「AIを導入したいが、うちはデータがきれいに整っていない」「データ整備が終わってからでないと始められないのでは」——AI導入の相談で、よく聞く悩みです。
結論から言うと、AI活用のデータ整備とは、全社のデータをきれいにすることではなく、AIに任せる業務に必要なデータだけを、使える状態にすることです。 整える範囲を業務から逆算して絞ることで、「データ整備が終わらず、AIの導入が始まらない」状態を避けられます。
この記事では、データ整備が必要な理由、整備で見るべき5つの観点、業務から逆算した進め方、やりがちな失敗を解説します。弊社（株式会社 DeploAI）は、FDE（Forward Deployed Engineer／フォワードデプロイドエンジニア）として、AI導入を現場に入り込んで実装から成果まで伴走しています。組織全体の準備度の診断はAI活用アセスメント、AIが読める土台の考え方はAIネイティブのデータ基盤で扱っています。本記事は、その中の何から手を付けるかに絞ります。
AI活用のためのデータ整備とは何か？
AI活用のためのデータ整備とは、AIが業務で参照するデータを、読める・正しい・最新・使ってよい状態にすることです。 人が見れば分かる情報でも、AIにとっては使えないことが多くあります。
人とAIの違いは、次のとおりです。
| 人が参照するとき | AIが参照するとき | |
|---|---|---|
| 所在が曖昧 | 詳しい人に聞く | 存在を知らないので使えない |
| 古い版が残っている | 文脈で新しい版を見分ける | 古い情報も同じ重みで拾う |
| 表記がばらばら | 同じ意味だと読み替える | 別のものとして扱いかねない |
| 見てよい人が決まっている | 暗黙の了解で避ける | 権限の区別がなければ、誰にでも見せてしまう |
つまり、データ整備の本質は「見た目をきれいにする」ことではなく、人が暗黙のうちに補っていた判断を、AIが使える形で外に出すことです。
なぜAI導入では、データ整備が成果を左右するのか？
AIの出力の質は、渡したデータの質に左右されるため、データが使えない状態のままでは、精度が安定せず、業務で使われなくなりやすいからです。 生成AIは、渡された情報をもとに答えを作ります。古い情報や矛盾する情報が混ざっていれば、それを根拠にした回答が出ます。
特に、社内文書をもとに答える仕組み（RAG）では、この影響が大きく出ます。回答の精度が上がらない原因が、モデルではなく文書側にあることは珍しくありません。検索精度の改善実務はRAGの精度が上がらないのはなぜ？、自社データをAIに使わせる方法の使い分けはRAG・ファインチューニング・プロンプトの使い分けで解説しています。
逆に言えば、データの問題は、導入の前半で見つけるほど安く直せます。実装が進んでから見つかると、作り直しの範囲が広がります。
データ整備で見るべき5つの観点は？
整備では「所在」「形式」「鮮度」「権限」「意味」の5つを、対象業務に絞って確認します。
データ整備で見る5つの観点。全社ではなく、AIに任せる業務で使うデータに絞って確認する。
1. 所在——どこに何があるか分かるか
所在とは、必要な情報がどこに保存されているかを、組織として把握できていることです。 共有フォルダ、チャット、メール、個人のPC、紙の資料など、業務に必要な情報が散らばっていることはよくあります。まず、対象業務で人が参照している情報の場所を洗い出します。
2. 形式——AIが読み取れるか
形式とは、AIが内容を読み取れる形で保存されているかです。 スキャンした画像のPDF、表計算ソフトのセル結合や色分けで意味を表した表、図の中にだけ書かれた情報などは、そのままではAIが正しく読めないことがあります。業務で使う文書が、どの形式で保存されているかを確認します。
3. 鮮度——最新で、更新される仕組みがあるか
鮮度とは、情報が最新であり、更新を担う人と頻度が決まっていることです。 一度整えても、更新されなければ、数か月後には古い情報をAIが答え続けます。「誰が、いつ、更新するか」を決めておかなければ、整備は一度きりで終わります。
4. 権限——誰が見てよい情報か
権限とは、情報ごとに、誰が見てよいかが区別されていることです。 人は暗黙の了解で見てはいけない情報を避けますが、AIに読ませると、権限の区別がなければ誰の質問にも答えてしまう可能性があります。個人情報や契約情報を扱う場合は、AIに渡す前に確認が欠かせません。守り方の考え方は企業の生成AI活用、セキュリティはどう担保する？をご覧ください。
5. 意味——用語や項目の定義が揃っているか
意味とは、同じものが同じ言葉で表されており、項目の定義が揃っていることです。 部署によって同じ項目の定義が違う、同じ顧客が別の名前で登録されている、といった状態では、AIの集計や回答がずれます。ここは、現場の人にしか分からない部分で、整備の中でも協力が最も必要な観点です。
データ整備は、何から始めるのがよい？
始め方は、データの種類から始めるのではなく、AIに任せる業務を1つ決め、その業務に必要なデータから逆算することです。 次の流れで進めます。
- 対象の業務を1つに絞る：効果が見えやすく、影響が小さい業務から始める。業務の選び方はAI導入に業務棚卸しは必要？も参考になる
- 人が参照している情報を洗い出す：その業務の担当者が、判断のときに見ているもの（文書、過去の履歴、マスタ、メールなど）を挙げる
- 5つの観点で、足りない部分を確認する：所在・形式・鮮度・権限・意味のうち、AIで使うには足りない点を把握する
- 最小限の整備をして、小さく試す：必要な範囲だけを整え、AIに試させて、回答のずれから不足を見つける
- 直す範囲を広げる：試して分かった不足を直し、次の業務に広げる
具体例：問い合わせ対応のAIを作る場合
説明用の例です（実際の顧客の事例ではありません）。社内の問い合わせ対応を、AIで効率化したいとします。
| 観点 | 現状の例 | 最小限の整備の例 |
|---|---|---|
| 所在 | 回答のもとが、共有フォルダ・チャット・担当者の記憶に散らばる | 参照する文書を1か所に集め、一覧にする |
| 形式 | 画像化したPDFのマニュアルがある | 文字として読める形式に変換する |
| 鮮度 | 改訂前の版が残っている | 古い版を整理し、更新の担当と頻度を決める |
| 権限 | 人事に関する文書も同じフォルダにある | AIに読ませる範囲から除く |
| 意味 | 部署ごとに用語が違う | よく出る用語の言い換え表を作る |
ここで大切なのは、全社の文書をすべて整備しているわけではないことです。問い合わせ対応に必要な範囲だけを整え、試しながら足りない部分を直します。問い合わせ対応AIの作り方は社内問い合わせ対応はAIで自動化できる？で解説しています。
データ整備で、やりがちな失敗は？
やりがちな失敗は、「全部きれいにしてから始める」「整備を一度きりで終える」「現場を巻き込まず情報システム部門だけで進める」の3つです。
- 全部きれいにしてから始める：範囲が広すぎて終わらず、AIの導入が始まらない。対象業務に絞ることで防げる
- 一度整備して終わる：更新の担当が決まっていなければ、数か月で情報が古くなる。更新の仕組みを整備の一部に含める
- 現場を巻き込まない：用語や項目の意味は、現場の人にしか分からない。整備の方針は、業務の担当者と一緒に決める
準備度の全体像を診断する方法はAI活用アセスメントにあります。データ以外の観点（目的・人材・基盤・ガバナンス）も含めて、どこから手を付けるかを決める際に参考になります。
DeploAI の FDE は、データ整備をどう進めるか
DeploAI の FDE は、データ整備を単独の作業として先に済ませるのではなく、AIに任せる業務から逆算して、整備する範囲を決める進め方を取ります。現場に入り、業務の担当者が実際に参照している情報を確認したうえで、必要な範囲に絞って整備し、試しながら不足を直します。
サービスの工程には、プロトタイプ作成、ツール連携、評価のしくみ（evals）の構築、定着支援・改善、内製化スキル移管が含まれます。整備したデータが古くならないよう、運用の担当と手順まで含めて、御社の手元に残る形にすることを目指します。
まとめ
- AI活用のデータ整備とは、AIに任せる業務に必要なデータだけを、読める・正しい・最新・使ってよい状態にすること
- 全社のデータをきれいにしてから始める必要はない。業務から逆算して範囲を絞る
- 見る観点は 所在・形式・鮮度・権限・意味 の5つ
- 始め方は、業務を1つ決める→参照している情報を洗い出す→不足を確認する→最小限を整えて試す→広げる
- 失敗しやすいのは、全部きれいにしてから始める・一度で終える・現場を巻き込まないこと
DeploAI の FDE の進め方はサービス内容を、費用の考え方は料金をご覧ください。「データが整っていないので、何から始めるか迷っている」という段階のご相談も歓迎です。お気軽にお問い合わせください。
