AWS Analytics MCPサーバーで実現する「エージェント型データエンジニアリング」 | AWS Summit Japan 2026レポート

先日、AWS Summit Tokyo 2026に参加してきました。AIの活用が「単一のチャット」から「自律型エージェント」へと前提が変わっていく中、AIエージェントと各AWSサービスをシームレスに繋ぐカギとなる「MCP（Model Context Protocol）サーバー」について、非常に示唆に富むセッションがありました。本記事では、そのセッションで語られた内容と、所感をお届けします。

データエンジニアリングの目指す形は、「適切なタイミングで意思決定者にインサイトを届け、データドリブンな意思決定を実現すること」です。

しかしながら、現場のエンジニアは他業務の割り込み、クラウドリソースの管理、エラーのトラブルシューティング、APIやサービスの仕様書確認などに追われ、本来の開発業務に注力できない課題があり、ビジネス側の要望に素早く対応しきれない現実があります。

従来型のデータエンジニアリングでは、自身でWeb検索を行い、CLI、API、Python、SQLなど複数の言語やコマンドを駆使して各サービスを操作していました。データの探索や調査、ジョブやクエリの作成、出力の検証などを、すべて自力で統合し実行する必要があったのです。

この課題の解決策として提案されたのが、「エージェント型データエンジニアリング」です。

このアプローチでは、データの探索やジョブの作成、出力の検証といったプロセスを、AIエージェントに自然言語で指示するだけです。実行するタスク自体は同じでも、人間の役割は「実行者」から「確認者・指示者」へと変わります。 仮にジョブの実行でエラーが起こったとしても、エージェントがそれを検知し、自動で修復を試みてくれます。これにより、エンジニアは一つの画面（チャットUI）で多様なタスクを実行できるようになり、煩雑な画面の切り替えやリソースごとの個別管理が不要になります。

しかし、複数のツールやリソースをエージェントに扱わせる際、「データウェアハウスへのクエリ」「データカタログのAPI操作」など、それぞれ異なるインターフェースをどう統合するかが大きな壁となります。

このカギとなるのがMCP（Model Context Protocol）です。

MCPとは、Anthropic社が提唱した、AIモデルと外部のデータソースやツールを安全に接続するためのオープンな標準規格です。これまでAIごとに個別に開発が必要だったAPI連携を統一し、「この規格に対応していれば、データソースが増えてもツールの設定を一つ追加するだけで済む」という画期的なプロトコルです。

セッションで示された「エージェント型データエンジニアリング」の全体アーキテクチャは、以下のような構造になっています。

セッション資料「AWS Analytics MCPサーバーで実現するエージェント型データエンジニアリング」より引用

AIエージェントは、事前にMCPサーバーから渡された「ツール定義（用途や必要なパラメータが書かれたJSON）」を踏まえ、自律的に適切なツールを選択してデータソースを操作します。

ここで重要なのは、「AWS Analytics MCP」というのはAWSコンソールから作成する新しい単一のマネージドサービスではなく、AWS Labsがオープンソースで提供している「分析サービスに特化したMCPサーバー群の総称」であるということです。

具体的には、現在以下の2つの強力なMCPサーバーが提供されています。

1. Data Processing MCP Server
   AWS Glue、Amazon Athena、Amazon EMRなどのデータ処理ツールを呼び出します。AIエージェントに指示することで、Glueデータカタログから必要なデータを検索し、Glueジョブやクローラーを作成・実行させることができます。
   　
2. Amazon Redshift MCP Server
   Redshiftクラスターやサーバーレスを扱うためのサーバーです。意図しないデータ破壊を防ぐための「読み取り専用（Read-only）」として安全に設計されており、AIが自律的にスキーマやテーブルを検索し、複数のエンドポイントに対するデータ抽出クエリを実行できます。
   　

特筆すべき威力の源泉は、これらのMCPサーバーには「AWSのベストプラクティスに沿ったコード生成」や「安全性を確保する仕組み（IAM認証等）」があらかじめ組み込まれている点です。複雑な連携コードをゼロから書く必要はなく、数分で設定が完了し、個人の環境から今日すぐにでも始めることができます。

これらを使えば、「売上データが欲しい」と指示するだけで、AIが自律的にS3からデータを探索し、Glueジョブで加工、AthenaやQuickSightで検証し、Redshiftへロードするパイプラインを自動構築してくれるようになります。

昨年の時点では、「MCPという便利な規格ができた」という概念的な話題が中心でした。しかし、今年のAWS SummitのAnalyticsトラックでこれが大々的に語られたことは、トレンドが完全に具体的なエンタープライズ実装へ移行したことを意味しています。

システムの複雑な「How（どう連携し、どう実装するか）」はAIとMCPが巻き取り、人間は「What（データを使って何を成し遂げたいか）」に集中できる時代が、もう目の前まで来ています。

• エージェント型データエンジニアリング
  AIエージェントが自律的にツールを操作し、データの抽出、加工、ロードなどのエンジニアリングタスクを実行する手法。
  　
• AWS Glue
  抽出、変換、ロード (ETL) を行う完全マネージド型のサーバーレスデータ統合サービス。
  　
• Amazon Redshift
  AWSが提供する、大規模なデータセットの保存と分析に特化したフルマネージド型データウェアハウス。
  　
• Amazon QuickSight
  クラウド規模のビジネスインテリジェンス (BI) サービス。データを視覚化し、インサイトを共有するために使用される。