この資料でこんなことが分かります
目次
- AI-Readyとは
- AI-Readyの3つの柱
- AI-Readyな環境構築に求められる要件
- AI-Ready戦略を進めるロードマップ
本資料は、AI導入やAI活用を推進するご担当者様、特にデータ活用における課題から、具体的な導入に踏み出せていない皆様にぜひお読みいただきたい内容です。
AI-Readyな環境を構築するために多くの企業が直面する、散在するデータの統合と整備。この課題に対し、実際に必要な取り組み要素やAI活用に不可欠なデータ基盤を効率的に構築・運用するための実践ロードマップを紹介します。
EXECUTIVE SUMMARY
エグゼクティブサマリー
AI・データ活用に「劇的な変革」または「大きな改善」を期待していると答えた企業は64.9%。一方で「明確な成果が得られている」と答えた企業は16.4%にとどまります。その差、48.5ポイント 1。
差を生んでいるのは、モデルの性能ではありません。データの定義、業務ルール、コード値の意味。AIに渡している自社の文脈が揃っているかどうかです。文脈が欠けたまま質問されたAIは、答えられないのではなく、もっともらしく間違えます。
同じ調査では、AIエージェントに投資している企業のうち60.5%が、データ基盤の整備を優先投資項目に挙げていません。投資は動いています。ただし、成果を左右する側にはまだ向いていません。AI-Readyという状態は、品質・意味・責任の3本柱に分解できます。自社の現在地は15問で測れて、最初の成果までの道のりは3ヶ月です。
|
課題 期待64.9%に対し、明確な成果は16.4%。原因はモデルの性能ではなく、AIに渡す自社の文脈が欠けていること。 |
打ち手 品質・意味・責任の3本柱。定義・業務ルール・コード値の意味をデータの外側に書き、AIから参照できる形にする。 |
到達点 同じ質問に、業務定義を適用したSQLで経理の正解値と一致する答えが返る。3ヶ月・3点セットから始められる。 |
本書で扱うこと
- 期待64.9%と成果16.4%、その48.5ポイントの差はどこから来るのか（第1〜2章）
- 「先月の売上を集計して」の一文で見る、文脈がある場合とない場合の違い（第3章）
- AI-Readyの3本柱と、自社の現在地を15分で測る診断チェックリスト15問（第4〜5章）
- 3ヶ月で最初の成果に届く実践3ステップと、経営層への説明の型（第6章・コラム）
CHAPTER 01
問いは「入れるべきか」から「なぜ、成果が出ないのか」へ
AIを入れるかどうかで社内が割れていた時期は、多くの企業でもう過ぎました。では、その先で何が起きているのでしょうか。
生成AIの活用方針（リスク管理方針・利用ガイドライン）を策定している企業は49.7%で、前年度の42.7%から伸びています。一部の業務で生成AIを利用している企業は55.2% 2。方針を決め、現場で使い始めるところまでは、標準的な景色になりつつあります。
成果の側を見ると、話が変わります。AI・データ活用に「劇的な変革」または「大きな改善」を期待する企業が64.9%あるのに対し、「明確な成果が得られている」は16.4%。おおよそ6社に1社です。期待と成果の間には48.5ポイントの開きがあります 1。
図1: 期待と成果のギャップ。AI・データ活用への期待と、実際に成果が出ている企業の割合の差
投資が足りないのかというと、そうとも言い切れません。同じ調査で「生成AI／エージェント型AIの開発・運用」を優先投資項目に挙げた企業は43.4%あります。ところが、AIエージェントに投資している企業に限って見ると、その60.5%はデータ基盤の整備を優先投資項目に入れていません。AIには投資しています。そのAIが読みにいく先には、投資が向いていません。
図2: 投資の逆説。AIエージェントへの投資と、データ基盤への投資の間にあるずれ
基盤の側と成果の側は、実際に連動しています。データ基盤が「全社で統合済み」と答えた企業は全体の13.9%。AI活用で成果を出している企業に限ると26.2%で、全体の2倍以上の水準です 1。
|
データ基盤が「全社で統合済み」 13.9% 全体（n=373） |
データ基盤が「全社で統合済み」 26.2% AI活用で成果を出している企業 |
数字がもう一つあります。生成AI導入時の懸念として最も多く挙がったのは「効果的な活用方法がわからない」でした 2。セキュリティでもコストでもなく、使い方が分からない、が1位に立っています。足りていないのはツールではなさそうです。
では、投資しているのに成果が出ないのは、なぜなのでしょうか。
CHAPTER 02
原因はAIではない — 欠けているのは自社の「文脈」
「AIは使えなかった」という結論には、多くの企業が似た道筋で到達します。その道筋のどこで、何が起きているのでしょうか。
型はほぼ共通しています。AIツールを導入し、PoCを実施し、精度が出ず、最後に「AIは使えない」と判断する。ここで多くの検討が止まります。止まった原因をモデルの側に置くと、次に別のモデルを試しても同じ場所に戻ってきます。
AIモデルそのものは、すでに差がつきにくい領域になりました。差がつくのは、そのAIが自社について何を知っているか、のほうです。データの定義とゆらぎ、独自の業務ルールとプロセス、コード値が持つ個別の意味。これらは世の中のどこにも書かれていません。自社の中にしかない情報です。
AIは、世界中の知識を持った非常に優秀な人材にたとえられます。ただし、入社初日の。会社の会計基準もコード表も渡されていない新入社員に、初日から「先月の売上を出しておいて」と頼む人はいないはずです。それでも、AIに対しては多くの企業がそれをやっています。
優秀であることが、ここで裏目に出ます。知識のある人ほど、分からないとは言わずに埋めてしまいます。高性能なAIほど、もっともらしく間違えます。文脈が渡されていない状態は、現場ではだいたい次の3つのどれかとして見えています。
図3: 整備できない3つの状態。属人化・定義の不在・責任者不在は、現場ではこうした会話として現れる
1つ目は属人化です。「このデータどこにある？」「更新のタイミングは？」「定義は誰が決めたの？」。質問の答えがすべて特定の一人の頭の中にある状態です。その人が休むと業務が止まりますし、頭の中にある情報はAIからも参照できません。
2つ目は定義の不在です。同じ「売上」という言葉が、部署ごとに違う数字を指しています。
表1: 「売上」が3つある — 部署ごとに異なる売上定義と、同一案件における金額の差
| 部署 | 「売上」の意味 | 同じ案件での金額 |
|---|---|---|
| マーケティング | 商談化ベース（見込みの段階で計上） | 売上見込額 100万円 |
| 営業 | 受注ベース（受注が決まった時点で計上） | 受注額 90万円 |
| 経理 | 入金ベース（入金を確認した時点で計上） | 入金額 110万円 |
3つとも間違っていません。それぞれの業務では、それぞれの定義が正しいのです。困るのは、「売上を予測して」と頼まれたAIのほうです。どれを指しているのかが決まっていないので、AIは自分で1つ選びます。選んだことは報告されません。
3つ目は責任者不在です。「このデータ、間違ってない？」「うちの部署じゃないですね」「じゃあ誰に聞けば……」で会話が終わってしまいます。誰も直さないので品質は少しずつ劣化し、更新も止まりがちになります。
お客様のご支援のなかでも、この3つは繰り返し出てきます。外食チェーンを展開する企業A社の経営企画部門は、「データを入れても、メタデータが整理されていなければ適切な可視化もAI活用もできない」という認識を持っていました。ただ、システム部門にもビジネス部門にも、メタデータを継続してメンテナンスできる人材がいませんでした。既存DWHのデータの意味や連携関係も社内に残っておらず、実装の前提整理から始める必要がある状態です。
不動産業B社では、事業部ごとにデータが連携されておらず、同一物件の価格情報が部署間で紐づいていませんでした。「売上が3つある」の一歩手前、そもそも同じ対象を同じものとして扱えていない段階です。フィンテック企業C社では、基盤を構築した担当者から後任へ引き継がれた結果、後任側が現況を完全には把握しきれていない状態が生まれていました。属人化と定義の不在が同時に起きています。
これらは未整備の企業に限った話ではありません。ヘルスケアIT企業D社は、AIによる都度分析とBIによる定型分析を使い分け、変換処理まで整備済みの先進的な組織です。それでも「AI活用に向けた画一的な定義が整えられていない」「セマンティックレイヤーでの社内ロジック整備が今後の課題」という声が出ていました。基盤の成熟度にかかわらず、意味の層はまだ空いています。
では、その「文脈」とは具体的に何を指すのでしょうか。抽象的な言葉のままでは、整備のしようがありません。
CHAPTER 03
実演 — 「先月の売上を集計して」と聞いたとき、何が起きるか
社内データに接続したAIチャットに、たった一文を投げてみます。「先月の売上を集計して」。この一文で、文脈の有無がそのまま結果に出ます。
舞台はEC事業を営む企業です。受注データも商品マスタも、DWHに揃っています。AIチャットからそのデータベースに接続済みで、テーブル定義書も読める状態にあります。
Before — 整備前
質問を投げると、AIは数秒で集計値を返します。それらしい金額が、それらしい根拠とともに提示されます。処理は速く、説明も筋が通って見えます。ところが、その数字は経理が持っている正確な売上と一致しません。
AIが手を抜いたわけではありません。テーブル定義書と生データを見て、そこから読み取れる範囲で正しく計算しています。読み取れなかったのは、データの外側にある業務定義のほうです。判断できないのは、次の3つです。
表2: 業務定義の3論点 — 金額の定義／基準日／除外データと、テーブルの中にある情報
| 論点 | 判断できないこと | データの中にある情報 |
|---|---|---|
| 金額の定義 | 「売上」は税込か、税抜か | amount（税込）と net_amount（税抜）の2カラムが存在する |
| 基準日 | 売上をいつの時点で認識するか | 受注日と出荷日の両方が記録されている |
| 除外データ | キャンセル・返品を含めるか | status に 90・91 という値が入っているレコードがある |
amount と net_amount が並んでいたとき、どちらが自社の「売上」なのかは、カラム名からは決まりません。受注日と出荷日のどちらで計上するかは会計方針の問題であって、データベースには書かれていません。status = 90 が何を意味するのかは、社内のコード表を見なければ分かりません。AIから見れば、90 は単なる数値です。
そこでAIは、最もありそうな解釈を1つ選んで計算します。選んだという事実は、出力に現れません。
怖いのは、AIが「分かりません」と答えることではありません。もっともらしい誤答が、誰にも気づかれないまま経営会議の資料に載ってしまうことです。数字が1桁違えば誰かが気づきます。数%ずれた数字は、たいてい気づかれません。
After — 文脈を渡した後
やることは、AIの入れ替えでもプロンプトの作り込みでもありません。データの意味を、データの外側に書いておくだけです。
データカタログ側で、テーブルと各カラムが何を表しているかを定義します。そのうえで用語集に「売上」を登録し、自社での定義を書きます。税抜、受注日基準、キャンセル・返品は除外。3行です。まったく同じ質問を、もう一度投げます。「先月の売上を集計して」。
図4: Before/After実演。同じ質問・同じモデル・同じプロンプトで、渡した文脈だけが違う場合の結果の差
今度は、業務定義を適用したSQLが生成されます。返ってきた数字は、経理が持っている正解値と一致します。
この定義の下書きは、AI自身が生成できます。テーブルとカラムの中身から説明文の案を書かせ、人が確認して直します。整備そのものにも、AIの手が入るようになりました。
プロンプトもモデルも変えていません。変わったのはAIではなく、渡した文脈です。
CHAPTER 04
AI-Ready とは何か — 品質・意味・責任の3本柱
用語集に3行書けば動く、というのが第3章で見たことでした。ただし本当に必要なのは、3行そのものではありません。その3行が全社分そろい、更新され続ける仕組みのほうです。
AI-Readyとは、AIが当たり前にデータを使える状態を指します。特別な準備をしなくても、AIが社内のデータを正しく参照でき、業務の定義に沿って答えられる状態です。中身は、第2章で見た3つの症状をそのまま裏返したものになります。
図5: 3類型と3本柱の対応。整備できない状態を裏返すと、そのままAI-Readyの構成要素になる
柱として書き直すと、次の3つです。
- 1.品質: 品質の高いデータが継続的に更新される
- 2.意味: メタデータ（データの意味）が整理されている
- 3.責任: ガバナンス（誰が責任を持つか）が確立している
3つのうち、いちばん抜けやすいのが2つ目の「意味」です。データを集めてDWH（BigQuery / Snowflake / Databricks 等）に載せるところまでは、多くの企業が到達しています。第2章で触れたヘルスケアIT企業D社のように、変換処理まで整えた組織でも、AIに渡す定義の層は空いていることがあります。
参照される対象も広がっています。社内の構造化データ（DBやDWHのテーブル）だけでなく、画像やドキュメントといった非構造化データ、社外のWeb検索まで、AIは横断して参照します。参照先が増えるほど、「どれが自社にとっての正しい定義か」を示す層の重みが増します。
この3本柱は、社内の思いつきではありません。IPAは2027年度から、情報処理技術者試験に「データマネジメント試験」を新設します。公開されたサンプル問題の柱は、データガバナンス／データ品質／メタデータ管理／データ統合の4分野でした 3。国家試験が問おうとしている領域と、AI活用の前提として必要な領域が、ほぼ重なっています。
AI-Readyとは、人にも、AIにも優しいデータ環境のことです。人が迷うデータでは、AIも迷います。逆に、新しく入った人が自力でたどり着けるように整理されたデータは、AIにとっても扱いやすいものになります。整備の対象は、AI専用の何かではありません。
CHAPTER 05
自社は今どこにいるか — AI-Readiness 診断チェックリスト
3本柱の中身は分かったとして、では自社は今どこにいるのでしょうか。
この診断は、評価のための道具ではありません。目的は現在地の把握です。「整っていない」と分かること自体に価値があります。分かっていない状態から分かっている状態へ移るだけで、次に何をすべきかが決まるからです…
完全版（全7章 + まとめ）の内容
下のフォームからダウンロードいただけます。図表・チェックリスト含む完全版PDFをメールでお届けします。
