Grab、AI エージェントで分析業務の機械的作業を44%から30%に削減
本文の状態
日本語全文を表示中
詳細モードで約4分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
InfoQ AI/ML
Grab は AI エージェントの導入により、アナリストが担当する機械的なチケット処理の割合を 2026 年 2 月の 44% から同年 6 月の 30% に引き下げた。
AI深層分析を開く2026年8月17日 23:22
AI深層分析
キーポイント
機械的作業比率の劇的削減
Grab は AI エージェントの導入により、アナリストが担当する機械的なチケット処理の割合を 2026 年 2 月の 44% から同年 6 月の 30% に引き下げた。
5 レベル自律性モデルの実装
同社はデータ発見から結果検証までをエージェントが行うレベル 3、ワークフローの計画・調整を行うレベル 4、そして最終的な責任と判断は人間が保持するレベル 5 の枠組みを採用している。
Spartan システムによる自然言語対応
Grab の「Spartan」システムは Slack 経由の自然言語クエリに対応し、50 以上のスキルと 120 の分析フレームワークを使用して、適切なワークフローへリクエストをルーティングする。
信頼性向上のためのデータ基盤整備
エージェントが正確な結果を生み出すために、Grab は 5,000 件以上の認証済みテーブル、4,000 件の文脈ドキュメント、2,000 件のゴールデンレコードを維持している。
信頼性の高い分析結果のためのデータ基盤整備
Grab は5,000以上の認証済みテーブルやメトリクス、4,000の文書を維持し、ContextIQシステムでインストルメンテーションの変更に応じてコンテキストをライフサイクルとして更新している。
重要な引用
The harder question is what an analyst does when an agent handles the data preparation, the analysis, and everything else.
Grab retains human accountability for metric definitions, causal interpretation, business assumptions, and final decisions.
Scarlet, for example, handles pipeline failures by performing root cause analysis and can fix failures or escalate them when predefined gates or documented runbooks do not cover the problem.
Grab reports that this shift reduced analysts’ mechanical workload, allowing more focus on self-service workflows and deeper analysis.
編集コメントを表示
編集コメント
Grab の事例は、AI エージェントが単なる効率化ツールではなく、アナリストの役割そのものを再定義する転換点となっていることを示唆している。人間が最終的な責任と判断を保持しつつ、エージェントに専門的な作業を委譲するハイブリッドモデルの実践例として注目される。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
Grab は AI エージェントを活用して分析ワークフローの自動化を進め、アナリストが担当する定型業務の割合を削減するとともに、ビジネス上の質問への回答時間を短縮しています。同社によると、2 月の 44% から 6 月には 30% に低下し、データ準備やアラート通知、レポート作成といったタスクが含まれています。
このアプローチは、分析ワークフローのどこまでをエージェントが担当し、人間がどの程度関与するかを定義する「5 レベル自律モデル」に基づいています。レベル 3 では、人間が問いを設定して結果を検証し、エージェントがデータの探索、クエリの作成と実行、結果の検証、分析ドラフトの作成を行います。レベル 4 では、エージェントがワークフローの計画と調整を行い、人間は定義されたチェックポイントを確認します。レベル 5 はエンドツーエンドの完全自律を意味し、人間は目標や品質基準、エスカレーションルールを設定します。Grab では、指標の定義、因果関係の解釈、ビジネス上の前提条件、最終的な意思決定については人間の責任を維持しています。
Grab のアナリティクス部門を率いる Maanas Prabhakar 氏は、LinkedIn で「AI が Grab の分析業務にどう変革をもたらしているか」という投稿の中で、分析担当者の役割の変化について言及しました。
「より難しいのは、データ準備や分析、そしてその他の作業をエージェントが担うようになった時、分析担当者が何をすべきかという問いです。」
Grab が開発した「Spartan」システムは、このモデルを実践し、Slack 経由で提出された質問を含む自然言語による分析リクエストに応えています。同システムは 50 以上のスキルと 120 の分析フレームワークを活用して、リクエストを専門的なワークフローへルーティングします。
根本原因の特定を求める質問には、認定メトリクスや関連する次元にわたる分析がトリガーされます。一方、実験に関する質問であれば、データレイクへの問い合わせを行うのではなく、既存のスコアカードを即座に取得できます。
同社は、AI エージェントが信頼性の高い結果を生成するために必要なデータコンテキストの整備にも注力しています。Grab では、5,000 件以上の認証済みテーブルとメトリクス、4,000 件の文書、2,000 件のゴールデンレコードを保持しており、これらを ContextIQ システムがライフサイクルとして扱っています。計測ツールの改変に応じてコンテキストを更新し、本番環境でのエージェント失敗から特定された修正事項も取り込む仕組みです。
Grab はまた、分析運用にも AI エージェントを活用しています。例えば Scarlet はパイプラインの障害発生時に根本原因分析を行い、事前に定義されたゲートやドキュメント化されたランブックで対応できない場合、障害の修復またはエスカレーションを自動で行います。
定期的な分析業務では、Grab がエージェントを活用してメトリクスや OKR の解説を自動化しています。重要な変動を検知し、国別・セグメント別に内訳を分解するとともに、運用上の改変や実験結果との相関関係を分析します。また、分析ワークフローの開発をサポートする BriX ポータルの利用は 9 月以降、10 倍以上に急増しました。チームによると、今年上半期には本番環境へのデプロイが 31 回、マージリクエストが 283 件、新機能の実装が 60 件行われました。
3 月から 5 月の間に、分析チームの介入なしで回答されたセルフサービス分析の割合が大幅に向上しました。メトリクスリクエストでは 53% から 67% に、データ抽出では 63% から 90% に、SQL リクエストでは 50% から 81% へと増加しています。スレッドの約 4 分の 3 は分析チーム外から発生しており、85% のリクエストが初回応答まで 1 分以内で完了しました。
Grab によると、この変化によりアナリストの機械的な作業負担が軽減され、セルフサービスワークフローやより深い分析に注力できるようになったとしています。
原文を表示
Grab is using AI agents to automate analytics workflows, reducing the share of routine work handled by analysts and shortening the time required to answer business questions. The company reports that the share of mechanical tickets handled by analysts fell from 44% in February to 30% in June, covering tasks such as data preparation, alerting, and reporting.
The approach is based on a five-level autonomy model that defines how much of an analytics workflow an agent can own while retaining human oversight. At Level 3, humans frame the question and review the result while agents discover data, write and execute queries, validate results, and draft analysis. At Level 4, agents can plan and orchestrate workflows while humans review defined gates. Level 5 represents end-to-end autonomy, with humans setting objectives, quality thresholds, and escalation rules. Grab retains human accountability for metric definitions, causal interpretation, business assumptions, and final decisions.
Maanas Prabhakar, who leads analytics at Grab, highlighted the changing role of analysts in aLinkedIn post:
The harder question is what an analyst does when an agent handles the data preparation, the analysis, and everything else.
Grab’s Spartan system applies this model to natural language analytics requests, including questions submitted through Slack. The system uses more than 50 skills and 120 analysis frameworks to route requests to specialized workflows. A root cause question can trigger analysis across certified metrics and relevant dimensions, while an experiment question can retrieve an existing scorecard rather than querying the data lake.
The company has also invested in the data context required for agents to produce reliable results. Grab maintains more than 5,000 certified tables and metrics, 4,000 context documents, and 2,000 golden records. Its ContextIQ system treats this information as a lifecycle, updating context as instrumentation changes and incorporating fixes identified from production agent failures.
Grab also uses AI agents for analytics operations. Scarlet, for example, handles pipeline failures by performing root cause analysis and can fix failures or escalate them when predefined gates or documented runbooks do not cover the problem.
For recurring analytics, Grab uses agents to automate metric and OKR commentary, assessing significant movements, breaking them down across countries and segments, and correlating them with operational changes and experiments. Its BriX portal supports analytics workflow development, with usage growing more than tenfold since September. The team reported 31 production deployments, 283 merge requests, and 60 features during the first half of the year.
Between March and May, self-service analytics answered without human involvement increased from 53% to 67% for metric requests, 63% to 90% for data pulls, and 50% to 81% for SQL requests. About three-quarters of threads originated outside the analytics team, while 85% received a first response within a minute. Grab reports that this shift reduced analysts’ mechanical workload, allowing more focus on self-service workflows and deeper analysis.
About the Author
Leela Kumili
Leela is a Lead Software Engineer at Starbucks with deep expertise in building scalable, cloud-native systems and distributed platforms. She drives architecture, delivery, and operational excellence across the Rewards Platform, leading efforts to modernize systems, improve scalability, and enhance reliability.
In addition to her technical leadership, Leela serves as an AI Champion for the organization, identifying opportunities to improve developer productivity and workflows using LLM-based tools and establishing best practices for AI adoption. She is passionate about building production-ready systems, enhancing developer experience, and mentoring engineers to grow in both technical and strategic impact. Her interests include platform engineering, distributed systems, developer productivity, and bridging technical solutions with business and product goals.
Show moreShow less
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み