# データとセマンティックレイヤーを整えて製薬AIエージェントを正解に導く――Flatiron Health リチャード・ノーキ氏

- 番組: [The AI in Business Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5c32001o5o100ot70lmn)（Daniel Faggella）
- 元のタイトル: Getting Pharma AI Agents to the Right Answer by Fixing the Data and Semantic Layers - with Richard Knoche of Flatiron Health
- 配信日: 2026年11月9日
- 長さ: 30分
- 要約作成日: 2026年11月9日
- トピック: [#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) [#セマンティックレイヤー](https://ai-curator.jp/topics/%E3%82%BB%E3%83%9E%E3%83%B3%E3%83%86%E3%82%A3%E3%83%83%E3%82%AF%E3%83%AC%E3%82%A4%E3%83%A4%E3%83%BC) [#データガバナンス](https://ai-curator.jp/topics/%E3%83%87%E3%83%BC%E3%82%BF%E3%82%AC%E3%83%90%E3%83%8A%E3%83%B3%E3%82%B9) [#製薬・ライフサイエンス](https://ai-curator.jp/topics/%E8%A3%BD%E8%96%AC%E3%83%BB%E3%83%A9%E3%82%A4%E3%83%95%E3%82%B5%E3%82%A4%E3%82%A8%E3%83%B3%E3%82%B9) [#MCP](https://ai-curator.jp/topics/MCP) [#RAG](https://ai-curator.jp/topics/RAG)
- URL: https://ai-curator.jp/podcasts/cmw8xgjur00004l114h4h9sbc

## 要約

Flatiron Health のデータサイエンス・AI責任者が、製薬分野のAIエージェントの信頼性は、その下にあるデータ基盤とセマンティックレイヤー（データの意味づけ層）で決まると語った回。過去の人手による分析を使って意味層を構築・検証したこと、エージェントに質問の曖昧さを先に解消させると初期の精度差の大きな部分が埋まったこと、データ統制の一元化とどのシステムにも接続できるエージェント設計の重要性が議論された。

## ポイント

- AIスタックはデータ基盤、セマンティックレイヤー、エージェント層の3本柱だと整理している。エージェントは与えられた文脈しか知らないため、データの穴が増幅されやすい。
- セマンティックレイヤーはテーブルや列の説明だけでは不十分で、データのキュレーション時の判断や使い方の注意点まで、RAGやMCPツールでエージェントに提示する必要があると述べている。
- 過去の人手による分析やSQLクエリ、社内ナレッジセンター、プレイブックを使って意味層を作り、エージェントの出力を過去の人間の挙動と比較して検証した。
- 患者コホート作成ツールでは、回答前に質問の曖昧さをエージェントに推論させる手順を入れた。約2年前の旧モデルで約60%だった精度のうち、30ポイント分は解釈のずれが原因だったという。
- メリットは部門間の引き継ぎと調整コストの削減で、一人が工程を最後まで担えるようになる点を挙げている。
- リーダーはサイロ化の解消とデータアクセス統制の一元化を進め、UIから切り離して任意のシステムに接続できるエージェントを設計すべきだと述べている。

## 章立て

- [01:02] **AIスタックの3本柱** — データ基盤、セマンティックレイヤー、エージェント層という3層の整理と、それぞれの役割や失敗しやすい点の説明。
- [03:05] **セマンティックレイヤーとは何か** — 立場によって意味層の中身が異なること、汎用オントロジーは外部から調達できるが自社データの癖は自前で整理する必要があることを議論。
- [07:17] **過去の人手分析で構築・検証** — 過去の分析、SQL、ナレッジセンター、プレイブックを使って意味層を作り、過去の人間の挙動と照合して検証する方法。
- [09:30] **曖昧さの解消で精度向上** — コホート作成エージェントで、回答前に質問の曖昧さを確認させる手順を導入し、精度が大きく改善した事例。
- [13:40] **ユースケースと調整コスト削減** — 日常業務の生産性向上、規制文書の作成支援、予測モデルなど。引き継ぎの削減が最大の価値と語られる。
- [20:39] **リーダーが備えるべきこと** — データのサイロ解消、アクセス統制の一元化、UIから切り離したエージェント設計、AgentCoreやMCP、A2Aなどの選択。

## 解説記事

製薬業界でもAIエージェントの導入が進むなか、The AI in Business Podcast に、がん領域のリアルワールドデータを扱う Flatiron Health のデータサイエンス・AI責任者リチャード・ノーキ氏が登場した。エージェントを信頼できるものにするには何が必要かについて、データ基盤とセマンティックレイヤー（データの意味づけ層）を軸に語っている。

#### AIスタックの3本柱

ノーキ氏はAIスタックを、データ基盤、セマンティックレイヤー、エージェント層の3つで捉えている。議論の注目はエージェントそのものに集まりがちだが、土台となるデータが堅牢でなければ正しい結論には至らないと指摘する。

人間のアナリストなら、数年扱ったデータの癖や欠損を経験で補える。一方、AIエージェントは与えられた文脈しか持たない。そのため、データの穴はそのまま問題として拡大されるという見方だ。

#### 「列の説明」で止まらない意味層

セマンティックレイヤーは、AIがデータをどう理解するかを担う層だ。最も基本はテーブルや列、データ型、null の有無といったセマンティックモデルである。しかし多くの人がそこで止まってしまうのが典型的な失敗だと述べている。

データのキュレーション過程では多くの判断がなされ、それが「どの列をどの分析に使うべきか」に影響する。こうした文脈や注意点を、RAG や MCP ツールを通じてエージェントに提示する仕組みが必要だという。

また意味層の中身は立場で変わる。Flatiron のようなデータ提供者なら自社データの作り方が中心になる。分子や臨床概念のオントロジーは普遍的なので外部から調達できる。製薬企業側では、「アクティブな処方医」の定義のように、商用チーム固有の定義が意味層に含まれうる。

#### 過去の人手分析を資産にする

Flatiron が意味層を作る際に頼ったのは、長年人手で行ってきた分析や SQL クエリの蓄積だった。これらから注意点やベストプラクティスを洗い出し、顧客にも公開している社内のナレッジセンターやプレイブックも活用した。

さらに同じ履歴は検証にも使える。エージェントが過去に人間が書いたのと同様のSQLや列選択をするかを照合し、システムの出来を確かめられる。ノーキ氏は、大手製薬企業も同様の蓄積を持つはずだと見ている。

#### 曖昧さを先に解消させる

具体例が患者コホート作成ツールだ。顧客から「この組み入れ・除外基準に合う患者はいるか」という問い合わせが来ると、従来は営業側と分析チームの間で何度もやり取りして質問を明確にしていた。

エージェント導入後は、データの中身、キュレーションの経緯、ベストプラクティスを参照したうえで、毎回まず質問の曖昧さを推論させる。約2年前の旧モデルでの検証では、この手順なしだと精度は約60%で、そのうち30ポイント分はユーザーとAIの解釈の食い違いが原因だったと述べている。ユーザーがロボットのように厳密に質問する必要がなくなり、出力の品質も担保されやすくなるという。

#### 引き継ぎの削減とリーダーへの示唆

ノーキ氏は、日常業務の効率化から、治験の患者選定に向けた予測モデルまで用途は幅広いとしたうえで、最も価値があるのは部門間の引き継ぎと調整コストの削減だと述べる。引き継ぎの度に日程調整、文脈の喪失、作り直しが生じるが、強い意味層があれば一人が工程を最後まで進め、レビュー時には整った状態で判断できる。

リーダーへの助言は主に二点だ。第一に、データのサイロを避ける。分断されていると、意味層やアクセス制御、コネクタを各サイロごとに重複して作ることになる。一元化すれば統制の負担が減る。第二に、エージェントのサイロ化を避ける。各部門が独自のエージェントやUIを作ると相互接続できない個別ソリューションが増える。そこで、UIから切り離した「ヘッドレス」なエージェントやツールをホストし、どのシステムからも使えるようにする方向を考えているという。Flatiron では AgentCore でエージェントと MCP ツールをホストしている。ただし、リソースの乏しいチームには専用UIが必要な場合もあり、柔軟な判断が要ると付け加えた。

この種の統制は、共通基盤を担う上位のリーダーシップから進むとうまくいく傾向があるという。エージェント側は新しい領域なので、MCP か Agent to Agent プロトコルか、外部接続をどう安全に許すかなど、インフラ設計として事前に考える必要があると述べた。

#### まとめ

本エピソードの要点は、エージェントの精度はモデルの賢さだけでなく、与える文脈の質で決まるという点にある。日本の製薬・ヘルスケア企業にとっても、過去の分析履歴やナレッジを意味層の材料と評価データとして再利用する発想は参考になる。また、曖昧な質問を先に明確化させる設計は、他業界のエージェント開発にも応用しやすい。個別ツールが乱立する前に、アクセス統制と接続方式を全社視点で設計できるかが、導入規模拡大の分かれ目になりそうだ。

> 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: The AI in Business Podcast「Getting Pharma AI Agents to the Right Answer by Fixing the Data and Semantic Layers - with Richard Knoche of Flatiron Health」