Looker出身の3人がOmniでBIを作り直す、評価額は4年で$1.5B

Omniはセマンティック層をアーキテクチャの中心に置いたAI分析・BI platformだ。

dashboard・SQL・spreadsheet・自然言語queryを同じ意味定義の上で動かし、AIにも同じ権限と定義を適用する。出典

評価額15億ドル。

2026年4月、ICONIQがleadするSeries Cで1.2億ドルを調達した時点で、創業4年目のOmniはBI市場で最も注目される新興企業の1つになった。

CEOのColin Zimaは、AIはanalyticsを置き換えるのではなく広げるものだと宣言し、dashboardやspreadsheetが消えるのではなく、誰もが即座に回答を得る世界へ広がると説明した。出典

Lookerの現場で10年学んだ3人

出発点は2022年3月。

Snowflake公式blogは、co-founderのColin Zima、Jamie Davidson、Christopher Merrickの3人が、LookerやStitchなどデータ製品の構築に10年携わってきたと紹介している。

Zima本人はLookerの経験を振り返り、「At Looker, we got a little lucky on timing」と述べたうえで、governanceを強めた代償として自由と速度が失われたことは、その経験からこそ語れる内容になっている。出典

創業の動機は明確だ。

「We started Omni to build a data platform anyone could use and trust」と、誰もが使えて信頼できる共通data基盤の再構築が目的だと書き残している。出典

谷: bugだらけの初期商談

「It was one of those moments where we had to reflect and ask, Why did we lose these? The answer: too many bugs. We stopped everything, fixed it, and won every trial in the next wave」とColin Zimaは語っている。初期の取引をbugだらけの状態で失い、全員で修正に集中した末、次のwaveのtrialでは全件受注できた。出典

1周年ではプライベートbetaを終了し、commercial公開に移行した。出典

峰: 戦略出資と成長

2024年3月、Theory Venturesから2000万ドルの追加出資を受け、元Looker CROのLambert Billetがboardに参画した。出典

2024年5月、Snowflake Venturesが出資した。

Tarik DwiekはOmniとSnowflakeの組み合わせがself-service analyticsに向いていると評価した。出典

2025年3月、ICONIQ GrowthがleadするSeries Bで6900万ドルを調達し、評価額6.5億ドルに達した。

収益は前年比8倍の成長。出典

2025年4月、Databricks Venturesが出資し、同portfolioで初のBI投資と公式に位置付けられた。出典

2025年10月、組込みanalyticsのExploを買収した。出典

2026年4月、ICONIQのleadでSeries Cとして1.2億ドルを調達し、評価額15億ドルに到達した。

従業員に3000万ドルのtender offerを含み、ARRは前年比で4倍になった。出典

2026年8月、ISO/IEC 27001認証を取得した。出典

結び。まだ長い

Getting to 100 million isn't the end of the path anymore. You've got to sustain growth all the way to a billion nowというColin Zimaの発言には、この成長に止まるつもりのない意思表示が含まれる。出典

BIはAIの基盤を使って作り直される過程にある。

semantic layerを独自の設計思想から始め、これをAI時代の文脈で活かす道を標榜するOmniのこれからは、引き続き注目に値すると読める。

Omniが刺す痛みは、BI導入で速度とgovernanceが対立しやすい古典的な摩擦だ。

Colin ZimaはLookerの経験を振り返り、governanceを強めた代償として柔軟性と速度が失われる「over-corrected」に陥ったと書いている。出典

新しい摩擦はAI側にある。

自然言語からSQLを作らせても、社内固有の売上や顧客の定義を理解しないAIは信じがたい数字を出す。

AIがビジネスを理解しない限り推測は信用できないと同社は説明する。出典

semantic layerを中心に置き、AIの問いに社内定義と権限を適用して信頼できる返答にする設計は、この二つの痛みに一度に対応する。

その結果が2026年4月時点でARR前年比4倍の成長として現れている。出典

最大の障壁は、semantic layerが使うほど価値を積み上げる構造だ。

Checkrのanalytics engineerは、より多くの人とAIツールが依存するほど知識の蓄積が複利になると説明している。出典

加えて、LookerとStitchに10年間関わった3co-foundersの経験と人材は、新規参入者が短期間で複製しにくい経営資源だ。

一方でdashboardやAIの表層は模倣しやすく、複製を難しくするのは文脈の蓄積だと読める。出典

チーム内のネットワーク効果は中程度に強い。

同じ指標定義とdashboardを複数人が使うため、使い手が増えるほど定義と用途が蓄積される。出典

一方、SNSのような外部ネットワーク効果は弱い。

ただしMCPや外部AIプラットフォーム経由で使い手が増えると、semantic layerが外部から参照される柔らかいecosystem効果が生じる可能性はあると読める。

midmarketからenterpriseのdata・AIチームが中心で、複数部門がKPIを共有する組織と、analyticsをproduct内に組み込みたいSaaS運用チームが主要ターゲットだ。出典

一方で、Excelとdashboardだけで完結する小規模な現場には、demo前提の営業構造という壁があるため、市場下層の受け皿になりにくいと読める。

第一に、LookerとStitchを10年以上直接作った3co-foundersによる再挑戦である。

ドメイン知識の深さが初期の製品設計と顧客理解の速さにつながった。出典

第二に、週次で開発状況を公開する文化だ。

Series Bの時点で700件超の週次デモ動画が公開されており、ship cultureが信頼構築になっている。出典

第三に、dashboard・SQL・spreadsheet・自然言語を1つの意味定義の上で統合した設計で、BIとAIを一体で届けられる構造を作った。出典

初期の失敗は自ら語られている。

Colin Zimaは初期の取引を落とした原因をtoo many bugsと振り返り、全作業を止めて修正し、次のwaveのtrialでは全件受注できたと語っている。出典

現在の不確実性は2点ある。

ARRの絶対値と価格が非公開で、成長率が速い反面、外部の情報からbusiness modelの健全性を検証しにくい構造だ。

価格非公開はdemo前提のenterprise saleを示唆し、self-serveの入り口の弱さがリスクになる。出典

さらに、MicrosoftやTableauなど大手もAI機能をBIに統合しており、enterprise既存のリレーションを持つ競合との競争は今後さらに厳しくなる可能性がある。

この競争環境には正解がなく、その不相応性が未確定リスクとして残る。

チャネルは3層だ。

第一に、週次で開発状況を公開し続ける文化を起点にしたコンテンツとコミュニティ型の営業である。出典

第二に、SnowflakeとDatabricksとの戦略パートナーシップだ。

SnowflakeはNative App版をMarketplaceに提供する計画を公式blogで明示し、Databricks Venturesは同portfolioで初のBI投資として位置付けている。出典

出典2

第三に、MCP serverやClaude・ChatGPT連携など、外部AI経由でもsemantic layerに接続できる構造を整え、AIの分析需要を自社定義に集約しようとしている。出典

主要チャネル: community, content, partners

成功したカテゴリを、その構築経験を持つ当事者が作り直すことは、実証済みの再開戦略だ。

OmniはLookerを直接作った3人が作り直し、初期の顧客の信頼を前倒しで獲得している。出典

また、週次で開発状況を公開し続けるship cultureは、SaaSの信頼を作る手段の1つと読める。

実装と共に得る知見を公開する方法は、日本の開発チームにも輸入可能だ。出典

日本企業では、営業・マーケ・経理の各部門がそれぞれの売上定義を持ち、後から突合して矛盾が起きる摩擦が常態化しやすい。

Omniのsemantic layerは、メトリックを監査可能な定義文書として共通化する使い方を可能にする。

日本のB2B SaaSでは、データ活用を監査可能な定義の整備として説明できるBI toolがまだ希少だ。

権限とaudit視点を説明できるsemantic layerは、この未充足への適応になる一手だと考える。出典