BigQuery × MCPで生成AIから業務データを直接見る｜ChatGPTがSQLを書いて答える仕組み

「マーケが自然文で BigQuery に質問できる」が現実になった

BigQuery 周辺で、2025〜2026年に大きな変化が起きました。MCP（Model Context Protocol）と呼ばれる標準仕様の普及により、ChatGPT や Claude に自然文で質問するだけで、AIが SQL を書いて BigQuery から答えを返すことが現実的になったのです。

たとえば Slack で次のように聞けるようになりました。

• 「先月の有料広告経由のCV、業界別で分けて見せて」→ AIが SQL を組み立てて BigQuery で実行、結果を返す
• 「LTVが上位20%の顧客が、最初にサイトに来たキーワード上位10は？」→ AIが過去ログから集計
• 「製品Aの先月売上を、地域別 × 顧客セグメント別で出して」→ AIが多次元集計

これまで「マーケが SQL 書けない問題」を解くために Looker のダッシュボードを延々と作っていた工数が、大きく減らせる可能性があります。本記事では、この BigQuery × MCP の仕組み・導入方法・コスト・注意点を整理します。

MCP とは何か（簡潔に）

MCP（Model Context Protocol）は、生成AI（ChatGPT・Claude・Gemini など）が外部のデータソース・ツールに直接アクセスできる 標準仕様です。Anthropic（Claude を作っている会社）が2024年末に提唱し、その後各社が対応を進めています。

BigQuery 用の MCP サーバー（仲介プログラム）が公式・非公式問わず複数公開されており、これを使うと生成AIから BigQuery に SQL を実行させたり、テーブル構造を確認させたりできます。MCPの基本については MCPで生成AIを業務データに繋ぐ活用シナリオ を参照してください。

BigQuery × MCP で何ができるか

1. 自然文で集計クエリを実行

「先月のメルマガ経由の購入を、商品カテゴリ別で件数と金額」と聞くだけで、AIが BigQuery のテーブル構造を確認した上で SQL を組み立て、実行結果を返します。マーケがその場で数字を取れるようになります。

2. 仮説検証の高速化

「離反した顧客に共通する行動パターンはある？」のような 仮説の素早い検証が画面操作なしでできるようになります。データチームへの依頼待ちで止まっていた検証が、対話の中で進みます。

3. 経営ダッシュボードの「会話化」

BIツールのダッシュボードを開かなくても、Slackで「今月の経営KPIを先月と比較して教えて」と聞けば AIが BigQuery を見て答える。経営層がデータに辿り着く距離が大きく縮まります。

4. 複数データソースを横断した質問

BigQuery 上に GA4 + CRM + 受注データが集まっていれば、「広告クリックから商談化までの転換率を、業界別で出して」のような複数データを跨ぐ質問にも自然文で答えられるようになります。

典型的な構成

BigQuery × MCP の構成パターンとして、現在標準的なものを示します。

1. BigQuery 側: 業務データを集約済み。テーブル設計・命名規則がきれいに整っているほど、AIが理解しやすい
2. MCP サーバー: BigQuery と生成AIを繋ぐ仲介プログラム。BigQuery 用の MCP サーバーをセットアップ（数時間で構築可能）
3. 生成AI（クライアント）: Claude Desktop、ChatGPT のカスタム機能、Slack 連携の AI ボットなど。MCP に対応したクライアントから接続する
4. 権限・監査: 誰がどのテーブルにアクセスできるか、誰が何を質問したか、を記録・制御する層

導入に必要なもの

コストの目安

BigQuery × MCP を本番運用するときの月額コスト感です（中堅企業、利用者20〜50名想定）。

• 生成AI 利用料: 月3万〜15万円（質問の頻度・内容に応じて）
• BigQuery クエリ実行料: 月3万〜15万円（AIが投げるクエリの追加分）
• MCP サーバー運用: 自社運用なら数千円〜、SaaSなら月数万円
• 初期構築: 100万〜500万円（権限設計・テーブル設計整備・運用ガイドライン作成を含む）

合計で月10〜30万円程度。これに対して、データチームへの依頼工数削減・意思決定速度向上の価値があるかで判断します。

導入時の注意点（最重要）

1. 権限管理を最初から厳格に

MCP の最大のリスクは、生成AIが BigQuery に直接 SQL を実行できること。これは利便性と同時に重大なセキュリティリスクです。

• ユーザーごとに参照可能なデータセットを明確に分離
• 個人情報を含むテーブルは別データセットに隔離し、必要な人だけアクセス可能に
• 「DELETE」「DROP」のような書き込み・削除操作は MCP 経由では実行できないように制限
• 退職者のアクセス権を即時取り消す運用

2. AIの「もっともらしい嘘」への対策

AIが間違った SQL を書いて、間違った結果を返すことがあります。それをマーケが正しい数字として経営報告に使う、という事故が起きやすい構造です。

• AIの返答に必ず 実行した SQL を表示させる（人がチェックできるように）
• 「このクエリは過去2年分のうち、データ取り込みが完了している期間に対して実行しました」のような 前提条件も併記
• 重要な経営判断に使う数字は、人が SQL を確認するルールを設ける

3. クエリ料金の暴発防止

「とりあえず聞いてみよう」と軽い気持ちで投げる質問が、裏で大量データを読むSQLになって課金が暴発する事故もあります。

• ユーザーごとに1日のクエリ実行量上限を設定
• 1クエリあたりの読み込み容量上限を設定（例: 100GB以上は実行不可）
• 月額アラートを必ず設定

4. テーブル構造の整備が前提

AIは テーブル名・列名・コメントから意味を推測します。「t_001 のカラム c_a」のような無意味な名前だと、AIが正しい SQL を組めません。

• 意味のあるテーブル名・列名（マーケが読める日本語名やわかりやすい英語名）
• 各列に必ず説明コメントを付ける（例: 「CV発生のタイムスタンプ、JST」）
• 派生指標（LTV、RFM分類など）は計算済み列やビューとして用意しておく

整理されていない BigQuery に MCP を繋いでも、AIがまともに答えられません。導入前にテーブル整備が必要です。

段階的導入の推奨ステップ

1. テーブル整備（1〜2か月）: 主要テーブルに説明コメントを付ける。命名規則を統一
2. MCPサーバー構築・社内βテスト（1か月）: 5〜10名のデータ担当者で限定運用、品質と権限を検証
3. マーケ部門への展開（1〜2か月）: 業務部門に拡大、利用ガイドラインとSQLレビュー体制の整備
4. 経営層・他部署への展開: 最後に幅広く展開、必要に応じてダッシュボードと併用

「全社員がいきなり BigQuery に自然文質問できる」を最初から狙うと、セキュリティ事故と料金暴発の確率が高くなります。

BigQuery × MCP の現実的な評価

2026年5月時点では、技術的には実用フェーズに入っています。OSSの BigQuery MCP サーバーが複数公開されており、Claude Desktop からの利用は数時間で試せます。

一方、業務利用のハードルは テーブル整備と権限設計に集約されます。「やってみたいけどデータがぐちゃぐちゃで使い物にならない」という状態の企業が大多数で、ここの整備を含めて初期構築費用が積み上がります。

逆に言うと、BigQuery 周りのデータ整備が進んでいる企業ほど、MCP の恩恵を早く享受できます。GA4 を BigQuery にエクスポートしているレベルから始められるので、最初の試行は意外と低コストです。

まとめ

BigQuery × MCP は、「マーケが SQL 書けない問題」をAIで解く選択肢として、2026年時点で実用化フェーズに入りました。Slack で自然文質問するだけで業務データを取り出せる体験は、データ活用の景色を変える可能性があります。

ただし、テーブル整備・権限設計・監査・予算管理の前提が揃わないと、事故が起きやすい構造でもあります。「まず触ってみる」の段階から「業務に組み込む」段階への移行は、慎重に設計してください。

MCP の基本概念は MCPで生成AIを業務データに繋ぐ活用シナリオ、BigQuery の基本は BigQueryとは何か を参照してください。

Beekleにご相談ください

Beekleでは、生成AI／CDP／業務システムの企画・要件定義・開発・運用までワンストップで支援しています。「何を作れば成功か」の整理、検証フェーズの設計、本番化判断まで、発注側の判断材料が揃うように伴走します。費用感の概算だけでも歓迎です。

お問い合わせはこちら