データ基盤とAI

「AIを活用するには、まずデータ整備から」という言葉をよく聞きます。間違いではありませんが、この一文だけでは判断が難しくなります。どのAIを使うかによって、データへの依存度がまったく異なるからです。

生成AIのサービスをそのまま使う場合と、自社データを基に予測モデルを作る場合では、必要なデータ整備の水準が大きく異なります。「データが整っていないからAIを使えない」という判断が正しいこともあれば、今あるデータのままで十分に使い始められることもあります。

この記事では、AIの種類ごとにデータへの依存度を整理し、情報システム担当者（以下情シス）が優先順位をつけてデータ基盤の整備に取り組むための考え方を提供します。

AIの四類型（外部生成AI／RAG構成／予測系AI／エージェント）とデータ基盤への依存度の関係図

AIの種類によってデータへの依存度は違う

四類型それぞれのデータ依存度を示すマトリクスまたはグラデーション図

「AI」とひとくくりにされますが、業務で使われるAIには大きく四つの類型があり、それぞれデータへの依存度が異なります。

外部の生成AIサービスをそのまま使う場合は、自社のデータ基盤はほぼ関係しません。文章の生成・要約・翻訳・アイデア出しといった用途では、入力する情報はその都度テキストとして与えるため、社内のデータ整備状況に左右されません。データ基盤の整備なしに使い始められる領域です。

社内文書を活用する生成AI（RAG構成）の場合は、使う文書の整理が必要です。社内のマニュアル・規定・議事録・製品情報などをAIに参照させる構成では、ドキュメントの所在が把握されていること、内容が最新であること、検索できる形式で管理されていることが成果の質に影響します。

予測・分析系のAIを使う場合は、データ品質が成果に直結します。需要予測・在庫最適化・異常検知・スコアリングといった用途では、学習に使うデータの量・正確さ・時系列の整合性が、AIの予測精度を左右します。ここではデータ整備が前提条件になります。

AIエージェントで業務を自動化する場合は、業務システムとのデータ連携が必要です。AIエージェントが受注処理・在庫確認・通知送信といった業務を自動実行するためには、関連する業務システムのデータにアクセスできる設計が必要です。APIの整備やシステム間連携が課題になります。

使おうとしているAIがこの四つのどれに当たるかを確認することが、データ整備の優先順位を考える出発点になります。

多くの組織で起きているデータの実態

情シスがAI活用の相談を受けたとき、データの現状として直面しやすい課題を整理します。

データの散在

部門ごとに異なるシステム・ファイルサーバー・スプレッドシートにデータが分散していて、どこに何があるかを全社で把握できていない状態です。AIに渡すデータを集めようとしたとき、まずデータの所在の特定から始まることになります。

形式の不統一

同じ業務データでも入力の仕方が担当者や部門によってばらばらになっている状態です。顧客名の表記ゆれ、日付フォーマットの違い、コードの体系が統一されていないといった問題は、予測系AIに使えるデータを作ろうとしたときに初めて表面化することがあります。なお、生成AIや分析系AIの一部には、表記ゆれや形式の不一致をAI自身が解釈・補正しながら処理できる製品もあります。AIがデータ整理を担う可能性も広がっています。ただし、それはあくまで補完であり、データがあらかじめ整理されている方が精度・信頼性は共に高くなります。データ整備の方針はAI任せにせず、継続して進めることが望ましいです。

鮮度と正確性の問題

データが正しく最新の状態に保たれているかです。マスターデータの更新が遅れていたり、廃止された情報が残っていたりするとAIの学習や参照に使えません。

アクセス管理の問題

誰がどのデータを参照・操作できるかの設計が曖昧な状態です。AIに社内データを参照させる構成を作るとき、アクセス権の設計が不十分だと、前記事（経営者が押さえておきたいAIガバナンス）で述べたように、本来見えてはいけない情報にAI経由でアクセスできてしまうリスクが生じます。

関連記事
経営者が押さえておきたいAIガバナンス

これらの課題は一度に解決しようとすると膨大な作業になります。「どのAIをどう使うか」という目的から逆算して、必要な範囲に絞ることが現実的です。

「使えるデータ」の水準をどう考えるか

データ品質の三要素（正確性・一貫性・アクセス性）と用途別の水準感を示す図

データ整備には終わりがありません。完璧を目指すと着手できなくなります。「使えるデータ」の水準は、用途に合わせて設定することが実務的です。

正確性: データが事実を正しく反映しているかです。予測系AIに使うデータでは、誤ったデータが学習に含まれると予測精度を下げます。一方、社内文書をRAGで参照させる場合は、多少古い情報が混じっていても運用上の許容範囲に収まることがあります
一貫性: 同じものを指すデータが統一した形式で記録されているかです。予測系AIでは、コードや名称の表記ゆれがデータの結合を妨げ、学習に使えないデータを増やします
アクセス性: 必要なときに必要なデータを取り出せる状態にあるかです。ファイルサーバーの奥深くに埋もれている文書や、属人管理されているスプレッドシートは、AIに渡す前に「どこにあるか」から解決する必要があります。

この三要素を「今使いたいAIの用途」に照らして確認すると、どこが足りていてどこを先に整える必要があるかが見えてきます。全体を高水準に整えることを目標にするのではなく、「この用途で使えるレベルに達しているか」を問う方が進めやすくなります。

情シスが担うデータ基盤の役割

AI活用が社内で広がるとき、情シスにはデータ基盤に関する二つの役割があります。

一つは、データの所在を把握する役割です。どの部門が、どのシステムに、どのような形式でデータを持っているかを整理する「データカタログ」的な仕事です。AIを使いたい部門から相談が来たとき、使えるデータの候補が示せる状態を作ってあることが情シスの貢献になります。

もう一つは、データを安全に使える設計を整える役割です。AIにデータを参照・学習させる構成を作る際、どのデータをどこに連携させてよいか、アクセス権はどう設計するか、外部サービスにデータを出してよいかを判断し、設計する役割です。これはセキュリティとガバナンスの問題でもあり、情シスが主導して整備する領域です。

この二つの役割は、技術的なシステム構築よりも「整理と設計」の仕事です。AIを使いたい業務部門と技術ベンダーの間で、データに関する判断を担うポジションが情シスに求められます。

自社に合わせた進め方──目的から逆算してデータを絞る

データ基盤の整備を「全社のデータを整える」という目標から始めると、範囲が広すぎて動きが止まります。自社のペースで一歩ずつ進めることが現実的です。

進め方として有効なのは、「まず使いたいAIの用途を一つ決める」ことです。用途が決まると必要なデータの範囲が絞れます。その範囲で「正確性・一貫性・アクセス性」の現状を確認し、何が足りないかを整理します。

足りていない部分を補う作業がデータ整備の実態です。全社的なデータ整備プロジェクトとして立ち上げるより、「この用途を動かすために必要なデータだけ先に整える」という進め方の方が、短期間で成果が見えやすくなります。

一つの用途でデータ整備の経験を積むと、次の用途に取り組む際の判断精度が上がります。「どこを整えれば使えるようになるか」という目利き役が社内に育つことは、データ基盤の長期的な整備につながります。