Sigma、warehouseの中でBIをAI Appsとagentsへ変えた転換

Sigma Computingは、データwarehouseを導入した企業に残る「データはあるのに、答えを出すたびにSQL依頼が必要」という溝から始まった。

Rob WoollenとJason Frantzは共同創業者として、spreadsheetに近い操作とwarehouse内の計算を一つの製品へ寄せた。出典

初期の賭けは、データを別の場所へ抽出して見せるのではなく、SnowflakeやBigQueryなど既存のcloud data warehouseをそのまま実行場所にすることだった。

Sigmaの説明では、filters、group-bys、pivots、formulasをwarehouseのSQLへcompileし、必要に応じてbrowser・cache・warehouseを使い分ける。出典

この設計は、business userの使いやすさとdata teamのgovernanceを同時に求める企業には合理的だった。

一方で、warehouseの権限やデータモデルを整えなければ価値が出にくい。

つまりSigmaは、BIを簡単にすることで、データ基盤の準備不足も可視化する製品だった。

転機はdashboardの先へ進んだことだ。

2026年には、顧客が作ったAI apps 6,000以上、構築する組織1,900以上を掲げ、AI Apps、writeback、agentsを前面に出している。出典

さらにSigma CLI、Workbooks as Code、Sigma Skills、ChatGPT WorkとCodex向けpluginへ広げた。

SigmaのCEOとして掲載されるMike Palmerの現在の経営体制のもと、製品は「見るためのBI」から「governed dataでアプリを動かすruntime」へ変わりつつある。出典

この道のりから読めるのは、AIを後付けのchat interfaceにせず、既存のpermissions・metrics・workbooksの上に置くという選択だ。

Sigmaが今後も伸びるかは、AIの派手さより、企業が安心して業務の書き戻しまで任せられるかで決まると言える。

SigmaのPMFは、cloud warehouseを導入した企業の「データはあるが、意思決定者がSQLを書けない」という摩擦にある。

spreadsheetに近いUIで入口を広げながら、処理をwarehouse内で実行し、権限・lineage・監査を既存の境界に残す。出典

単なるdashboardではなく、writebackやAI Appsまで同じデータ上で扱えるため、分析結果を業務アクションへ渡す段差を小さくできる。

顧客事例の広がりはこの仮説と整合するが、公開資料だけでは顧客あたりの定着率は要確認。出典

堀はデータそのものではなく、warehouseの権限・SQL compilation・workbook・業務アプリを一つの運用モデルで結ぶことにある。

顧客のsemantic model、permissions、workbookが蓄積するほど、単純なdashboard製品への移行コストは上がる。

ただし既存warehouseが前提なので、platform lock-inとの表裏一体でもある。出典

直接のnetwork effectは弱い。

利用者が増えても同じ顧客内のデータ品質が自動改善するわけではない。

一方、workbook・AI Apps・テンプレートを共有する組織内では、利用者と用途の増加が再利用を生むworkflow効果がある。出典

主対象はSnowflake、BigQuery、Redshift、Databricksなどを運用し、finance・sales・operationsへself-service analyticsを広げたい中堅〜大企業。

data teamにはgovernanceとSQL可視性、business userにはspreadsheetに近い操作性を提供する。

warehouseをまだ持たない小規模チームには過剰になりやすい。出典

第一に、spreadsheetの操作感とSQLの実行基盤を接続し、business userとdata teamの言語差を吸収したこと。出典

第二に、抽出コピーではなくwarehouse-nativeを選び、governanceを後付けの管理画面にしなかったこと。

第三に、AI Apps・CLI・MCP・coding agentへ拡張し、BIを閲覧から実行へ広げたこと。出典

最大のリスクは、warehouse-nativeの価値が導入済みのデータ基盤を前提にする点だ。

小規模企業やwarehouse未整備のチームには、接続・権限設計の初期コストが重くなり得る。出典

また、AI Appsとagentsは公開資料でも一部betaや開発中の機能を含む。

AIの回答品質、権限設定、従量的なwarehouseコストを運用で検証し続ける必要がある。出典

コンテンツ、customer stories、events、free trialで分析担当者の入口を作り、enterpriseのgovernance要件で拡大する戦略と読める。

直近はAI Apps、CLI、MCP、ChatGPT pluginを追加し、browser内BIから既存workflowの実行基盤へ接点を増やしている。出典

ただし機能面の拡張は、単一の強い用途よりplatformの説明が難しくなるトレードオフも持つ。

主要チャネル: content, customer_stories, events, product_led_trial, developer_ecosystem

BIの差別化をchart種類の競争に限定せず、データが意思決定に変わる最後の一歩まで設計することが示唆される。

Sigmaはspreadsheet、SQL、AI、writebackを同じwarehouse境界でつなぐことで、分析と業務アプリの間を狙う。出典

一方で、platform化するほど権限・コスト・責任範囲が増える。

便利さだけでなく、どこで計算し、誰が変更し、いくらかかるかを最初から可視化する必要がある。

日本企業ではExcelが意思決定の現場に残る一方、データ基盤と権限管理が部門ごとに分かれやすい。

Sigma型の導入はExcelを一気に捨てるより、慣れた操作感を残しつつwarehouse側へ定義と監査を戻す段階移行として検討しやすい。

ただし日本語UI、国内リージョン、個人情報・業界規制、導入支援体制、料金体系は公開資料だけでは要確認。