多くの日本企業がAIへの投資を進めている。だが、 テクノロジー導入偏重の考え方では、過去のデータレイクやMDMの失敗を繰り返すだけだと、ガートナーの一志氏は警鐘を鳴らしている。
この記事は会員限定です。会員登録(無料)すると全てご覧いただけます。
日本では、これまで多くの企業がデータ管理で失敗を繰り返してきたと、ガートナー バイス プレジデント アナリストの一志達也氏は指摘する。
全社データ基盤として「データレイク」が叫ばれ、Hadoopを導入したものの、結局使われずに終わったケースにはいとまがない。また、現在でも重要なマスターデータ管理(MDM)についても、全社的な管理が必要だとベンダーに言われ、「あれがこれとつながらない」と悩んで終わってしまった企業が見受けられる。
「MDMの本質はITの問題ではない。ビジネスのルールである『台帳管理』の問題に他ならない。例えば日本と海外で台帳を分けて管理するのも、立派な経営判断だ」(一志氏、以下同)
ガートナーは2025年のレポートで、「日本企業のうちデータ活用で全社的に十分な成果を上げている割合は3パーセント未満」と報告している。これが、テクノロジー導入を自己目的化してきた企業が招いた結果だ。
このような「データ敗戦」を繰り返してきた日本企業が今、AIで同じことを繰り返そうとしていると一志氏は警鐘を鳴らす。
「社内にある非構造化データを全てAIに読み込ませれば、自社の文脈を理解し、適切な答えを出してくれる」と信じ込んでいる経営者が日本企業には多い。こうした考えは危険だ。
第1に、生成AIには事実と異なる内容をもっともらしく生成する「ハルシネーション」の問題がある。第2に、AIが理解できるのは、あくまでデータとして存在する情報に限られる。人間同士のコミュニケーションでは、データ化されていない背景情報や顧客との過去の経緯、個人の胸の内にある事情なども踏まえて会話が成り立っている。AIは、そうした人間だけが知っている情報まで把握できるわけではない。
現場では「社内の非構造化データに、どのようなメタデータを付与すればいいのか」といった議論がなされている。しかし、そもそも全ての元データがAIにとって有用とは限らない。
「例えば、コールセンターの音声をテキスト化しても、それだけでAIが活用できるデータになるわけではない。人間の会話には曖昧な表現や誤解、言い訳などが含まれる。そのままAIに読み込ませても、期待する回答が得られるとは限らない。データのクレンジングや整理の地道な作業が欠かせない」
あらゆる非構造化データをAIに投入すれば課題が解決する、という安易な期待は捨てるべきだ。
ガートナーは、AIに読み込ませるのに適したデータを「AI-Readyデータ」と呼ぶ。これは「AIの特定の用途に対して、最も適していると証明できるデータ」を指す。例えば、ハンバーガーショップのアルバイトスタッフが接客や調理の手順を習得するための「店舗マニュアル」があるとする。このマニュアルに関する質問に答えるAIアプリケーションを作るのであれば、店舗マニュアルは最適なAI-Readyデータとなる。目的が明確であり、その範囲では高い効果が期待できる。
しかし、同じ店舗マニュアルをいくらAIに読み込ませても、経営陣の意思決定には役立たない。
これは極端な例だが、重要なのはAIの利用目的と、それに適したデータを必ずセットで考えることだと一志氏は話す。
データはビジネスコンテキストによって異なる意味を持つ。そしてビジネスコンテキストは企業によって異なる。適切に管理しなければ、AIの出力は信頼性が低かったり、誤解を生んだりする恐れがある。
ユースケースに応じてデータをメタデータで補完し、曖昧さを減らして解釈の一貫性を確保する。そのために求められるのは、自社の業務とデータを適切に関連付けることだとする。
生成AIを現場の業務に組み込み、ビジネス上の成果につなげるには、各部門の業務プロセスそのものを見直し、再設計する「業務デザイナー」の役割が重要になると一志氏は言う。
「AIを利用して現場の業務を変えていくには設計のアプローチが求められる。業務プロセスやビジネス自体のデザイナーの役割を果たす人が必要だ。これは専門スキルではない。現場、経営企画、DX推進部などさまざまな部署に配置できる」
「データドリブン経営ができなければ会社は倒産する」「AIを使いこなせなければ企業として生き残れない」――。こうした不安をあおる言説があふれ、日本企業はAIへの投資を急いでいる。その過程で、テクノロジーの導入が自己目的化し、自社の競争力をどう高めるかという本来の目的を見失う傾向が見られる。
これでは過去にデータレイクやMDMで経験したような「データ敗戦」をAIで繰り返すだけだと一志氏は話す。
データ分析に取り組み、最先端のAIを導入したとしても、それだけで企業の競争力が高まるわけではない。最終的に顧客が企業を選ぶ基準となるのは、提供する製品やサービスの価値そのものだ。逆に言えば、AIの導入が多少遅れたからといって、製品自体の価値が急減するわけではない。
AI自体への過大評価と、業務整合性が低いテクノロジーの導入は逆効果をもたらす可能性すらある。
日本企業がデータ活用やAI導入で失敗を繰り返す背景には、他人に依存し、自ら考えようとしない姿勢があるという。
「他社はどうしていますか」「自社はどうすればいいですか」とコンサルタントに答えを求める。技術の導入をベンダーに丸投げする。成果を出す責任をIT部門に押し付ける。こうした姿勢では、企業の変革は進まない。
「データ基盤の構築」や「AIリテラシーの向上」といった、目的が曖昧な活動に終始するのではなく、経営幹部自身が自社の具体的なビジネス課題に向き合い、主体的に手を動かすことが重要だという。
Copyright © ITmedia, Inc. All Rights Reserved.