AIを分業させて「自動分析ツール」を作る

データ分析をAIに丸投げしたい

AIに作業を丸投げしたい。

それも、単純作業じゃない。データ分析みたいな「頭を使う知的な作業」を！

AIワークフローなら、それができる。

しかも簡単に。

実際に、「自動データ分析AI」を作ってみた。

質問するだけで、データで答えてくれるAI

楽に分析したい

最近、Qiitaで記事を書いている。
書いてみるとこれが結構楽しい。

でも、悩みがある。

「伸びる記事」と「伸びない記事」の違いがサッパリ分からない！
30分でサクッと書いた記事が伸びて、時間をかけて書いた自信作が「0いいね」だったりする。

そうなると、何が悪かったのか気になる。

• 投稿した曜日が悪かった？
• タイトルが長すぎた？
• 無理にでも「AI」タグをつければよかった？

などなど。

実はこれ、データで答えを出せる。

「何曜日に投稿すると『いいね』がつきやすいか？」
「タイトルの長さと『いいね』の数に関係はあるか？」

これらは、大量の記事データを調べれば分かる。

幸い、Qiitaはデータを取得できる仕組み（公式API）を公開してくれている。実際に、2万件（約1か月分）の記事を集めた。

じゃあ、後は分析すればいいだけ。

だけど、自分でやるとなると超めんどくさい。
考えることが多いから。

何を調べるか。「曜日ごとの平均いいね数は？」
どうやって分析するか。「曜日ごとに記事を分けて、平均いいね数を比較しよう」
その後、Pythonを書いてデータを集計して、グラフを作成する。
最後に解釈する。「どの曜日に投稿すると伸びやすいのか？」

毎回この作業をするのは面倒だ。分析したいことはたくさんある。

なんとかラクできないか？

自動分析AI

そこで、AIに分析をぶん投げられるシステムを作った。

例えば、「記事を投稿するのに最適な日時は？」と質問するだけで、AIが記事データを分析して答えを返してくれる。

実際に動きを見てみよう。

1. アバウトな質問をぶつけてみる

疑問をそのままぶつける。

"記事を投稿するのに最適な日時は？"

2. AIが「分析計画」を立ててくれる

すると、AIが計画を出してくる。
「じゃあ、こういう手順で調べますね！」というように。

AIの暴走を防ぎたい。
だから、いきなりコードは書かせない。
「まず計画を立てさせて、人間が『その調べ方でOK！』と確認する」ステップを挟む。

実際に考えてもらった分析計画（抜粋）

分析計画:
目的:
ユーザーが「いつ記事を投稿するのが最も効果的か」を判断するための、投稿日時とエンゲージメント（いいね数、コメント数、ストック数）の相関関係を明らかにする。

具体的な手順:
1. 投稿日時から「曜日（月〜日）」と「投稿時間（時）」の2つの要素を抽出する。
2. 「投稿時間」ごとにグループ化し、各時間帯の「いいね数」「コメント数」「ストック数」の平均値を算出する。
3. 「曜日」ごとにグループ化し、各曜日の「いいね数」「コメント数」「ストック数」の平均値を算出する。
4. 各時間帯および各曜日の中で、平均エンゲージメントが最も高い項目を特定する。
5. 「いいね数」が上位10%に入る高エンゲージメントな記事を抽出し、それらの投稿日時を一覧化して、傾向があるかを確認する。

いい感じ。

注目してほしいのは、投げた質問がかなりアバウトなこと。

何を「最適」にしたいんだ？
いいね数？コメント数？
それとも、投稿後に何度もQiitaを開いて通知が来てないか確認する回数？

でも、AIは正しく読み取ってくれた。
「いいね数、コメント数、ストック数を最大化したいんだな」と。

3. コードの実行からグラフ化まで自動でやってくれる

計画を承認しよう。

すると、AIがPythonコードを書いてくれる。分析コードと、グラフ描画コード。

コード生成だけではなく、実行もしてくれる。つまり、人間がコードをコピーして実行する必要すらない。

最終的に返ってきた答えがこれ（一部省略・要約）。

いいね数やコメント数を重視するなら、月曜日の午前9時が最適です。

高エンゲージメントの記事は、月曜日〜火曜日の午前中に多く投稿されていました。

「結局いつ投稿すればいいの？」をスパッと教えてくれた。

本当に正しいのか、気になるところだろう。
実は、根拠も自分の目で確認できる。
なぜなら、集計結果も出してくれるから。

# 集計結果
--- 時間帯別の平均エンゲージメント推移 ---
      likes_count  comments_count  stocks_count
hour
0        2.079383        0.025358      1.342889
1        2.678694        0.042955      1.878007
2        2.243626        0.033994      1.634561
...

そして、グラフまで出してくれる！

実際に使えるAI分析ツールができた

「おもちゃ」どころか、実用性バッチリのものができた。

分析計画は妥当。コードも、試した限りだと一回もミスってない。

もちろん、完全ではない。

グラフはときどきおかしくなる。
例えば、これ。時刻がソートされてしまっている。

しかし、間違ってはいない。見づらいだけで。

こういう細かい部分は、まだ人間が確認した方がいい。

それでも驚いた。
まさか、ここまでうまく自動化できるとは思わなかった。

これで分析が楽になる。
自分でも使い続けていきたいものができた。

なぜ簡単に作れて、安定して動いたのか

ちなみに、このシステムは、たった2日で作れた。

なぜ簡単に作れたのか？

1つのAIに全部をやらせなかったから。

AIに複雑な仕事を任せる場合、AIが迷わないようにしないといけない。
だから、本来、細かい指示を作り込む必要があった。
要するに、芸術的なプロンプト調整がいる。

しかし今回は、その必要がなかった。

ひとつのAIに全部やらせない

データ分析は、実は工程が多い。

• 何を調べるか決める（計画）
• プログラムを書く（実装）
• グラフを作る（可視化）
• 結果を文章にまとめる（考察）

今までは1発でやろうとしていた。
つまり、1つのプロンプトに全部詰め込んでいた。

例えるなら、優秀なプログラマーに全部丸投げするようなもの。
「要件定義して、設計して、実装して、テストして、ドキュメントを書いて」と1人で同時にやらせたら、いくら優秀なプログラマーでも、どこかで抜けが出る。

AIも同じだ。
分析計画、コード作成、グラフ作成、結果の考察。
全部別の仕事だ。
同時にやらせたら、優秀なAIでもミスするだろう。

ひとつのプロンプトで全部やろうとするのは無理がある。

仕事を小さく分ける

ということで、分割しよう。

4つのAIに仕事を分担させた。

これは、専門家を4人用意しているようなもの。

• 計画を考える専門家
• コードを書く専門家
• グラフを作る専門家
• 結果をまとめる専門家

こうすると、余計な判断はいらなくなる。
計画を考える専門家はコードの書き方を考えなくていい。
コードを書く専門家は、分析方針を考える必要はない。

ただし、動かしているAIモデル自体は1つだけ。

この説明だと、AIモデルを4つ動かしていると思うかもしれない。
さすがにそんなことはない。
実際は、1つのAIモデルに対して、専用のプロンプトを4つ用意しているだけ。
AIモデルに役割を着せ替えているイメージ。

結果として、プロンプトをシンプルにできる。
例えば、計画AIのプロンプトを見てみよう。
実は、「役割・データ形式・出力」を書いているだけ。
大量の例や細かい条件を書かなくて済む。

以下は実際のプロンプトの抜粋。

あなたはデータ分析計画を作成するAIです。

ユーザーの質問をもとに、Pythonコードで実装可能な分析計画を作成してください。

あなたの役割は、質問に対する最終回答を出すことではありません。
後続のコード生成AIが分析コードを作成できるように、具体的な分析手順へ変換することです。

## 利用可能なデータ

- 記事タイトル
- いいね数
- コメント数
- ストック数
- 投稿日時
- タグ
- 所属組織
- 投稿者情報

## 出力

分析結果としてユーザーに提示する内容を書く。

例:
- 最大値となる項目
- 各項目の集計結果

プロンプトはChatGPTに書いてもらった。
細かい調整はほとんどしていない。それでも動く。

つまり、仕事は小さく分けるべきだ。
AIの仕事を限定したことで、シンプルな指示でも安定した。

連携させる

じゃあ分けたら勝手に動くのか？

専門家を4人用意するだけでは意味がない。
彼らを連携させる必要がある。

そこで、専門家にバケツリレーをさせる。
つまり、前のAIが作った成果物を、次のAIへ渡していく。

• 計画AIが計画を立てる
• 計画をコード生成AIに渡して、プログラムを作ってもらう
• できたコードをグラフ生成AIと説明AIに渡して、グラフと解説を作ってもらう

図にすると、こんな感じ。

ひとつのAIに全部やらせない。

役割ごとにAIを分ける。

前のAIが作った成果物を、次のAIへ渡す。

それがAIワークフローだ。

「専門家AIバケツリレーシステム」と言ってもいい。

シンプルだけど、なかなか強力な仕組みだ。

ローカルLLMだから、誰でも試せる

もちろん、分割だけですべて解決するわけではない。

LLMの性能が上がったというのも大きい。なんせ、ローカルLLMでも行けたんだから。

実は、ローカルLLMしか使っていない。
最近のローカルLLMは優秀なもので、キッチリ動いてくれた。
計画も妥当だし、コードも正しい。

使ったモデルはGemma4だ。
正確にはgemma-4-12B（Q4量子化）。
小さいながらも、優秀なモデルだ。

どれぐらい小さいかというと、たった6.7GBしかない。
私のRTX3060(12GB)でも余裕で動く。8GBのGPUでも動かせるんじゃないかな？

要するに、普通のゲーミングPCで試せるというわけだ。

ローカルLLMの嬉しいところは、API使用料がかからないこと。
どれだけ分析させてもお財布が痛まない。

まとめ

AIワークフローを使って、「自動データ分析システム」を作ってみた。

質問するだけで、AIが分析計画を考え、コードを書き、グラフを作成し、結果をまとめてくれる。

実際に「これからも使い続けたい」と思えるツールになった。

うまくいった最大のポイントは、「1つのAIに全部を任せなかった」こと。

分析計画、コード生成、可視化、結果の説明。
専門AIに分けたから、安定して動く。

AIワークフローなら、実用的なAIシステムを簡単に作れる。

コード

システムの実装にはLangGraphを使用。
https://github.com/DanielOkada/qiita_auto_analizer/tree/main