企業は多くのデータを持っていながら、それでも「先週、最大顧客の純収益がなぜ 8% 減少したのか」といった一見単純な問いに信頼できる形で答えられずにいる。この数字を説明するには、営業、財務、プロモーション、在庫、顧客アカウントといった複数のシステムを横断して確認する必要がある。個々の情報源は単体では正しくても、定義、粒度、相互関係、権威性がそれぞれ異なっている。適切なビジネスコンテキストがなければ、汎用エージェントは指標が何を意味するのか、どの情報源が権威あるものか、データをどう結び付けるべきか、そして各ユーザーが何を見ることを許されているのかを、確実に判断できない。
Databricks が提示する答えが Genie One MCP である。これはガバナンス済みのビジネスコンテキストを、MCP 互換のあらゆる AI エージェントに渡す仕組みであり、ChatGPT、Claude、Microsoft Copilot、そしてコーディングエージェントを Genie One に接続する。これにより、承認済みの定義、信頼できるデータ関係、権限を考慮したアクセス制御に基づいて業務上の問いに答えられるようになる。エージェントに生のテーブルや過剰なプロンプトから意味を推測させるのではなく、組織はビジネスコンテキストを Genie Ontology に一度定義し、承認されたすべてのエージェントで共有できる。
記事は、汎用エージェントが接続先システムの断片化と曖昧さをそのまま引き継いでしまうと指摘する。具体的には三つのギャップがある。第一に事実の断片化で、関連データは複数システムに分散し、更新頻度も異なり、職能の境界をまたぎ、時間とともに変化するため、統合されたビューがすでに不完全だったり古くなっていたりする。第二に意味の不一致で、「純売上」「有効なプロモーション」「オンタイム」といった用語はチームごとに定義が異なり、その定義はしばしばスプレッドシートやドキュメント、組織の暗黙知の中にあり、エージェントが確実に使える形になっていない。第三に権威性とリネージの欠如で、数値が衝突したときにどれが権威ある情報源なのか、データがどう変換されたのか、どの定義が結果を生んだのかが分からないことが多い。信頼できる分析にはデータの取得以上のものが必要であり、エージェントは業務上の事実がどう関係し、どの定義が適用され、どの情報源を優先すべきかを理解しなければならない。
データへの直接アクセスはビジネスコンテキストではない。AI エージェントを構造化・非構造化の情報源に直接つなぐことはアクセス手段を与えるが、信頼できるガバナンス済みの回答に必要な共有コンテキストは与えない。このコンテキストを欠いた直接アクセスには四つの課題がある。正確性については、どの情報源、定義、SQL 結合が承認されているかをエージェントに伝えないが、まさにその選択が回答の品質を決める。コストとレイテンシについては、エージェントがスキーマやドキュメント、関係を繰り返し調べるため、より多くのトークンを消費し応答が遅くなる。ガバナンスについては、情報源システムをまたぐ直接接続では、エンドユーザーのコンテキストでアクセス制御を一貫して適用することが難しい。一貫性については、共有コンテキストがないため、クライアント、モデル、セッションごとに定義の解釈が分かれ、矛盾した回答が生まれる。
そこで Databricks は Genie Ontology を用意した。Genie One の理解を支えるガバナンス済みのコンテキスト層である。承認済み指標、業務定義、関係、所有権、アクセスポリシーに加え、ノートブック、クエリ、ダッシュボード、ドキュメント、Genie Agents といった信頼できる企業資産から推論されたコンテキストを組み合わせる。Genie One はこのコンテキストを使って正しい定義と情報源を特定し、権威性と認定に基づいて衝突を調停し、各ユーザーの権限を適用する。その結果として、追跡可能で権限を考慮した、ガバナンス済みのビジネスコンテキストに根ざした回答が得られる。
最初の問いに当てはめてみよう。「先週、最大顧客の純収益がなぜ 8% 減少したのか」に対して、Genie Ontology は純収益を承認済みの指標定義に結び付け、ガバナンス済みの関係を通じて営業、財務、プロモーション、在庫、顧客アカウントの各資産をつなぎ、情報源が食い違う場合には認定済みのコンテキストを優先する。これにより高品質な回答だけでなく、その背後にあるガバナンス済みの定義と資産までユーザーがたどれる完全な説明が得られる。
この共有コンテキスト層は、人々が働く場所で一貫して使えてこそ価値が大きくなる。Genie One は Databricks 内でネイティブな AI コワーク体験を提供し、Genie One MCP サーバーは同じガバナンス済みコンテキストを他の承認済み AI アシスタント、コーディングエージェント、クライアント画面へと広げる。両者を組み合わせることで、組織は業務上の意味を Genie Ontology に一度だけ構築し、進化し続ける AI エコシステム全体に適用できる。なお Genie One 自体は、業務ユーザー向けのデータに精通した Databricks の AI コワーカーであり、Databricks 内だけでなく Google Drive、Microsoft 365、Atlassian、Slack、GitHub、Glean といったサードパーティツールとも連携し、インサイトをドキュメント、タスク、スケジュールされたアクションといった後続作業へとつなげる。
実運用では、Genie One MCP は Genie をツールとして既存のアシスタントに公開し、ネイティブ画面と同じオントロジーと権限適用の仕組みを使う。記事は三つの代表例を挙げている。マーケティング責任者が ChatGPT Business に、どのキャンペーンが有望なパイプラインを生み、予算をどこへ再配分すべきかを尋ねると、Genie One が承認済みのアトリビューション、キャンペーン、支出、リード、商談データを提供し、ChatGPT がそれをキャンペーン行動計画にまとめる。財務責任者が Claude Cowork に、予測と実績のマージン差を何が生んでいるか、どの地域で対応が必要かを尋ねると、Genie One が公式予測、承認済みのマージン定義、関連する業務ドライバーを特定し、Claude が経営レビュー用の記述とアクションリストに変換する。カスタマーサクセス責任者が Microsoft Copilot Cowork に、利用率が低下しサポート量が増え更新リスクのある顧客はどれかを尋ねると、Genie One がガバナンス済みの顧客、製品利用、サポート、契約のコンテキストをつなぎ、Copilot がリスクの高いアカウントを優先順位付けし、的を絞ったフォローを準備する。
セットアップはワークスペースのプレビュー切り替えとクライアント接続から始まる。手順はクライアントごとに異なるため、AI アシスタントとコーディングエージェントに関する公式ドキュメントに従う必要がある。接続が確立されると、AI アシスタント内で Genie One MCP の接続を確認できる。以後、企業コンテキストを要する質問が来るとアシスタントは Genie One MCP を呼び出し、Genie One は基盤となるデータ資産のアクセス制御を十分に尊重したうえで、推論を経て整理された回答を返す。サーバーはさらに MCP Apps 拡張を備えており、プレーンテキストの代わりにインタラクティブなビューを返せる。対応クライアントでは可視化、サマリー指標、Genie Ontology への引用がアシスタントの画面内に描画され、非対応クライアントはテキストのみの結果を受け取る。記事はまた、単純な ug claude コマンドで Databricks ワークスペース内の Claude インスタンスに接続でき、Claude のモデル提供エンドポイントが開けばコマンドラインから直接使えると述べている。
ツール契約の面では、Genie One MCP は外部エージェントが自然言語の質問を送ることで Genie One のガバナンス済み対話型分析機能を利用できるようにする。Genie は業務用語を解釈し、許可された企業データを検索し、SQL を生成・実行して、Databricks の出典リンク付きの根拠ある回答を返す。これを可能にするため、サーバーは五つのツールを公開する。genie_ask は回答を開始し conversation_id と response_id を返す。genie_poll_response は進捗ステップを返し、完了時には回答と Databricks で探索するためのディープリンクを返す。genie_get_query_result は切り詰められた結果では不足する場合に完全な結果セットを返す。genie_cancel_response は実行中のターンを停止する。view_ask は MCP Apps 対応クライアントで genie_ask を置き換え、進捗、可視化、オントロジー引用を含むインタラクティブパネルを描画する。また warehouse_id という _meta パラメータで、実行を特定の SQL ウェアハウスに固定できる。
アイデンティティとアクセス制御は設計の要である。エージェントが基盤テーブルではなく Genie One を通じて問い合わせる場合、どの指標にアクセスでき、それがどう計算されるかを決めるのは Genie One であり、したがってユーザー ID をリクエストに通す必要がある。記事が推奨するのは代表ユーザー(OBO)認証で、外部アシスタントがエンドユーザーの OAuth トークンを渡し、Genie はそのユーザーのコンテキストで Unity Catalog の権限、行フィルター、列マスクを評価する。ユーザーは許可された結果だけを受け取り、ディープリンクもアクセス権のある資産しか開かない。二人のユーザーが同じクライアントで同じ質問をしても、ユーザーごとのプロンプトロジックなしに、それぞれ適切な範囲の回答を得られる。外部向け統合ではサービスプリンシパルによるマシン間認証も利用できるが、すべての呼び出し元を単一のアイデンティティとして扱うため、ユーザー単位の権限適用が失われ、パーソナライズやメモリが制限される可能性がある。なお外部 MCP 接続自体は Unity Catalog オブジェクトであり、標準的なグラントで統治される。
管理と監視については、マネージド MCP サーバーはワークスペースの Agents > MCPs に一覧表示され、Unity Gateway でも確認できる。Genie One のチャットイベントは監査ログに、SQL 実行はクエリ履歴に、消費は課金システムテーブルに現れる。記事は本番環境で有効な実践として次を挙げる。Genie One の調整は一箇所で行うこと。MCP サーバーは Databricks で設定されたワークスペース指示、認定、Genie Agents のキュレーションに従うため、クライアントのシステムプロンプトで操作しようとしないこと。ユースケースが単一のキュレーション済みドメインに対応する場合は、/api/2.0/mcp/genie/{genie_space_id} の Genie Agent MCP サーバーを優先すること。これは独自の指示と信頼済み SQL を持つ読み取り専用エージェントを一つだけ公開するため、ベンチマークとスコープ設定が容易である。クライアントプラットフォームごとに OAuth アプリケーションを一つ登録し、最小スコープとアイデンティティポリシーに合ったトークン有効期間を用いること。展開規模を見積もる際は 90 秒の SQL 実行タイムアウトとワークスペースの Genie QPM 制限を考慮し、Genie Agents にルーティングされた質問は後者に計上される点に注意すること。そして最後に、なりすましによるガバナンス検証、すなわち異なるグループのメンバーとして外部クライアントから同じ質問を投げ、結果が権限に応じて確かに分かれることを確認することが推奨されている。