現代のエンタープライズにおいて、デジタル・ワークスペースは「調整劇（coordination theater）」へと堕ちかねません。そこではチームが、仕事を実行するよりも仕事について話し合うことに多くの時間を費やします。
SlackやTeamsのような従来のツールは迅速なコミュニケーションに強みを持つ一方で、AIエージェントのための信頼できる土台としては構造的に機能してきませんでした。その結果、2026年2月に「OpenAIがAIエージェントを支援するためにSlackの自社版を作るべきだ」と呼びかけるHacker Newsスレッドがバズり、コメントは327件に達しました。
というのも、エージェントは本当に役立つために必要なリアルタイムの文脈や、セキュアなデータアクセスを欠いていることが多く、その結果「幻覚（hallucinations）」を起こしたり、コードベースの慣習を繰り返し説明し直したりすることになりがちです。
PromptQLは、GraphQLユニコーンのHasuraから生まれたスピンオフ企業ですが、AIデータツールからの転換によってこの問題に取り組んでいます。カジュアルで定常的なチームのやり取りを、エージェント主導のワークフローのための持続的でセキュアな記憶へと変えることを目的とした、包括的でAIネイティブなワークスペースを構築しています。つまり、会話がそのまま放置されたり、ユーザーやエージェントが後からそれを探し直さなければならないのではなく、整理された形式――社内wiki――として、実行可能で独自のデータに蒸留して保存され、以後ずっと、必要に応じて手動で承認・編集しながら、会社が頼れる状態になります。
たとえば、バグ修正が必要なとき、2人の同僚がメッセージでやり取りする場面を想像してください。エンジニアやエージェントに手動で割り当てるのではなく、メッセージング・プラットフォームが自動でタグ付けし、割り当て、wikiにワンクリックでドキュメント化します。では、これをエンタープライズ内で発生するあらゆる課題や議論のテーマに対して行うとしたら――PromptQLが目指しているもののイメージが湧くはずです。考え方はシンプルですが強力です。仕事の前に必ず起きる会話を、実際の割り当てへと変換し、それをあなたのメッセージングシステムが自動的に開始するのです。
「もはや仕事についての会話はしません、というわけではないですが」CEOのTanmai Gopalは、VentureBeatとの最近のビデオ通話インタビューでこう語りました。「実際には、その 仕事を 実行するような会話があるんです。」
もともとはAIデータアナリストとして位置づけられていた同社は――GraphQLユニコーンのHasuraからのスピンオフ――フルスケールのAIネイティブ・ワークスペースへと舵を切っています。
それは単に「チャットボット付きSlack」ではありません。チームがデータ、ツール、そして互いにどのように関わるかを、根本から作り直すことです。
「PromptQLは裏で働くこの仕事の相棒で、24時間365日ずっと本当の仕事を回し続けている。コードを見て、仮説を確認して、いろいろな場所を行き来して、実際に仕事をするんです」とGopalは述べました。
テクノロジー：共有され、継続的に更新されるコンテキストエンジンへ自動で変換されるメッセージ
PromptQLの技術的な核は、そのShared Wiki（共有wiki）です。従来のLLMは「メモリ」の問題に悩まされます。つまり、過去のやり取りを忘れたり、古い学習データに基づいて「幻覚」を起こしたりします。
PromptQLは、チームが作業する中で「共有コンテキスト」を取り込むことでこれを解決します。エンジニアがバグを直すとき、あるいはマーケターが「リサイクルされたリード」を定義するとき、彼らはただ空白に向かって入力しているわけではありません。生きた社内のWikipediaを教えているのです。このwikiは「ドキュメンテーション・スプリント」や手作業のYAMLファイル更新を必要としません。コンテキストは自然に蓄積されます。
「あらゆる会話の中で、あなたはPromptQLに教えていて、それが時間とともに開発されているこのwikiに蓄積されていきます。これが、私たちの会社の知識が少しずつ一つに集まっていく仕組みなんです。」
相互接続性：ペトリ皿の中の細胞のように、小さな「知識の島」（たとえばSalesforceの連携）同士が、最終的にはSnowflake上のプロダクト利用データのような別の島と橋渡しされて結びつきます。
ヒューマン・イン・ザ・ループ：AIが「ゴミ」（たとえば2024年の医師の診察予定のリマインドのようなもの）を学習してしまうのを防ぐために、人間は事実を正として確定（canonize）するには明示的に「Add to Wiki（wikiに追加）」する必要があります。
仮想データ層：データのレプリケーションを要求する従来のプラットフォームとは異なり、PromptQLは仮想SQL層を使います。Snowflake、Clickhouse、Postgresのような複数のデータベースと、Stripe、Zendesk、HubSpotといったSaaSツールにまたがって、データをその場で問い合わせます。つまり、何も抽出したりキャッシュしたりされません。
PromptQLは、主要なAIモデル提供事業者の両方と、既存のエンタープライズツールの巨大なエコシステムの双方をサポートする、高度に統合可能なオーケストレーション層として設計されています。
AIモデル対応：このプラットフォームでは、Claude CodeやCursorのような特定のコーディングエージェントにタスクを委任したり、特定の社内ニーズに合わせて作られたカスタムエージェントを使ったりできます。
ワークフロー互換性：この仕組みは、既存のチームツールからコンテキストを引き継ぐように構築されています。これにより、AIエージェントは、手作業での再説明なしに、既存のインフラからコードベースの慣習やデプロイのパターンを理解できるようになります。
チャットから実行へ
PromptQLのインターフェースは見慣れたものに見えます――スレッド、チャンネル、メンション――しかし機能は変革的です。デモでは、エンジニアが#eng-bugsチャンネルで決済が失敗していることを見つけました。
人間のSREにタグ付けする代わりに、PromptQLを通じてClaude Codeへ委任します。エージェントはコードを眺めるだけではありません。チームの共有コンテキストを引き継ぐのです。
たとえば、「1月15日にEUの支払いがAdyenに切り替わった」という事実が、数週間前にすでにwikiに追加されていることを、そのエージェントは知っています。
数分以内にAIは通貨の不一致を特定し、修正を反映させ、PRを開き、将来の参照のためにwikiを更新します。この「マルチプレイヤー」型のAIアプローチこそが、プラットフォームを際立たせています。
また、技術に詳しくないマネージャーが「どのアカウントはStripeの請求が伸びているのにMixpanelの利用は横ばいですか？」と尋ねると、2つの別々のソースから引いてきたデータを即座に結合したテーブルが返ってきます。その後、ユーザーは追加のフォローアップコマンドひとつで、これらの結果を定期的にSlackのDMとしてスケジュールできます。
さらに、ユーザーはデータの整合性やクリーンさについて考える必要すらありません。PromptQLがそれを肩代わりします。「どんな状態であれ、クソみたいな状態であっても全部のデータを接続して、あなたがそれを使うにつれて共有コンテキストがその場で積み上がっていくようにするんです」とGopalは言いました。
非常にセキュア
マクドナルドやシスコのようなFortune 500企業にとって、「データをただ接続してください」は恐ろしい一言です。PromptQLはきめ細かなアクセス制御でこの問題に対処します。
.システムはインフラ層で属性ベースのポリシーを適用します。たとえばRegional Ops Managerが全リージョンにわたるベンダー単価を要求した場合、AIはLLMが答えを「知っていた」としても、閲覧を許可されていない列や行を秘匿（redact）します。さらに、Netsuiteで支払いステータス38件を更新するような重要度の高い操作は、実行前に必ず人間による「Approve/Deny（承認/拒否）」のサインオフが必要になります。
ライセンスと価格設定
「シート単位」のSaaSという従来の常識からの変更として、PromptQLは完全に従量課金です。
価格：同社は「Operational Language Units（OLU）」を使用します。
哲学：Gopalは、シート単位で課金すると、チーム全員のオンボーディングに対して企業が罰せられると主張します。OLUで表される価値に対して課金することで、PromptQLはユーザーに「みんなとすべて」を接続することを促します。
エンタープライズストレージ：小規模チームは専用アカウントを利用しますが、エンタープライズ顧客には専用VPCが提供されます。AIが「保存する」データ（カスタムのTo-doリストのようなもの）は、Iceberg形式で顧客自身のS3バケットに保存されます。これにより、データの主権が完全に保たれます。
「哲学的に言えば、私たちは皆さんやあらゆるものを[PromptQL]につなげたいんです。だから、その点で罰則は設けません」とGopalは言いました。「消費に基づいて価格設定するだけです。」
いま企業にとって重要な理由
では、PromptQLはTeamsやSlackのキラーなのでしょうか。Gopalによれば、答えは「イエス」です。「それが、私たちのところで実際に起きました。社内の連絡手段として使うために、社内Slackを完全に停止しました」と彼は語っています。」
このローンチは、業界の転換点にやってきました。企業は「PDFとチャットする」だけでは不十分だと気づき始めています。必要なのは実行できるAIですが、「監視なし」のエージェントに伴うセキュリティ上のリスクを、コスト面で引き受けるわけにはいきません。
共有コンテキストを重視し、人間が介在する（human-in-the-loop）検証によって裏付けるワークスペースを構築することで、PromptQLは中間的な選択肢を提供しています。つまり、チームメイトのように学習し、インターンのように実行するAIでありながら、エンタープライズのセキュリティのガードレールの範囲内にとどまるのです。
AIを大規模に動かすことに注力する企業にとって、PromptQLは、エージェント型システムを導入するために必要なオーケストレーションと運用のレイヤーを提供することで、実装における決定的な「どうやって（how）」に対応します。
従来のチャットツールが生み出す「調整の見せかけ（coordination theater）」を、AIエージェントが人間のチームメイトと同じ権限とコンテキストを持つワークスペースに置き換えることで、シームレスなマルチエージェントの連携とタスクの振り分けが可能になります。これにより、意思決定者は単なるモデル選定を超えて、Claude Codeのようなエージェントが共有されたチームのコンテキストを使って、稼働中のスレッドの中で直接、たとえば本番環境のバグ修正やCRMレコードの更新といった複雑なワークフローを実行できる現実へと踏み出せます。
データ基盤の観点では、プラットフォームは、データを「その場で」照会する仮想SQLレイヤーを利用することで、リアルタイムのパイプラインやRAGに対応できるアーキテクチャの管理を簡素化します。これにより、SnowflakeやPostgresのようなデータベースにある数十万のテーブルに対して、高価で時間のかかるデータ準備や複製を行うためのスプリントが不要になります。
さらに、システムの「Shared Wiki」は、標準的なベクターデータベースやプロンプトベースのメモリに代わる、より優れた選択肢として機能します。部族的な（暗黙の）知識を自然に取り込み、会社固有の推論に基づいて、あらゆるAIのやり取りに情報を与える“生きたメタデータストア”を作り出します。
最後に、PromptQLは、きわめて重要なセキュリティガバナンスを現代のAIスタックに適用することで対応します。属性ベースのきめ細かなアクセス制御と、ロールベースの権限を強制するのです。
human-in-the-loop（人間が介在する）検証を通じて、高リスクな操作やデータの変更は明示的な承認が必要な状態に保ち、不正なモデルの使われ方や、認可されていないデータ漏えいを防ぎます。
GPUクラスタの最適化やハードウェアの調達といった物理インフラの作業は支援しませんが、エージェント型ワークフローがSOC 2、HIPAA、GDPRのようなエンタープライズ基準に準拠したままでいられるよう、必要なソフトウェアのガードレールと監査可能性を提供します。
