Google Cloudの識者が解説──AIエージェントで変わる、データベース移行の最新事情

なぜデータベース移行は難しいのか？　SQL方言、ストアドプロシージャ……

　データベース製品特有のいわゆる「SQL方言」も移行の障壁の1つである。主要製品のいずれもANSI SQLをベースにしているが、それぞれが独自に拡張した構文や機能を提供しており、特にストアドプロシージャや組込み関数などに差がある。また、データベースドライバや運用監視ツールなども異なり、一口にデータベースエンジニアと言っても、SQLを知っているかよりも、「どの製品の環境を知っているか」を問われるのが実情だ。

　また、用途ごとに種類の異なるデータベースを運用している企業では、それぞれの製品をよく知る一部のデータベースエンジニアが安定的に運用している。では、その人たちが引退するとシステムはどうなるのか、運用の属人化という課題も浮かび上がってくる。

　何よりも、データベース移行の難易度を高くしているのは、ストアドプロシージャのようなビジネスロジックを“データベースに埋め込んでいる”設計にある。このようなレガシーシステムをクラウドに移行する際、データベースエンジンは変えずに温存する「リフト&シフト」もあるが、クラウドの良さを最大限に活かす「モダナイゼーション」を選ぶ場合は、この設計自体を見直さなくてはならない。大久保氏は、「データベース移行の本質的な難しさは、データベースエンジン自体の移行よりも、アプリケーションを含めた移行にある」と指摘。このような設計が採用されたのは、「採用当時には最も合理的だったからだ」と説明する。

　2000年以前、クライアント／サーバーアーキテクチャが最先端だった頃、ネットワーク帯域は現在とは比べ物にならないぐらいに狭く、クライアントとサーバー間の通信をいかに減らすかがパフォーマンス設計の要諦だった。現在のアプリケーションでは、同様の設計にする必要性は薄れているものの、当時構築されたシステムが現役で稼働しているケースは多い。

　このような数種類の商用データベース製品を使い分ける、複雑なシステムをクラウド移行した日本企業の事例として、LIXILの取り組みが参考になる。

　移行前の同社は、基幹システムでOracle Database、他にもIBM Db2やMicrosoft SQL Serverを利用していた。課題となっていたのは、仮想基盤の老朽化やメンテナンスコストの増大だ。クラウドネイティブなアーキテクチャへの移行を決断すると、PostgreSQLベースのAlloyDBやCloud SQL（一部はSpanner）を採用したモダンなデータベースアーキテクチャに刷新した。懸念していたインフラコストは、SQL Serverシステムの移行で43%の削減に成功。他にもダッシュボードによる状況把握が容易になったおかげで、リリース後のパフォーマンス改善も実現しているという。

なぜ「Google Cloud」が支持されるのか

　クラウド移行先として、Google Cloudが選ばれるケースは多い。その背景には、データアナリティクスエンジンとしての「BigQuery」の実績が大きく影響している。データドリブン経営を志向する企業にとって、データアナリティクスからAI活用までをフルスタックで使える──この点が大きな動機になっていると大久保氏は評した。

　そして、難しいデータベース移行における技術的課題を解決してくれる、新たな存在として期待されるものがAIである。4月の年次イベント「Google Cloud Next ‘26」において、同社は新たなビジョンを発表した。その一つである「Agentic Data Cloud」は、AIエージェントがデータにアクセスしやすいよう、データベース全体のアーキテクチャ像を示すことで課題解決を図るものになる。大久保氏によれば、今後のAIエージェント活用を視野に入れたとき、データ統合アーキテクチャの進化も念頭に入れておく必要があるという。

　従来、BigQueryをアナリティクスエンジンの中核に据える場合、ETLでデータを集約するアーキテクチャが主流であった。しかし、企業システムのすべてがGoogle Cloudのテクノロジーだけで構築されているわけではない。AWSなど、他のクラウド環境にあるデータへのアクセス手段を確保しておかなければ、新しいデータサイロができてしまうことになりかねない。この問題に対処するため、Google Cloudが新しく提供するのが「Cross-Cloud Lakehouse」である。これを使うことで、クラウドの壁を越えて“ゼロコピー”でデータにアクセスできるようにした。

　もう一つ、これから重要性が増すツールに「Knowledge Catalog」（旧 Dataplex Universal Catalog）がある。これはAIの精度向上に欠かせない、メタデータ情報へのアクセスを実現するもので、どのデータベースにどんなテーブルがあるのか、その中にどのようなデータが存在するのかを管理するものだ。多くの企業では、データベースの列定義プロパティの有無はシステムごとにまちまちで、個別にメタデータを整備する負担が大きい。Knowledge Catalogをセマンティックレイヤーとして機能させることで、AIエージェントがBigQueryにアクセスするときにも同レイヤーを参照し、人間の意図に沿ったデータを的確に捉えられるようになる。