Docusign、AI-assisted analytics engineering で dbt unit testing を拡張

dbt Labs は 2026年5月18日、Docusign による AI-assisted analytics engineering の guest post を公開しました。dbt unit testing の test case 作成を AI で支援しつつ、人間の validation を残す framework が紹介されています。

要点

• dbt unit tests は production data がない段階でも transformation logic を検証できる
• Docusign は model SQL を AI に解釈させ、logic summary と test case を生成する framework を作った
• AI は engineer の代替ではなく、repetitive test authoring の accelerator として位置づけられている
• human validation を workflow に組み込み、AI interpretation の誤りを検出する設計が重要になる

今回のブログ記事で語られていること

この記事は、Docusign の analytics platform が拡大するなかで、production data が存在する前に data logic をどう検証するか、という課題から始まります。通常の dbt data tests は not_null や unique のように既存 dataset に対して品質条件を確認します。一方、新機能や新しい pipeline では、まだ十分な production data がなく、SQL transformation の logic が期待どおりかを mock input と expected output で検証する unit test が重要になります。

Docusign が直面した問題は、unit test の価値ではなく、作成コストです。複雑な dbt model では、join、filter、CASE logic、column transformation、edge case を人間が一つずつ読み解き、mock data と expected result を書く必要があります。これを大規模に続けるのは難しいため、Docusign は AI を使って test authoring を支援する workflow を作りました。

ブログで示される framework は、まず engineer が dbt model を入力し、AI workflow が SQL を解析します。AI は column-level transformation、join、filter、logical branch を抽出し、source table、output column、transformation rule の summary を作ります。ここで重要なのが human validation です。engineer が AI の解釈を確認し、正しいと判断してから test case generation に進みます。その後、positive case、negative case、edge case を作り、synthetic mock data と expected outputs を用意します。

この構成は、AI を「正解を出す black box」として扱わず、repetitive な下書き生成を任せる設計です。analytics engineer は、AI が作った logic summary と test cases を review し、domain knowledge や business rule に照らして修正します。これにより、test coverage を広げつつ、責任は人間の検証工程に残ります。

実務で確認したいポイント

1. AI に SQL を読ませる前に、model の入力・出力・business rule を明確にする
2. AI-generated logic summary を必ず人間が review する
3. positive / negative / edge case を分け、mock data の coverage を見る
4. 生成された dbt unit tests を CI に組み込み、変更時の regression を検出する

どう読むべきか

この投稿は、AI を analytics engineering の自動操縦にする話ではなく、品質保証の面倒な下書きを速くする話です。dbt unit testing を広げたいが手作業では追いつかないチームにとって、human-in-the-loop の AI workflow は現実的な導入パターンです。