# 411: Snowflake オブザーバビリティ部門GM ジェレミー・バートン――データ層はコモディティではなく、勝負の本丸だ

- 番組: [AI and the Future of Work: Artificial Intelligence in the Workplace, Business, Ethics, HR, and IT for AI Enthusiasts, Leaders and Academics](https://ai-curator.jp/podcasts/shows/cmv8ukqpq00077110tknpy1gf)（Dan Turchin）
- 元のタイトル: 411: Jeremy Burton, GM of Observability at Snowflake: The Data Layer Was Never a Commodity. It’s the Whole Game
- 配信日: 2026年10月26日
- 長さ: 44分
- 要約作成日: 2026年10月26日
- トピック: [#オブザーバビリティ](https://ai-curator.jp/topics/%E3%82%AA%E3%83%96%E3%82%B6%E3%83%BC%E3%83%90%E3%83%93%E3%83%AA%E3%83%86%E3%82%A3) [#Snowflake](https://ai-curator.jp/topics/Snowflake) [#データ基盤](https://ai-curator.jp/topics/%E3%83%87%E3%83%BC%E3%82%BF%E5%9F%BA%E7%9B%A4) [#LLM](https://ai-curator.jp/topics/LLM) [#AIエージェント](https://ai-curator.jp/topics/AI%E3%82%A8%E3%83%BC%E3%82%B8%E3%82%A7%E3%83%B3%E3%83%88) [#ナレッジグラフ](https://ai-curator.jp/topics/%E3%83%8A%E3%83%AC%E3%83%83%E3%82%B8%E3%82%B0%E3%83%A9%E3%83%95)
- URL: https://ai-curator.jp/podcasts/cmvpa57b800015q11x0uoo7a1

## 要約

Snowflake のオブザーバビリティ事業部 GM であるジェレミー・バートン氏が、Observe を Snowflake 上に構築した理由や、AI 時代にデータ基盤が重要になる理由を語った回。LLM に文脈を与えればトークン消費が減るとし、データ層はコモディティではないと主張する。ナレッジグラフをエージェントが構築する構想、LLM の評価（evals）の重要性、AI 時代の仕事観やキャリア助言にも話が及ぶ。

## ポイント

- Observe は「オブザーバビリティはデータ問題」という発想から、断片化したメトリクス・ログ・トレースを Snowflake 上の単一データベースに集約した。独自DB開発派のエンジニアが一部離れる論争もあったという。
- バートン氏は、企業データに数回クエリを投げて得た文脈を LLM に渡せば、トークン消費を抑えられると述べる。データ基盤に手を入れなければ、誤った答えか高コストのどちらかになるという見方だ。
- 複数の「信頼できる情報源」があるとエージェントはそれらを調停できず、自信たっぷりに誤答しうると指摘。Iceberg やカタログ、コーディングエージェント Coco によるデータ基盤整備の容易化にも期待を示した。
- Observe が2018年に作ったナレッジグラフを、今後はエージェント自身が構築し、他のエージェントの調査を助けるという構想を語った。人間の関与は未知の問題に限られ、作業の9割超をエージェントが担う想定だ。
- LLM は決定論的でない「動物園の新顔」であり、回答が許容範囲に収まっているかを継続的に確認する evals が、LLM 運用のハーネスの要になると述べた。
- 仕事の未来については、LLM を現代のトラクターにたとえて楽観的な見方を示した。リーダーには仕事の見直しと、5倍速で動ける前提でのロードマップ拡張が求められるとし、若手への助言としては人脈の大切さを挙げた。

## 章立て

- [04:24] **バートン氏の経歴とキャリアの出発点** — 1995年に Mark Benioff のもとで働くため渡米した経緯と、ゼロから始めたくて Observe に参画した動機を語る。
- [06:14] **なぜ Snowflake 上に Observe を作ったか** — オブザーバビリティを分断されたデータの問題と捉え、単一DBに集約した判断と、独自DB派との対立を説明する。
- [12:33] **Snowflake の文化と買収後の運営** — 創業者や歴代CEOの違い、AIネイティブへの転換、買収後も Observe を独立して運営できている点に触れる。
- [19:10] **データ層はコモディティか** — 基盤モデル側の主張に対し、文脈を与えるほどトークンが減ると反論し、Iceberg・カタログ・Coco の役割を説明する。
- [28:33] **AI時代のテレメトリとナレッジグラフ** — 物理世界へ広がるテレメトリ増大に備え、エージェントがナレッジグラフを構築する構想を語る。
- [32:42] **確率的なLLMと evals** — エージェントやLLMを監視する難しさと、evals が運用の要になるという見方を述べる。
- [36:53] **仕事の未来とキャリア助言** — 仕事の再定義、ソフトウェア工学の価値、若い頃の自分への助言として人脈の重要性を語る。

## 解説記事

Snowflake のオブザーバビリティ事業部 GM ジェレミー・バートン氏が、Dan Turchin 氏のポッドキャスト「AI and the Future of Work」第411回に登場した。バートン氏は Observe の CEO を務め、同社の Snowflake による買収後に現職に就いた人物で、Snowflake の取締役も長く務めている。エピソードでは「AI 時代にデータ層はコモディティなのか」という論点を軸に語られた。

#### オブザーバビリティは「データ問題」

バートン氏が Observe の構想に共感したのは、オブザーバビリティを本質的にデータの問題と捉えていたからだという。メトリクスは時系列DB、ログは Splunk、トレースは別のAPMと、従来は種類ごとにツールが分かれていた。コストや複雑さの原因はデータの断片化にあると同氏は述べる。

そこで Observe は、これらを単一のデータベースに集めるアプローチを取った。非構造化から構造化までの多様なデータと規模を扱える Snowflake を土台にしたわけだ。独自DBを作るべきだと考えたエンジニアの一部が去る論争もあったが、DB開発に割く時間を上位の価値づくりに回せると判断したという。当時はデータウェアハウスで対話的な体験が作れるか不明だったが、半年で可能だと確信したと振り返っている。

#### 文脈を与えればトークンは減る

番組では、基盤モデル企業は「認知は自分たちが握り、データ層はコモディティだ」と考えるのではないか、という問いが出た。バートン氏はこれに異論を唱える。毎日数百テラバイトのテレメトリに LLM を向けるだけでは成り立たず、データを構造化し関連付けて文脈を与える作業が不可欠だという。

Kubernetes のような公開知識ならモデルも対応できるが、銀行のモバイルアプリの構成のような社内固有の知識はインターネット上にない。エージェントを雑に走らせるとトークンを大量に消費して予算を使い果たしかねず、文脈を与えるほど消費は減る、というのが同氏の見方だ。企業データへの数回のクエリで得た文脈を LLM に渡し、CPU とGPUの負荷のバランスを取るべきだと述べた。

#### 基盤整備は AI で楽になる

企業には「信頼できる情報源」が複数あるのが普通で、エージェントはそれらを調停できず、平均を取って自信ありげに誤答する可能性があるとバートン氏は指摘する。意味付けを伴う整理が必要だというわけだ。

また Snowflake が早くから Iceberg（オープンなテーブル形式）を支持してきた点に触れ、データの所在を把握するカタログの重要性が増すとした。さらにコーディングエージェントの Coco などにより、パイプライン構築のような「配管」作業が容易になると期待を語る。その結果、質問が増えてクエリ量が伸び、Snowflake の事業を押し上げるという構図だ。

#### エージェントがナレッジグラフを作る

Observe は2018年にナレッジグラフを開発していた。顧客、セッション、Pod、コンテナといったエンティティを整理し、人間が素早くデータをたどれるようにしたものだ。これが結果的にエージェントへ文脈を与える手段にもなった。

今後は、そのグラフ自体をエージェントに作らせる構想だという。質問を分析してエンティティを提案し、クエリ性能も最適化し、できあがった構造が別のエージェントの調査を助ける。人間が必要なのは未知の問題に限られ、作業の9割超をエージェントが担うことが目標だと述べた。

LLM の扱いについては、決定論的なDBと違い同じ質問に同じ答えを返さない「動物園の新顔」だと表現する。回答が許容範囲に収まっているかを確かめる evals が、LLM 運用のハーネスの重要部分になるとした。モデル更新で既存アプリの挙動が変わることも課題に挙げている。

#### 仕事の未来と若い世代への助言

人員削減が語られる風潮について、バートン氏は LLM を現代のトラクターにたとえ、新しい仕事は事前には見通せないと語る。リーダーは自チームの仕事が AI で代替できるかを検証すべきで、競合も同じことをしているからだという。そのうえで、5倍速で動ける前提で何をロードマップに加えられるかを考えるべきだと述べた。

ソフトウェア工学にも強気で、実装が安価になる分、アーキテクチャや設計の実践が一層重要になるという見方を示した。若い頃の自分への助言としては、人脈こそがシリコンバレーでの武器であり、もっと連絡を保てばよかったと語っている。

#### まとめ

本回の主張は、AI の費用対効果を出すにはデータ基盤の整備が欠かせない、という点に集約される。もちろん Snowflake 側の立場からの発言である点には留意が必要だが、文脈供給によるトークン削減や、複数の情報源の調停という論点は、社内データを使うエージェントを検討する日本の企業にも参考になる。エージェントや LLM 自体を監視する evals の重要性も、運用設計で注目したいポイントだ。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: AI and the Future of Work: Artificial Intelligence in the Workplace, Business, Ethics, HR, and IT for AI Enthusiasts, Leaders and Academics「411: Jeremy Burton, GM of Observability at Snowflake: The Data Layer Was Never a Commodity. It’s the Whole Game」