【re:Inent 2025】Amazon's journey deploying Quick Suite across thousands of users (BIZ203) 参加レポート

はじめに

エンタープライズクラウド本部の小林です。

AWS re:Invent 2025で開催されたセッション「Amazon's journey deploying Quick Suite across thousands of users (BIZ203)」にあった Amazon 社内における「Quick Suite」展開の舞台裏を整理します。

これから Quick Suite を展開していくにあたっての知見や、サイロ化したデータ・乱立するダッシュボードをまとめチャットによる受け答えを可能とするためのAI活用などが盛り込まれていましたので、ぜひご参考ください。

※ 発表資料が公開されたら、後ほどリンクを追加します。

現在の課題と Amazon Quick Suite のビジョン

職場の変革を推進する3つの力:

現在、職場に変革をもたらしている主な要因は3つ存在する。

AIエージェントの台頭
AIエージェントを導入した企業では、生産性が 33% 向上している
意思決定の加速へのニーズ
2028年までに、日々の業務上の意思決定の 15% が、AIエージェントを通じて自律的に行われるようになる
高まるプレッシャーと競争
AIを使用していない労働者と比較して、AIを使用する労働者はパフォーマンスとスピードが 40% 向上している

現状の課題:

従業員もこれを感じているが「AIコンシューマーギャップ」（と呼ばれるギャップ）が存在。

従業員はAI体験を日々の業務に取り入れたい
一方で企業側は、セキュリティ、信頼性などを確保した環境を持ちたい

この環境下では以下の課題が存在する。

CRM、分析ツール、ドキュメントなどからデータを引き出す必要がある
ツールの多くは、独自のエージェント環境を持っている
アプリ間の切り替え（コンテキストスイッチ）によって 月に40時間以上 が浪費されている

Amazon Quick Suiteのビジョン:

「Agentic Teammates（自律型AIチームメイト）」が従業員と並走すること
- 職場で質問に素早く答える
- その答えを行動に変える手助けをする

Amazon Quick Suite の製品構成

Quick Suiteは以下の主要機能とアーキテクチャで構成されている。

主な機能:

Chat Agents: 自然言語での会話
Quick Research: 詳細な分析と包括的なレポート作成
QuickSight: ビジネスインテリジェンスと構造化データの可視化
Quick Flows: 定義されたステップで反復タスクを自動化するノーコードワークフロー
Quick Automate: 複雑なマルチステップのワークフロー自動化

アーキテクチャ:

Enterprise Data: Quick Suiteは、すべてのデータソース（ナレッジベース、ユーザーがアップロードしたファイル、QuickSightからの構造化データ）を集約
Actions: 集約したデータをファーストパーティおよびサードパーティ製アプリのアクション実行と組み合わせる
World Knowledge: さらに Bedrock モデルやウェブ検索で補強
Spaces: Enterprise Data と Actions を包含。トップダウンの厳格な企業構造ではなく、チームごとの環境を作り上げ、ミッションに関連する特定のデータソースに接続
Governance, Data Security：上記すべてが、Enterprise レベルのセキュリティとガードレールに含まれる

Amazon社内展開における課題と対応

Amazonも他のすべての企業と同様に、AIエージェントの展開（Rolling Out）において課題を抱えている

AIの試験導入の 88% は、本番運用にたどり着けずに失敗
経営層（C-suite）の 72% が、自社がAIを採用する際に少なくとも1つの課題に直面したと回答

直面した4つの課題

Broad implementation: 様々な職種・役割、役職、そしてAIへの習熟度に対応する必要があった（広範囲な実装・導入）
Security & Legal: AIエージェントという技術が新しく、ベストプラクティスが不足しているため、セキュリティや法的なガードレールが必要であった
Disparate Data: 各事業部門が、それぞれでミッションクリティカルなデータソースや、好みのアプリケーションを持っていた（データのサイロ化）
Change Management: 単にツールを導入するだけでなく、従業員の行動を変えること、働き方そのものを変革する必要があった

対応の詳細

データの統合 (Data Unification):
- 社内にはデータがバラバラに存在しており（サイロ化）、それらを統合する必要があった
- 15の主要プロダクト（プロジェクト管理、ドキュメントコラボレーションなど）を優先し、Quick Suiteに接続
  - これにより従業員が日常的に使う重要なデータにすぐにアクセスできるようにした
- 質の悪いデータが混ざらないよう、信頼できる情報源（ナレッジベース）を整理・作成
  - AIが正確な回答をするために不可欠
セキュリティ (Security):
- 顧客からの信頼は安全な内部ツールに依存しており、Amazonの厳格なセキュリティ基準を満たす必要がある
- アーキテクチャレビュー、脅威モデリング、包括的なペネトレーションテストを実施した
プライバシー (Privacy):
- グローバル企業として、私たちは多くの国の労働評議会（Works Councils）と協力して進める必要があった
- Agentic AIと標準的なLLMの違いについて彼らを教育する必要があった
- Spaces内のデータは元のソースの権限を継承するため、単に全員が閲覧可能になるわけではないことを明確にした
スケーラビリティ (Scalability):
- 組織として大規模に浸透させるための施策を実施
- ポリシーの更新: 全社的なコンプライアンス遵守のために、「AI責任ポリシー（AI responsibility policy）」を更新
- ペルソナ別の戦略: ユーザーの役割（ペルソナ）ごとの「悩みの種（pain points）」をマップ化し、AIがどう役立つかを明確にした
- 多角的なローンチ計画:
  - Quick Suiteブラウザ拡張機能とM365アドインを自動インストール
  - 「Training Snacks」と呼ばれる短い動画や社内Wikiを立ち上げた
  - Slackチャンネルでの相互サポート体制を確立
  - 「Voice of the Customer」によるフィードバックループを確立

最も効果が高かったユースケース

プログラムマネージャーステータスレポート

毎週のステータスレポート作成（進捗報告）は、プログラムマネージャーにとって「巨大な時間の浪費」であった
Quick Suiteを使ってデータソースを接続し、「Quick Flows」で自動化
組織全体として毎週数百時間もの時間を節約
AIが重複作業やリスクを発見することで、業務の質も向上（単なる効率化を超えた「Force Multiplier」として機能）

営業組織での活用

抱えていた問題: Problem of plenty（多すぎるがゆえの問題）

データのサイロ化と、乱立するダッシュボード
- チームはビジネスの本質的な問い（「Why（なぜ）」）よりも、単なるKPIに過度に注目
- ビジネスレビューは苦痛で、大量のデータがあるのに文脈が欠けていた

解決策: The Three-Tier Intelligence Framework（3層インテリジェンスフレームワーク）

この問題を解決するために、3つの層からなる分析の枠組みを定義

Descriptive Analytics: 何が起きているか？（従来のBIダッシュボード）
Diagnostic Analytics: なぜ、どこで起きているか？（根本原因の特定）
Prescriptive Analytics: どう行動すべきか？（AIによる推奨アクション）

解決策の具体化

Quick Suite の上に「従来のBI（QuickSight）」と「対話型AI（Quick Suite）」を融合させたシステムを構築

Book of Insights
- 本のような直感的なアーキテクチャを採用
- 各章が機能（収益、パイプラインなど）を表す本をイメージ
- 既存の断片化した QuickSight ダッシュボードを集約・埋め込み
「Descriptive（何が起きているか）」は埋め込まれたQuickSight（グラフなど）で確認
「Diagnostic（なぜ）」「Prescriptive（どうすべきか）」は、Chat Agents を通じて対話形式で深掘り

アーキテクチャ

The Foundation（基盤層）
- 最初にAIが理解できる形にデータの「下準備」を行い、信頼できる情報源を作成（構造化データと非構造化データの両方を取り込む）
- Data Preparation: データをそのまま使うのではなく、「Templates（テンプレート）」や「Business Doc Generator」を通して、AIが読み取りやすい形式に変換・加工
- Orchestration: データ処理のオーケストレーション（Lambda等）を経て、「AWS Insights Knowledge Base」に格納
The Enrichment（強化層）
- 単なるデータではなく、ビジネスの文脈（ドメイン知識）を付与
- 「AWS Insights Knowledge Base」上のデータに「Marketing」「Sales」「Finance」といった部門ごとの文脈やロジックを付与・蓄積
The Intelligence（知能層）
- 「何が起きたか（What）」だけでなく「どうするか（How）」へ移行するための層
- 経営層（Executive）、営業（Sales）、財務（Finance）などのユーザーが、Quick Agent 経由で自然言語で質問（Questions）を投げかける
- ユーザーの質問に対し、「Quick Agent」が「Knowledge Base」を参照して、文脈に応じた回答（Answers）を返す
  - 従来のダッシュボードは決まったものしか出てこない「自動販売機」
  - ここでのAgentは、ナレッジベースという材料を使って注文通りの料理を作る「シェフ」の役割
The Security（セキュリティ層）
- エンタープライズ利用に不可欠な、厳格なセキュリティとアクション機能を追加。ユーザーの役割（ロール）に基づいてデータを守る
- データベース（DB）接続時に行レベルのセキュリティを適用し、ユーザーが権限のないデータを見られないように制御
The Ecosystem（エコシステム層）
- AIが単に答えるだけでなく、システムに対してアクションを実行
- システム間の翻訳や連携に「Quick Actions」を使用
- 「AWS Insights MCP Servers」を通じて自チーム以外のツールやエージェントとも連携

Quick Suite との接続方法

Quick Knowledge Base（ナレッジベース接続）
- 仕組み: Quick Suiteの標準的な統合機能を使い、インデックス化されたデータから直接回答を検索・取得
- 用途: 実験・検証や、一般的な質問への回答
Tools as MCP Server（ツールとしてのMCP接続）
- 仕組み: 特定のビジネスロジックやツールを「MCPエンドポイント」として公開。Quick Suiteのエージェントが必要に応じて呼び出せるようにしている
- 用途: タスク自動化や、エージェントが「計算する」「特定のデータを照会する」といった具体的なアクションを実行する場合に使用
Full Agent via MCP（フルエージェント接続）
- 仕組み: このシステム全体を一つの大きな「エージェント」としてMCP経由で登録。推論の制御権をフルに持ち、複雑なビジネス文脈に対応
- 用途: 単なるデータ返しではなく、診断など高度な分析に使用されます

AIエージェントを洗練させるために学んだ教訓

データの基礎が最優先:
エージェントの質はデータの質で決まる。LLMの計算ではなく、構造化データを通じて正確性を優先する。ゴミデータからはゴミの回答しか生まれない（Garbage In, Garbage Out）
ペルソナベースのインテリジェンス:
ユーザーの意図を理解するエージェントを構築する。同じ「売上はどう？」という質問でも、経営層なら「戦略的な概要（全体感）」を求め、現場のセールスマネージャーなら「詳細な取引分析」が求められる。相手（ペルソナ）に合わせて回答の粒度を変える必要がある
インテリジェンス・コンテキスト管理:
正しい情報はすべての情報に勝る（Right information beats all information）。AIに全てのデータを投げ込むのではなく、必要な文脈だけを精査して渡すことが重要。情報の「量」よりも「精度」を重視することで、ハルシネーション（嘘の回答）を減らせる。
エージェント品質評価:
デプロイ前にAIのエラーを見つける。ハルシネーション（嘘の回答）が顧客に届く前に防ぐため、厳格なガードレールと評価フレームワークを構築する必要がある。品質管理なしのリリースはリスクが高すぎる。

その他の社内ユースケース

Amazonでは、バックオフィスから営業現場まで、様々な部門で「Agentic AI（自律型AI）」が実戦投入されている。

AWS Finance Team: 取引ポートフォリオ管理

課題: 以前は、接続されていない複数のソースから手動でデータを追跡しており、1つの取引（Deal）の分析に4時間以上かかっていた。
解決策: プロアクティブなアラートを備えた自動インテリジェンスプラットフォーム。
成果:
- 分析時間を4時間から数分に短縮。
- 500以上の取引をリアルタイムで継続的に監視可能に。
- リスクのある取引を早期に特定し、収益化を加速。

Worldwide Specialist Team: 営業スペシャリスト向けAIエージェントアシスタント

課題: コンテンツが断片化しており、顧客向け資料や会議準備の作成に多大な手作業が必要だった
解決策: 統一したデータメッシュとMCP標準を用いたエージェントワークフローを構築。プレゼンテーション生成機能を実装
成果:
- 顧客向け資料の作成時間を90%削減（週に10時間以上の節約）
- チャットへのエンゲージメント率は75%に達した。

Supply Chain by Amazon: ファイナンスエージェント

課題: 6つのサプライチェーン企業を統合する過程で、レポートやデータが分断、事後対応（リアクティブ）にならざるを得なかった
解決策: 戦略的財務データ（P&Lや運用指標）をQuick SuiteのSpacesに集約し、組織の文脈を学習させた「Finance Agent」を導入。
成果:
- エージェントによる下書き作成でタスクを加速
- 人員を増やさずに国際的な事業拡大に対応