PromptQLの正体
私は日々、人々がこの手のツールをどう検索するかを考えて過ごしているが、「PromptQLとは何か」というのは意外と複雑な問いだ。というのも、サイトを見た時期によって製品の説明が2通り存在するからだ。
PromptQLは、2年間で1億以上のダウンロードを突破したオープンソースのGraphQLエンジンを手がけるHasuraから生まれた。創業者のTanmai Gopal氏とRajoshi Ghosh氏は2500万ドルのシリーズBと1億ドルのシリーズCを調達し、2025年末にはVentureBeatが同社を「時給900ドルのAIエンジニア」を売る10億ドル超のビジネスと評した。Tanmai氏の見立てでは、データの顧客そのものが変わったという:
"アプリケーションはもはやデータへのアクセスを必要とする最も重要な存在ではないと気づいた。未来は、AIがデータと会話し、ユーザーに代わってデータへアクセスする世界だ。"
つまり2025年の売り込みは、text-to-SQLやツール呼び出し、RAGに対抗する、企業データの上に載る信頼性の高い自然言語レイヤーというものだった。その後、ホームページは変わった。今日のpromptql.ioは「マルチプレイヤーAIエージェント、ClaudeやChatGPTのようなものだが、共有スレッドと共有頭脳を持つ」を前面に押し出しており、中心的な課題はSlack、ドキュメント、チケット、CRM、ウェアハウステーブルにまたがるコンテキストの劣化だ。掲載されているロゴは重厚で、Cisco、McDonald's、Instacart、Swiggy、Lightspeedが並ぶ。
どちらの説明も本当であり、どちらも同じエンジンを指している。しかし何も知らずに訪れると、PromptQLはGleanや共有の社内ナレッジベースに似たチーム向けナレッジツールだと思ってしまうだろう。中身は依然としてデータエージェントであり、料金、ドキュメント、ベンチマークはすべてそのエンジンに関するものであって、Wikiのラッパーに関するものではない。この解説から一つだけ覚えておくなら、この点だ。
PromptQLの仕組み: まず計画し、それから実行する
ここがPromptQLを肩をすくめて済ませるのではなく、きちんと説明する価値がある部分だ。多くの「あなたのデータの上で動くAI」ツールは、データを読む、計算する、答えを書くという作業全体を、1つのコンテキストウィンドウの中で一度にモデルへ丸投げする。PromptQLはこれを2つに分ける。
Playgroundで質問すると、PromptQLはまずクエリプランを返す。これは、データをどう取得し、フィルタし、処理するかを段階的かつ平易な言葉で示したもので、モデルが立てている前提も含まれる。プランは読むことも編集することもでき、編集すると PromptQL は「それを記憶し、以後のスレッドに向けて自己修正する」。この透明性こそ見逃してはいけない部分だ。データが動く前にプランを目にできる。
プランはその後、実際のコードとして実行される。PromptQLはPythonを使ってデータを取得・整理し、各ステップを展開すれば、元のデータソースに対して実行された実際のPythonとSQLのコードを確認できる。この製品全体がかかっている一文がこれだ:
"答えを生成する代わりに、私たちはあなたのビジネス固有のドメイン特化言語でプランを生成する。そのプランはランタイム検証とポリシーチェックを備えた決定論的なアクションへとコンパイルされる。"
結果はアーティファクトとして届く。構造化されたテーブル、テキスト、グラフなどがモデルのコンテキストの外に存在し、後続のステップから参照される。これがスケールに効く巧妙な点で、PromptQLはコンテキストウィンドウをはるかに超えるデータを、モデルが気づかぬうちに見失うことなく扱えるということを意味する。分類・要約・抽出・可視化といったセマンティックな作業は、それぞれが焦点を絞ったコンテキストで孤立して動く狭いAIプリミティブが担当するため、LLMは常に小さく明確に範囲を絞られた部分についてのみ推論する。
最後に、すべての回答にはクエリの複雑さ、データの精度、モデルの確信度から算出される信頼性スコアが付き、分析が何を含み何を含んでいないかについての注記も添えられる。スコアが低ければ修正でき、その修正は次回にも引き継がれる。サポートの世界から来た者としては、このパターンに馴染みがある。ハルシネーションを防ぐために働くのと同じ発想であり、システムは真顔で当てずっぽうを言うのではなく、自信がないときはそう伝えるべきだという考え方だ。
PromptQLが実際に解決している問題
計画してから実行することがなぜ重要なのかを理解するには、生のモデルが実際のデータに関する質問にどれほど手こずるかを見るとよい。Tanmai氏はBerkeley Data Agent Benchmarkを引き合いに出しており、そこではフロンティアモデルがデモが信じさせる水準をはるかに下回っている。
実際のデータに関する質問では、BerkeleyのベンチマークによるとOpus 4.6は43%、Gemini 3 Proは38%、GPT-5.2は25%にとどまり、素のデータベースクエリ生成は「ほぼ0%」だという。ベンチマーク自身の見解では、エージェントは「たいてい正しいデータを選ぶが、計算のプランニングや正しい実装には失敗する」とされている。これはまさに、プランと実行を分けるアプローチが狙っているギャップであり、創業者がある言葉を繰り返し強調する理由でもある:
"最大の問題は、質問に正確に答えられないことではない。大きな問題は、AIが正確でないときにさえ正確なふりをすることだ。つまりAIは自信満々に間違える。それが問題なんだ。"
Hasuraは失敗のパターンを4つに分類しており、この2x2のマトリクスは、PromptQLであれ他のツールであれ、AIによるデータ分析ツールを評価する前に頭に入れておくべき最も有用な内容だ。
さて、「100%の精度」という見出しについてだ。Hasuraはこれが釣り文句だと清々しいほど正直に認めている。同社は「100%精度という主張は技術的には成り立たない」と認めており、本当の主張は計算がモデルの推論ではなくコードで実行されるがゆえの100%の再現性だ。より限定的なCRMArena-Proのデータベース・数値タスクでは、最先端の手法が30〜60%とされる中、彼らは100%を報告している。キリの良い数字は会話のきっかけとして、そして再現性こそが実際の機能だと捉えるとよい。
PromptQLが何と接続でき、何ができるか
AIエージェントであることは、あなたのデータに届いてこそ役立つ。ここでPromptQLのHasura譲りの血統が生きてくる。Hasura DDN上で動作するため、スーパーグラフが複数のサブグラフを縫い合わせ、リレーションは「同じデータソースに裏打ちされている必要はない」。平たく言えば、PostgresとSaaSのAPIを結びつけて両方にまたがって推論できるということで、これはSnowflakeや単一のウェアハウスだけを対象に作られたツールが行き詰まるまさにその点だ。
ネイティブコネクタのリストは長い。PostgreSQL、MySQL、SQL Server、Oracle、Snowflake、Amazon Redshift、BigQuery、MongoDB、Databricksに加え、HTTP/APIソース、リアルタイムのウェブ検索、MCPを介した相互運用も可能だ。2026年版のラッパーは、Slack、Google Docs、PostHog、Salesforceから自己構築するコンテキスト層を追加し、チームのWikiを生成しつつ、変更履歴と監査証跡を保持し、範囲を限定したアクセス制御を強制する。
「質問する」という行為が何に変わるかを左右する、注目すべき2つの機能がある:
- 自動化が本物のAPIになる。 Playgroundでワークフローが動くようになったら、コードを書かずにZapier、Slack、cronジョブ、あるいは自社アプリから呼び出せるHTTPエンドポイントとしてデプロイできる。一度きりのスレッドが、繰り返し使えるビジネスプロセスになる。
- 自分のモデルを持ち込める。 PromptQLはClaudeやGPTから、DeepSeek、Kimi K2、GLMといったオープンウェイトモデルまで、どんなLLMでも動かせる。スレッドごとにモデルを切り替えられ、後述するようにこのドロップダウンこそが請求額を左右する最大のレバーとなる。
PromptQLの料金
PromptQLには座席課金がない。100%従量課金制で、OLU(Operational Language Unit)と呼ばれる正規化された単位で請求され、これはあらゆるモデルにまたがる入力・出力・キャッシュ・キャッシュ生成トークンを一貫した一つの数値に丸めるため、モデルを切り替えても請求の形が変わらない。
| プラン | 価格 | 課金単位 | 内容 |
|---|---|---|---|
| 無料クレジット | プロジェクトごとに50ドル、チームメンバーごとに+20ドル | OLU | カード登録不要。オープンウェイトモデルでの単純なタスクなら数千件分に十分 |
| Starter | 1 OLUあたり0.20ドル(導入価格0.14ドル、原価ベース) | OLU | 従量課金、前払い残高、残高ゼロで自動一時停止、ユーザーごとのクォータ。トークン・インフラ・サンドボックスまですべて込み |
| Enterprise | 個別見積もり、営業に相談 | OLU | SSO、BYOC/VPC、プライベートネットワーキング、独自LLMの持ち込み、監査証跡、専任エンジニアの派遣を追加 |
Hasuraが挙げる典型的なタスクコスト(0.14ドルのレートで)は正直で控えめだ。単純なデータタスクなら2 OLU未満(0.28ドル未満)、複雑なレポートで約10 OLU(約1.40ドル)、深い調査で約40 OLU(約5.60ドル)といった具合だ。
ここに落とし穴があり、「PromptQLとは何か」を扱うほとんどの記事はこれを見落としている。1 OLUあたりの価格は固定だが、選ぶモデルによって1タスクが消費するOLU数が変わり、その振れ幅は非常に大きい。Claude Opus 4.6の1.0倍を基準にすると、GPT-5.2は0.42倍、Kimi K2.7は0.17倍、DeepSeek V4 Flashは0.018倍にまで下がり、Hasuraはこれを同じ作業で最大57倍安いと説明している。つまり同じレポートでも、モデルのドロップダウン次第で数ドルにも数セントにもなり得る。自分の数値を入力してみよう:
ここでの教訓は数字ではなく習慣だ。PromptQLでは、日常的なタスクにオープンウェイトモデルを選ぶかどうかが、誤差レベルの金額と実際の出費項目との違いを生む。これはAIエージェントのコストに対して私たちが適用しているのと同じ総保有コストの考え方であり、モデルのドロップダウンがそのダイヤルというわけだ。
PromptQLが向いている人(向いていない人)
ドキュメント、Playgroundのスクリーンショット、料金ページに浸かった末の正直な見解は、PromptQLは特定の種類のチームを厚遇し、それ以外のすべての人をいらだたせるというものだ。
向いているのは、システム横断で乱雑なデータを扱い、本物の信頼性要件を持ち、セマンティックレイヤーをモデル化するエンジニアリング上の意欲があるデータ・分析チームだ。セットアップは(コネクタ、HMLメタデータ、DDN CLIといった)本物のデータプロジェクトであり、プラグアンドプレイではないが、その見返りとして、あらゆるステップ(クエリプラン、Python/SQL、アーティファクト、信頼性スコア)を検証できるエージェントが手に入る。プランを立ててから実行するという設計は、自分のデータに対する自信満々に間違えるAIへの回答として、私がこれまで見た中で最も説得力があるものだ。
向いていないのは、すぐ使える手軽なアシスタントが欲しい場合、データエンジニアのいない小規模チームである場合、あるいは実際の仕事がカスタマーサポートである場合だ。評価する人にとって指摘しておく価値がある点として、PromptQLの公的な実績はまだ薄く、G2やCapterraのレビューは今のところなく、公式のShow HNローンチも2回ともほとんど注目を集めなかった(一方は6ポイント・コメント4件、もう一方は6ポイント・コメント1件)。一方で、開発者コミュニティ自体はその方向性を好意的に受け止めているようだ:
"I have built and managed more than 10 production codebases that use Hasura. IMO, I think it's a better option than Supabase, Payload, and others to build your backend. The fact that they are investing time in LLM-related resources for the platform makes me happy we choosed it back when."
このアイデアのサポート版としてeeselを試す
ここまで読んでいるのが「自分の作業を見せ、確信がないときはそう伝える、事実に基づいたエージェント」という発想に共感したからで、しかしあなたのデータがウェアハウスではなくヘルプデスクにあるのなら、それはまさに私がeesel AIで取り組んでいる課題だ。PromptQLはプランを立ててから実行する規律をデータ分析の世界に持ち込む。eeselは「当てずっぽうをしない、事実に基づける、まず証明する」という同じ発想をサポートの世界に持ち込む。
具体的には、eeselはSlack、ヘルプデスク、ConfluenceやNotionといったナレッジソースに接続し、その知識をもとに引用付きで回答し、ハルシネーションを起こす代わりにエスカレーションし、そして私がそれなしではリリースしない部分として、実際の顧客に返信する前に過去のチケットに対してシミュレーションを行う。8,000社以上の顧客にわたって、導入初月からティア1の問い合わせ量のかなりの部分を実際に解決しており、料金は座席あたりの費用なしの従量課金だ。PromptQLが信頼できるデータのチームメイトなら、eeselは信頼できるサポートのチームメイトだ。
eeselを試すのは無料で、数分でソースを接続でき、何かにコミットする前にシミュレーションを実行できる。
