見出し画像
Photo by alinco_life

【第567回】 Data Cloud ： 2026 年 8 月 新機能リリース ハイライト

Nobuyuki Watanabe

現在、Data 360（Data Cloud）では 他の Salesforce 製品とは異なり毎月新機能がリリースされています。その数の多さに加え、内容も高度であるため、私自身キャッチアップに苦戦しています。

そこで、毎月の Data Cloud 新機能リリースのハイライトをまとめてあります。日頃の学習に活用してください。

過去の記事

2026 年 8 月リリース ハイライト

2026 年 8 月の Data 360 リリースでは、Agentic AI の実用化を大きく前進させるアップデートが数多く追加されました。

今回、特に 最重要は Agentic AI の 3 つだと思います。7 月に登場した Agentic Memory and Context が、8 月には「記憶できる」から、ユーザーをチャネル横断で認識する・Facts / Preferences を自動更新する・APIなしで外部エージェントを登録する ところまで一気に実用化が進んでいます。

凄い進化ですね。


それでは、今月の主な新機能を順番に見ていきましょう。

Agentic AI

① チャネルやデバイスをまたいでユーザーの記憶を統合

Agentic Memory & Context で、チャット、電話など異なるチャネルやデバイスで行われた会話や記憶を、同じユーザーとして統合できるようになりました。

既知ユーザーだけでなく匿名ユーザーから始まった会話についても、Data 360 の Identity Resolution（ID 解決）を利用して同一人物として紐付けることで、エージェントがチャネルをまたいでユーザーのコンテキストを引き継ぐことができます。

例えば、ある顧客が最初にチャットでサポートへ問い合わせ、その後、電話で営業担当者に連絡した場合でも、それぞれのやり取りが同じ Unified Individual に紐付いていれば、営業側のエージェントは、以前のサポートで得られたユーザーの情報や好みを利用できます。

仕組みとしては、会話が Data 360 に取り込まれると、Conversation API の Owner ID から Individual を特定し、Identity Resolution によって Unified Individual に紐付けます。会話から抽出された記憶もこの Unified Individual に関連付けられ、GetContext API が関連する Individual をたどって、そのユーザーに関する記憶を取得します。

主なポイントは以下の通りです。

  • 異なるチャネルやデバイスの会話履歴や記憶を統合

  • Identity Resolution を利用して同一人物を特定

  • ユーザーの記憶を Unified Individual に紐付け

  • チャネルが変わっても過去の Facts や Preferences などを利用可能

  • 複数のエージェントから得られた記憶も同じユーザーとして活用

設定方法

Data 360 の Agent Config から Configure Agent を開き、Profile DMO に、Identity Resolution のルールセットで使用している Unified Individual DMO を選択して保存します。

なお、この Profile DMO は Data Space 単位の設定となり、同じ Data Space 内のすべてのエージェントに同じ Profile Unification の設定が適用されます。また、一度設定した Profile DMO は変更できません。Profile DMO の項目は、その Data Space に Identity Resolution のルールセットが設定されている場合のみ表示されます。

今回のアップデートによって、Agentic Memory & Context が単に「過去の会話を記憶する」だけではなく、Data 360 の Identity Resolution と組み合わせて、チャネルやエージェントをまたいだユーザー単位の記憶として利用できるようになったのがポイントです。

7 月と 8 月のアップデートの違いについて

少し 7 月と 8 月のアップデートの違いが分からなかったので整理します。

7 月のアップデートの内容

Webチャット
Individual A
   ↓
会話① → Memory
   ↓
会話② → 過去のMemoryを利用

これは Individual A の過去の会話を覚えているという話です。

8 月のアップデートの内容

Webチャット             電話
Individual A           Individual B
      ＼                 ／
       Identity Resolution
              ↓
       Unified Individual
              ↓
      AとBのMemoryをまとめて利用

Web チャットではメールアドレス、電話では電話番号など、入口や識別子が違って別の Individual として存在していても、Identity Resolution によって同一人物に統合されていれば、その配下の記憶を横断して取得できるというところがポイントです。

② 会話からユーザーの情報や好みを自動的に更新

7 月に追加された Agentic Memory & Context では、エージェントとの会話から Conversation Summary、Profile Fact、Profile Preference などの Memory を抽出し、セッションをまたいで利用できる仕組みが追加されました。

今回のアップデートでは、この Memory Extraction がさらに強化され、会話の中でユーザーが新しい情報を伝えたり、以前とは異なる好みを伝えたりした場合に、Data 360 がその変化を自動的に反映できるようになりました。

例えば、以前の会話でユーザーが、

  • 「連絡はメールがいいです」

と話していたものの、後の会話で、

  • 「今後は電話で連絡してください」

と伝えた場合、新しい発言を優先して Memory を更新します。

Memory Extraction では、新しいメッセージだけでなく、すでに抽出されている Memory も考慮して処理されます。そのため、重複する情報の統合、重複した Memory の削除、新旧の情報が矛盾した場合の解決などが行われ、矛盾する場合は新しい情報が優先されます。

主なポイントは以下の通りです。

  • 会話からユーザーの Facts や Preferences を自動抽出

  • 特別なルールやプロンプトの設定は不要

  • 会話が続く中で Memory を継続的に更新

  • 重複する情報を統合・整理

  • 古い情報と新しい情報が矛盾した場合は新しい情報を優先

  • 更新された Memory を将来の会話のコンテキストとして利用

Memory Extraction は、会話中に一定間隔で実行されるほか、未処理のメッセージ量や経過時間、セッション終了などを契機として実行されます。抽出される Memory には、会話単位の Conversation Summary、ユーザー単位の Profile Fact、Profile Preference があります。

また、Profile Preference には Confidence Score（0.0～1.0） が設定され、時間の経過とともに信頼度が低下します。ただし、そのPreferenceが再び確認されると強化され、ユーザーが明示的に伝えたPreferenceは、推測されたものより高い信頼度を持ちます。

7月：会話からユーザーの情報を「記憶できるようになった」
8月：その記憶を新しい発言に合わせて「継続的に更新・整理できるようになった」

③ 外部 AI エージェントを UI から簡単に登録

7 月に追加された Agentic Memory & Context では、外部 AI エージェントを Data 360 に登録することで、会話の取り込み、記憶の抽出、コンテキストの取得に必要な環境を自動的に構築できるようになりました。

これまでは、このエージェントの登録を Agentic Memory & Context API を使用して行う必要がありましたが、今回のアップデートで Data 360 の画面から登録できるようになりました。Salesforce の現在のドキュメントでも、UI または API のどちらからでも登録できることが確認できます。

Agent Config からエージェントの基本情報を登録すると、Data 360 がバックグラウンドで、Agentic Memory & Context に必要な環境を自動的に構築します。

主なポイントは以下の通りです。

  • Agent Config の画面から外部 AI エージェントを登録

  • API コードを書かずに Agentic Memory & Context をセットアップ

  • Ingestion API Connector や DLO を自動作成

  • 会話や記憶を保存する DMO と Mapping を自動作成

  • Session Data Graph や Profile Data Graph を自動作成

  • 登録完了後、会話の取り込み、記憶の抽出、コンテキストの取得に利用可能

実際には、最初のエージェントを登録すると、その Data Space に必要な Agentic Setup が作成され、会話、Memory、Summary、Execution Trace などを取り込むための Connector、DLO、DMO、Data Graph などが自動的にプロビジョニングされます。

設定方法

Data 360 の Agent Config から New をクリックし、以下を設定します。

  • Agent Name

  • Agent API Name

  • Data Space

  • Profile DMO

設定して保存するとステータスが Processing となり、必要な環境の構築が完了すると Active に変わります。Active になるまでは Conversation API や Context API から利用することはできません。

Enterprise Knowledge

① Google Drive の非構造化データを Data 360 に取り込み

Google Drive Unstructured Connector が一般提供（GA）となり、Google Drive に保存されている非構造化コンテンツを Data 360 に取り込めるようになりました。

このコネクタでは、共有ドライブと個人のマイドライブのファイルやフォルダを Data 360 と同期できます。

取り込んだコンテンツは検索可能になり、CRM や Slack からの検索、AI での活用につなげることができます。

これにより、Google Drive に蓄積されている社内資料やドキュメントなどを Data 360 に集約し、AI エージェントが利用するナレッジとして活用 しやすくなります。

メリット

  • Google Drive の非構造化コンテンツを Data 360 に取り込み可能

  • 共有ドライブと個人のマイドライブの両方に対応

  • 取り込んだコンテンツを検索可能

  • CRM や Slack からナレッジを活用可能

  • Google Drive に蓄積された情報を AI や検索体験に活用

設定方法

  1. Data 360 の Setup から Other Connectors を開きます。

  2. Google Drive Unstructured Connector を使用して接続を作成します。

  3. Google Service Account を使用して認証します。

  4. Data Lake Objects タブから From External Files を選択します。

  5. Google Drive をデータソースとして選択し、非構造化コンテンツを取り込みます。

② Push Connector で外部システムから非構造化コンテンツを取り込み

Data 360 に新しいデータ取り込み方式となる Push Connector が追加され、外部のコンテンツ管理システムなどから、非構造化コンテンツを SFTP 経由で Data 360 に直接送信できるようになりました。

従来のように Data 360 側から外部システムのデータを取得（Pull）するのではなく、外部システム側から任意のタイミングで Data 360 にコンテンツを送信（Push）できることが大きな特徴です。

以下の Push Connector が一般提供（GA）となりました。

  • MadCap Flare Push Connector

  • IXIA CCMS Push Connector

  • Heretto Push Connector

  • Tridion Push Connector

  • SFTP Unstructured Connector

特に SFTP Unstructured Connector は特定のコンテンツ管理システムに限定されず、SFTP でコンテンツを送信できるシステムであれば利用できます。

送信されたコンテンツは Data 360 のステージング領域に保存され、Unstructured Data Lake Object（UDLO）として処理できます。さらに、必要に応じてコンテンツのハーモナイゼーションやセマンティック検索を有効化することで、Agentforce エージェントが回答に利用できるナレッジとして活用できます。

メリット

  • 外部システム側から任意のタイミングでコンテンツを Data 360 に送信

  • 各種コンテンツ管理システムの公開ワークフローと連携可能

  • SFTP に対応した任意のシステムから非構造化コンテンツを取り込み可能

  • 取り込んだコンテンツをセマンティック検索に活用

  • Agentforce エージェントのナレッジとして利用可能

設定方法

  1. Data 360 に SFTP Staging Area を作成し、SSH キーを生成します。

  2. 外部システムから、公開時などにコンテンツを SFTP 経由でステージング領域へ送信するよう設定します。

  3. Data 360 で対象の Push Connector を作成し、ステージング領域を指定します。

  4. Unstructured Data Lake Object（UDLO） を作成して、送信されたコンテンツを処理します。

  5. 必要に応じて、コンテンツのハーモナイゼーションやセマンティック検索を有効化します。

Intelligent Context

① DMO を Intelligent Context のデータソースとして利用

Intelligent Context のデータソースとして、構造化データを保持する Data Model Object（DMO） を直接選択できるようになりました。

これにより、DMO に保存されている構造化データをファイルとしてエクスポートしたり、別の形式に変換したりすることなく、そのまま Search Index の作成に利用できます。

例えば、従業員情報を DMO で管理している場合、その DMO を Intelligent Context のソースとして利用することで、最新の従業員情報を参照して質問に回答する社内向け AI エージェントを構築できます。

従来のように、DMO のデータを一度ファイルとして出力してナレッジ化する必要がないため、Data 360 に存在する構造化データを AI でより直接的に活用できるようになります。

メリット

  • DMO を Intelligent Context のソースとして直接利用可能

  • 構造化データから Search Index を作成可能

  • ファイルへのエクスポートやデータ変換が不要

  • Data 360 に保存されている最新の構造化データを AI エージェントで活用

  • 構造化データを利用した RAG の構築を簡素化

考慮事項

  • Search Index を保存・作成する際は、DMO から一度に最大 30 レコードを選択できます。

② ローカルファイルにメタデータを追加して検索精度を向上

Intelligent Context でローカルファイルをアップロードする際に、Subject（件名）や File Type（ファイルタイプ）などのメタデータを追加し、検索に利用できるようになりました。

追加したメタデータは、生成されるドキュメントのチャンクに Prepend（付加）したり、検索時の Pre-filter（事前フィルター）として利用したりできます。

これにより、単純にファイルの内容だけを検索するのではなく、メタデータを利用して検索対象を絞り込んだり、チャンクに追加のコンテキストを持たせたりすることができます。

例えば、製品マニュアルに「製品名」「対象ユーザー」「ファイルタイプ」などのメタデータを設定しておけば、「製品Aの管理者向けドキュメント」のように、特定の条件に絞って検索できるようになります。

主なポイントは以下の通りです。

  • ローカルファイルにメタデータフィールドを追加

  • Subject や File Type などの情報を検索に利用

  • メタデータを生成されるチャンクに Prepend

  • Pre-filter を使用して検索対象を事前に絞り込み

  • 非構造化データのチャンク化や検索をより細かく制御

設定方法

  1. 対象となる Intelligent Context Configuration の Edit Configuration を開き、SI Optimization を展開します。

  2. こちらからメタデータフィールドと値を追加し、Prepend に利用するフィールドを選択します。さらに、必要に応じて検索時に使用する Filter Condition を設定します。

Document AI

① Word・PowerPoint をバッチ処理で直接解析

Document AI の Batch Jobs が Microsoft Office ファイルに対応し、Word（.docx）と PowerPoint（.pptx）を直接処理できるようになりました。

これにより、大量の Word や PowerPoint ファイルから構造化データを抽出する際に、事前に PDF へ変換する必要がなくなりました。

例えば、

  • オファーレター

  • 営業資料や提案資料

  • 契約書

など、大量のドキュメントを Document AI の Batch Jobs でまとめて処理できます。

1 ファイルあたり 最大 10 MB、または 25 ページまで処理できます。

メリット

  • Word（.docx）と PowerPoint（.pptx）を Batch Jobs で直接処理

  • PDF への事前変換が不要

  • 大量のドキュメントから構造化データを一括抽出

  • 契約書や提案資料などのドキュメント処理を効率化

7 月にはすでに Document AI が Word・PowerPoint・Excel を Connect API から直接解析できるようになっていました。今回の 8 月アップデートは、そのうち Word・PowerPointについて「Batch Jobs」でのネイティブ処理にも対応したという位置づけです。

検索・Retriever

① Ensemble Retriever を Playground で調整・テスト

Data 360 の Retriever Playground で、Ensemble Retriever の検索結果を直接テストし、調整できるようになりました。

Ensemble Retriever は、複数の Retriever の検索結果を組み合わせて、より適切な情報を取得するための Retriever です。

今回のアップデートでは、実際に LLM を呼び出したり、ローカル環境で個別にテストしたりすることなく、Retriever Playground 上で Ensemble Retriever がどのような検索結果を返すのかを確認しながら調整・検証できます。

これにより、本番環境で Agentforce や RAG から利用する前に、意図した情報が取得できているかを確認し、不要な検索結果を減らすことができます。Salesforce も、無関係な出力によるユーザーの信頼低下や、不要なコストの増加を防ぐことを今回の改善点として挙げています。

主なポイントは以下の通りです。

  • Ensemble Retriever を Retriever Playground でテスト

  • 複数の Retriever を組み合わせた検索結果を確認

  • 検索結果を確認しながら Retriever を調整・最適化

  • LLM を呼び出さずに Retriever 単体の検索精度を検証

  • ローカル環境での個別テストが不要

  • 本番利用前に不要な検索結果などを確認

設定方法

  1. Data 360 の AI Models タブから Test Retriever を選択します。

  2. または、対象となる Ensemble Retriever のアクションメニューからテストを開始できます。

開発者向け機能

① Batch Transform から予測 AI モデルを呼び出し

Data 360 の Code Extension の Batch Transform Script から、AI Models（旧 Einstein Studio）にデプロイされた予測 AI モデルを呼び出せるようになりました。

7 月のアップデートでは、Code Extension の Batch Transform Script から 生成 AI モデルを呼び出せるようになりましたが、今回のアップデートではさらに 予測 AI モデル（Predictive Model） にも対応しました。

  • 7 月：Batch Transform → 生成 AI モデルを呼び出せる

  • 8 月：Batch Transform → 予測 AI モデルも呼び出せる

これにより、DLO や DMO に保存されているデータを Batch Transform で処理しながら、予測 AI モデルによる スコアリング、分類、予測などを実行し、その結果を DLO や DMO に書き戻すことができます。

例えば、顧客の利用状況や行動データが DMO に保存されている場合、それらのデータから必要な特徴量を Python で計算し、解約予測モデルを呼び出して、顧客ごとの解約確率を算出して DMO に保存するといった処理が可能です。Salesforce のドキュメントでも、顧客の利用状況から利用傾向を計算し、解約確率を予測する例が紹介されています。

主なポイントは以下の通りです。

  • Batch Transform Script から予測 AI モデルを呼び出し

  • DLO / DMO のデータを予測モデルの入力として利用

  • Python でモデルに必要な特徴量を計算

  • レコードごとに予測結果を生成

  • 予測結果を DLO / DMO に書き戻し

  • 回帰、二値分類、分類、Multi-Outcome、Clustering などの予測タイプに対応

  • 生成 AI に加えて予測 AI も Code Extension から利用可能

予測モデルの呼び出しには einstein_predict_col() が用意されており、DataFrame の各レコードに対して予測を実行できます。また、1件だけ予測したい場合は einstein_predict() を利用することもできます。

利用方法

Code Extension Script で、基本的に以下の流れで処理します。

  1. DLO または DMO からデータを読み込む

  2. 予測モデルに必要な特徴量を計算

  3. デプロイ済みの Predictive Model を呼び出す

  4. 予測結果を取得

  5. 結果を対象の DLO または DMO に書き込む

利用するには、AI Models に予測モデルがデプロイされ、有効化されている必要があります。また、Data Cloud Architect 権限や Code Extension の開発環境なども必要です。

データ活用

① Snowflake Zero-Copy V2 Connector でデータ共有を強化

Data 360 と Snowflake のデータ共有で、Snowflake Zero-Copy V2 Connector を利用できるようになりました。

Zero-Copy を利用することで、Data 360 のデータを Snowflake 側へコピーすることなく共有し、Snowflake にマウントされたデータベースとして直接クエリできます。

今回の V2 Connector では、OIDC（OpenID Connect）による認証に対応したほか、Snowflake の Streams と Tasks を利用して変更されたデータを処理できるようになっています。

主なポイントは以下の通りです。

  • Snowflake Zero-Copy V2 Connector を利用したデータ共有

  • データを複製せずに Snowflake から Data 360 のデータを参照

  • OIDC による認証に対応

  • Snowflake の Streams と Tasks を利用してデータの変更を処理

  • Data 360 の共有データを Snowflake のマウントされたデータベースとしてクエリ可能

設定方法

  1. Data 360 で Data Share と Snowflake V2 Data Share Target を作成し、それぞれを紐付けます。

  2. 設定後、Snowflake 側から共有された Data 360 のデータを、マウントされたデータベースとして参照できます。

既存の Snowflake Data Share を利用している場合は注意

  • 今回のアップデートでは、従来の Legacy Snowflake Data Share Target を新規作成できなくなっています。

  • 既存の Legacy Snowflake Data Share Target を利用している場合は、Snowflake V2 Data Share Target への移行が必要です。

② Activation から関連する Activation-Triggered Flow を確認

Data 360 の Activation の画面から、その Activation に関連付けられている Activation-Triggered Flow を直接確認できるようになりました。

Activation-Triggered Flow は、Data 360 の Activation をトリガーとして Salesforce Flow を実行し、Data 360 のデータを利用した後続処理を自動化するための仕組みです。

今回のアップデートでは、Activation のレコードに Associated Flows セクションが追加され、関連する Flow を一覧で確認できるようになりました。

Flow 名をクリックすると、そのまま対象の Flow を開くことができるため、Activation と Flow の関係を確認しながら、設定変更、監視、トラブルシューティングを行いやすくなります。

主なポイントは以下の通りです。

  • Activation に関連する Activation-Triggered Flow を一覧で確認

  • Associated Flows セクションから関連する Flow を確認

  • Flow 名から対象の Flow を直接開くことが可能

  • Activation と Flow の関連性を把握しやすくなる

  • Flow の設定変更やトラブルシューティングが容易に

確認方法

  1. Data 360 で対象となる Activation Record を開き、Associated Flows セクションを確認します。

  2. 関連する Flow の名前をクリックすると、対応する Flow のレコードを直接開くことができます。

データ接続・管理

① Web・Mobile Connection に Alias を設定

Web and Mobile Data Connections に Connection Alias が追加され、接続ごとに一意の 3 文字のエイリアスを任意で設定できるようになりました。

複数の Web または Mobile Connection に同じ Data Kit Package をデプロイする場合、接続間で名前が重複する可能性があります。

今回のアップデートでは、各 Connection に固有の Alias を設定することで、このような名前の衝突（Name Collision）を回避できるようになりました。

メリット

  • Web / Mobile Connection ごとに一意の Alias を設定可能

  • 複数の Connection への Data Kit Package 展開時の名前衝突を防止

  • 3 文字の Alias で接続を識別

  • 複数の Web サイトやモバイルアプリを扱う環境での管理性を向上

設定方法

  1. Web and Mobile Data Connections Setup を開きます。

  2. Add a Connection を選択します。

  3. New Connection 画面で、必要に応じて Connection Alias を指定します。

いかがでしたでしょうか。

Agentic Memory & Context は今後も継続的に進化していくことが予想されるため、どのタイミングでキャッチアップするかが難しい機能でもあります。

ただし、個々の機能を細かく追いかけるだけでなく、Agentic Memory & Context がどのような方向に進化しているのか、全体的な流れを把握しておくことは重要だと思います。

Agentforce に深く関連する機能ではありますが、Data 360 を基盤としているため、Data 360 のアップデートの一部として発表されています。今後の Agentforce を理解するうえでも、ぜひ押さえておきましょう。

今回は以上です。


次の記事はこちら

前回の記事はこちら

私の note のトップページはこちら