Kylon vs PromptQL：データ検索レイヤー vs 業務実行プラットフォーム

HasuraのPromptQLは、AIエージェント製品の中で最も技術的に厳密なアプローチを取っています。多くのAIツールが回答を生成して正確性を期待する中、PromptQLは根本的に異なる方法を採用しています。AIがステップバイステップのクエリ計画を作成し、その計画をPythonとSQLで確定的に実行します。モデルの外側で実行されるため、ハルシネーション（事実と異なる回答の生成）のリスクがありません。

PromptQLの強み

確定的実行モデルは、企業のデータ業務において画期的です。Snowflake、BigQuery、PostgreSQL、MongoDB、各種SaaS APIのデータを、自然言語インターフェースから横断的にクエリできます。「先月サポートチケットを送信した顧客の中で、NPS（顧客推奨度）スコアが上昇した顧客を表示」という問いかけが、1つのプロンプトで完了します。

セキュリティモデルも企業向けに万全です。行レベル・列レベルの権限制御、SOC 2、HIPAA、GDPR、ISO 27001への準拠、ロールベースのアクセス制御、監査ログを備えています。自動生成されるウィキ、共有スレッド、HTTP APIとしてデプロイ可能な自動化機能も提供されています。

クエリモデルの限界

PromptQLはデータの検索と分析を極めて高い精度で実現しますが、その役割はデータクエリレイヤーに留まります。分析結果をもとにフォローアップメールを送信したり、CRMレコードを更新したり、ランディングページをデプロイしたりする機能はありません。また、スーパーグラフの概念やクエリ計画の仕組みは、データチームやアナリスト向けの設計であり、営業やマーケティング、経営管理の担当者が日常的に使うことは想定されていません。

Kylonのアプローチ

クエリではなく、業務を遂行するプラットフォーム

「パフォーマンスが低いキャンペーンを表示して」という依頼に対し、PromptQLはデータを正確に抽出します。Kylonのエージェントは、データを抽出した上で、改善計画を作成し、キャンペーンデータベースを更新し、チームリーダーに通知し、来週のフォローアップ確認をスケジュールします。クエリがワークフローの起点であり、終点ではありません。

データチームだけでなく、チーム全体で使える

PromptQLはデータに精通したユーザーを前提としています。Kylonは、営業、マーケティング、管理部門、エンジニアリングなど、チーム全員が自然言語で業務を依頼できる設計です。パイプラインの更新も、ブログ記事の作成も、プロジェクト管理ツールの構築も、同じワークスペースの中で実行できます。

分析するだけでなく、行動するエージェント

PromptQLのワークフローは、チャート、CSV、サマリーといった分析結果で完結します。その結果をどう活用するかは、ユーザーに委ねられます。Kylonのエージェントは分析結果をもとに、データベースの更新、チームへの通知、フォローアップワークフローのスケジュールまで一貫して実行します。転記作業や手動の引き継ぎは不要です。

それぞれの製品が適するケース

PromptQLが適するケース：複数のデータソースを正確にクエリすることが最重要課題であるデータチーム。金融、医療など、分析精度に妥協が許されない業界では、PromptQLの確定的実行モデルが最適です。

Kylonが適するケース：データ分析だけでなく、コンテンツ作成、プロジェクト管理、顧客対応、チーム全体の業務効率化が必要なチーム。分析だけでなく実行まで完結するAIエージェントが求められる場合に最適です。