Google Data Agent Kitとは？機能・接続サービス・導入条件・企業での試し方
AI新規事業
AI新規事業のPoC・立ち上げ、何から始めるべきかご相談ください
要件定義からリリースまで、Mojiがワンチームで伴走します。
Google Data Agent Kit（以下、Data Agent Kit）は、コーディングエージェントやVS Code系IDEからGoogle Cloudのデータ基盤を扱うための、MCP（Model Context Protocol）ツールとGoogle作成のエージェントスキルのセットです。データ分析・データエンジニアリング・データアプリ開発で、エージェントにスキーマ確認、SQLやPythonの作成、データ探索、パイプライン作成などを支援させる用途を想定しています。
Googleは2026年9月30日にData Agent Kitの一般提供（GA）を発表し、10月9日のGoogle Data Cloud更新情報でもGAとして案内しています。一方で、一部の詳細ドキュメントにはPreview表記が残っているため、契約・サポート条件を判断する際は、利用したい機能とサービスの個別ページ、適用される利用規約を導入時点で確認してください。Google CloudのGA発表／Google Data Cloudの更新情報
先に結論：Data Agent Kitは「AIにデータ業務を無制限に任せる製品」ではありません。Google CloudのIAM権限を使って、選んだデータサービスへエージェントを接続するための開発者向け基盤です。まずは、読み取り専用・小さなデータ範囲・外部書き込みなしの調査業務で試し、品質、コスト、権限、監査可能性を確認してから対象を広げるのが安全です。
Data Agent Kitでできること
Data Agent Kitには、IDE上の画面から使う拡張機能と、対応するコーディングエージェントへ追加するプラグインがあります。公式ドキュメントでは、データ探索、Python・SQLによる分析、データパイプラインの作成・テスト・デプロイ、データの整形、機械学習モデルの学習・デプロイ、定型作業を補うスキルとツールが主な機能として説明されています。Data Agent Kit overview
機能 | 主な作業 | 向く初期用途 |
|---|---|---|
データ探索 | データ資産・スキーマの確認、SQL・Pythonによる調査、自然言語での質問 | 分析前のデータ把握、調査SQLのたたき台作成 |
MCP接続 | データベース、ストレージ、分析サービスのツールをエージェントから利用 | 複数サービスをまたぐ読み取り調査 |
エージェントスキル | データ処理、パイプライン、MLなどの作業手順・ベストプラクティスをエージェントへ与える | 定型的な実装・レビュー補助 |
パイプライン支援 | BigQueryやManaged Service for Apache Sparkでのパイプライン開発、ログ確認、障害調査支援 | 既存パイプラインの原因調査、コード修正案の作成 |
重要なのは、Data Agent Kitがモデルそのものではなく、エージェントがGoogle Cloudのデータ基盤を扱うための接続・文脈・作業支援の層だという点です。MCPの基本的な役割とAPI・A2Aとの関係は、API・MCP・A2Aの違いもあわせて確認してください。
接続対象：どのGoogle Cloudサービスを扱えるか
公式の概要ページでは、分析・ガバナンス領域としてBigQuery、Dataflow、Managed Service for Apache Spark、Managed Service for Apache Airflow、Knowledge Catalog、データベースとしてAlloyDB、Bigtable、Cloud SQL（MySQL／PostgreSQL）、Spanner、ストレージとしてCloud Storageが案内されています。実際に使える操作や必要権限は、サービス・作業内容・利用する拡張機能またはプラグインによって変わります。対応サービスの公式一覧
領域 | 代表的な対象 | 検証時に確認すること |
|---|---|---|
分析・パイプライン | BigQuery、Dataflow、Managed Service for Apache Spark、Managed Service for Apache Airflow | 実行クエリの上限、ジョブ作成可否、書き込み先、実行コスト |
データベース | AlloyDB、Bigtable、Cloud SQL、Spanner | 読み取り／更新の分離、DB認証方式、対象インスタンス・DB・テーブルの範囲 |
データ資産・ファイル | Knowledge Catalog、Cloud Storage | バケット・プレフィックスの限定、機密文書や外部提供文書の扱い |
リモートMCPサーバーとして明示されている対象は、AlloyDB for PostgreSQL、BigQuery、Bigtable、Cloud SQL、Cloud Storage、Knowledge Catalog、Managed Service for Apache Spark、Spannerです。対応サービスがあることと、任意の操作を安全に許可できることは別です。接続時には、MCPツールが実行できる操作とIAMロールを個別に確認してください。MCPサーバーの公式ドキュメント
利用条件：導入前に必要なもの
ローカル環境で始める場合、公式のインストール手順では、対応IDEまたはコーディングエージェント、Node.js、Google Cloudプロジェクト、課金有効化が前提です。プラグイン利用ではGoogle Cloud CLIを認証し、通常の認証情報に加えてApplication Default Credentials（ADC）も設定します。Data Agent Kitのインストール手順
- 実行環境：VS CodeまたはVS Code互換IDE向けの拡張機能、もしくはClaude Code、Codex CLI、Gemini CLI、Antigravity CLIなどで使うプラグイン
- Google Cloud：プロジェクト、課金設定、利用サービスのAPI有効化
- 認証：IDE拡張機能ではGoogle Cloudへのサインイン、プラグインではgcloud CLIとADCの認証
- 権限：対象サービス・操作ごとに必要なIAMロール。最初から広い編集権限を付与しない
- 費用管理：Data Agent Kit自体は追加料金なしですが、アクセスしたGoogle Cloudサービスは通常料金の対象
たとえばBigQueryを読み取り中心で試す場合でも、BigQuery User、BigQuery Data Viewerなど、目的に応じたロールと関連APIが必要になります。パイプラインの作成・デプロイまで行う場合は、さらに編集・実行権限が必要になることがあります。必要ロールは「Data Agent Kit一括」ではなく、サービスと操作ごとに決まります。必要な権限・APIの公式一覧
費用面では、Data Agent Kitに利用料金はありませんが、BigQueryのクエリ、Spark処理、ストレージ、データベースなど、エージェントが利用したGoogle Cloudサービスには通常の料金が発生します。したがってPoCでは、請求先プロジェクト、クエリの上限、対象データ量、ジョブ実行可否を先に限定してください。公式の課金に関する説明
どの業務に向くか：導入判断の基準
Data Agent Kitの候補になるのは、Google Cloud上にデータがあり、複数のデータ資産を確認しながらSQL・Python・パイプラインの作業を進める業務です。一方、作業手順と入出力が完全に固定され、例外処理も少ない業務は、エージェントを使わない固定ワークフローの方が、再現性や監査の面で適する場合があります。
判断項目 | PoC候補にしやすい状態 | 先に整備したい状態 |
|---|---|---|
データの所在 | Google Cloud上の対象データと所有部署が明確 | どのデータが正なのか不明、個人用・未管理のデータが混在 |
業務の性質 | 調査、スキーマ理解、SQL作成、ログ確認、実装の下書きが中心 | 即時の外部送信、決済、顧客データの更新など、誤操作の影響が大きい |
検証可能性 | SQL、コード差分、テスト、実行ログで成果を確認できる | 正解や失敗の定義がない、レビュー担当がいない |
権限 | 専用プロジェクト・専用サービスアカウント・最小権限を準備できる | 個人の強い本番権限をそのままエージェントに委任する |
この表はMojiによる一般的な設計上の目安です。実際の適否は、扱うデータの機密性、入力データの品質、使うモデル・エージェント、評価指標、許容できる誤操作の範囲で変わります。エージェントにどこまでを委ね、人の承認をどこに置くかは、AIエージェントの委任範囲・承認・停止条件を参考にしてください。
企業での安全な試し方：最小PoCの5ステップ
以下はMojiによるPoCの進め方です。目的は「便利そうか」を確かめることではなく、限定した業務で品質・コスト・安全性・運用負荷を比較可能にすることです。
- 対象業務を1つに絞る
例：BigQueryの既存テーブルについて、スキーマを確認し、集計SQLの案を作り、実行結果を説明する。最初からデプロイや本番データ更新は含めません。 - 実行範囲を隔離する
PoC用Google Cloudプロジェクト、または本番と分離したデータセットを使います。読み取り専用を原則とし、利用可能なプロジェクト、データセット、バケット、リージョンを限定します。 - 最小権限で接続する
可能なら個人の強い権限ではなく、用途を限定したサービスアカウントのなりすましを検討します。対象外の書き込み、削除、外部ネットワーク接続、秘密情報へのアクセスは許可しません。 - 評価ケースを先に作る
実際の業務に近い質問を10〜20件程度選び、期待する根拠、許されない操作、確認者、合格条件を記録します。件数は一律の基準ではなく、業務のばらつきと許容誤差に応じて調整してください。 - 結果を4軸で判定する
正しい根拠へ到達したか、不要な権限や操作を要求しなかったか、実行費用と時間は許容範囲か、担当者が差分・ログをレビューできたかを確認します。
PoC評価シート（Mojiによるテンプレート）
評価軸 | 確認質問 | 記録する証跡 |
|---|---|---|
品質 | 正しいテーブル・列・期間を使えたか。結論は結果と整合するか。 | プロンプト、生成SQL、結果、レビューコメント |
安全性 | 許可していないデータ・操作・外部送信へ進もうとしなかったか。 | IAM設定、MCP設定、エージェントの操作ログ |
コスト | クエリ量、処理時間、ジョブ回数は予算内か。 | Cloud Billing、ジョブ履歴、実行ログ |
運用性 | 人がレビュー、停止、再実行、原因調査をできるか。 | 手順書、承認記録、障害時の対応記録 |
PoCから本番化・限定継続・中止を判断する基準は、開始前に定義しておく必要があります。より詳しいゲート設計は、AI PoCを本番化する進め方で解説しています。
セキュリティで必ず確認したい4点
エージェントは、利用者または委任されたIDの権限でデータやツールへアクセスします。そのため「エージェントが使うから」という理由で強いIAMロールをまとめて付与しないことが重要です。Googleは、データ中の悪意ある文面をエージェントが指示として解釈する間接プロンプトインジェクションのリスクを説明しています。Cloud StorageやBigQuery内のデータも、エージェントにとっては参照対象であると同時に、悪意ある指示が混入しうる入力です。Google Cloud MCPのプロンプトインジェクション対策
- 最小権限：サービスアカウントやIAMロールを、対象プロジェクト・データセット・操作単位まで絞る。
- 実行環境の制約：PoCでは、インターネット接続、root権限、外部ツール、書き込み可能な保存先を必要最小限にする。
- 境界の設定：組織の要件に応じて、Principal Access Boundary、VPC Service Controls、組織制限などを検討する。
- 検知と証跡：MCPアクセスの監査ログと、必要に応じてModel Armorによるプロンプト・レスポンス保護を検討する。
Google CloudのリモートMCPサーバーは、きめ細かな認可、任意のModel Armor保護、集中監査ログを特徴として案内しています。ただし、これらを有効にするだけで業務リスクが解消するわけではありません。データ分類、権限設計、人の承認、停止手順を組み合わせて運用してください。Google Cloud remote MCP serversの機能
導入前チェックリスト
- 対象業務は、データ探索・SQL作成・ログ調査など、出力をレビューできる作業に限定したか
- 本番と分離したプロジェクト、データセット、または読み取り専用の範囲を用意したか
- 利用するGoogle Cloudサービス、API、必要なIAMロールを操作単位で棚卸ししたか
- 個人の管理者権限ではなく、最小権限のIDまたはなりすまし用サービスアカウントを検討したか
- BigQuery、Spark、Storage、DBなどの利用コストを観測する請求先と上限を決めたか
- テスト質問、期待根拠、禁止操作、レビュー担当、合格・停止条件をPoC前に文書化したか
- 間接プロンプトインジェクションを想定し、データ中の命令を実行しないルールと隔離環境を設計したか
- 生成SQL、コード差分、実行ログ、承認記録を残せるか
まとめ
Data Agent Kitは、Claude CodeやCodex CLIなどのコーディングエージェントを、Google CloudのデータサービスへMCPでつなぎ、データ探索、SQL・Python作成、パイプライン開発を支援するための基盤です。利用の可否は「接続できるか」ではなく、対象業務を絞れるか、最小権限にできるか、結果を評価・レビューできるか、費用と監査を運用できるかで判断してください。
最初の一歩としては、読み取り専用のBigQuery調査など、成果物をSQL・実行結果・レビューで検証できる小さな業務が適しています。そこから、データ品質、評価指標、許容誤差、利用するエージェントとモデル、組織のセキュリティ要件に合わせて、対象範囲を段階的に広げる方法をおすすめします。