支えるプロダクトです。タスクを実行するだけでなく、専門家が直接行うレベルの産出物を保証しなければならない。そのために評価システムとパイプラインを構築し、イテレーションを回して品質を高め続けることがすべて重要でした。

この過程で、品質の問題を診断するのが本当に大変でした。結果が満足いかないとき、原因が検索ツールなのか、変数抽出なのか、LLMの解釈なのか、見るべき場所がたくさんあって。「サブエージェント方式に切り替えるべきか」「このツールは本当に必要か、いっそ外すか」と何度も悩みましたが、「リサーチを知らなくても、ビジネス上の問いだけで専門家レベルのインサイトを出すAI」を作るという目標は妥協しませんでした。チームで優先順位をつけて、粘り強く問題をひとつひとつ潰しながら安定させていきました。

ミッキー：統合オーケストレーターがユーザーの意図を正確に理解し、すべきことと使うツールの順序を定義し、エラーなく実行するようにする過程自体が、大きなエンジニアリングチャレンジでした。特に開発初期、モデルが予想外のバグを出し続けたときが一番つらかった。あるとき内部テストで、LLMの確率的な単語予測の原理から、プロンプト全文が画面にそのまま表示される事態が起きました。メインLLMへの過負荷で内部システムのフィールド名が露出したこともあります。

こうした試行錯誤を経て、「重要な制御は予測不能なLLMに指示するのではなく、システムコードで保護幕を張る」という答えを出し、現在のコンパウンドAIシステム***を作りました。制約・検証・セキュリティなど重要な領域はシステムコードが確実に抑え、LLMはインサイトを自由に記述する領域に集中する。そうすることでAIのメリットを享受しながら、品質も同時に確保できるようになりました。

***コンパウンドAIシステム（Compound AI System）：単一のLLMにすべての業務を依存するのではなく、検証コード・セキュリティ機構・内部システムなど複数のソフトウェアコンポーネントを組み合わせて複雑なタスクを処理する統合的な構造。

今の時点で、プロダクト開発チームが最も注力していることは何ですか？

ユン：今年下半期のDataspaceで最も重要なポイントは「合成消費者」です。合成ペルソナインタビュー機能と、合成パネル基盤のコンセプトスタジオ機能がリリースされています。これらの機能をさらに高度化していく予定です。Dataspaceのユーザーは今後、AIをリサーチャーや分析家として活用するだけでなく、仮想の消費者と直接対話しながら実務アイデアを鋭く磨いていける新しい体験ができるようになります。

LG：エンジニアリング面では、新機能を単純に実装するフェーズを越えて、品質改善、APIコストの削減、運営の安定性確保に集中していきます。

ミッキー：品質改善が最も重要なポイントです。もうできないことはほとんどありません。このプラットフォームでできることの大部分をAIエージェントもできるようになりましたが、まだすっきりこなせない部分はけっこうあります。Dataspace AIがより良く動けるよう、品質を改善し続けていく予定です。

Dataspace AIは今もこの瞬間も進化し続けています。AIの回答と産出物の品質を精緻に高め、合成消費者機能をさらに深化させ、より多くの人がデータで意思決定できる環境を作り続けています。リサーチを知るAIと共に、新しいリサーチの体験をDataspaceで直接確かめてください。