- AIの成果が出ない会社が、最初に見直すのはデータ
- AIが使えるデータ（AI-ready data）とは
- 日本企業のデータ整備は、全社で使えている会社が2割
- AIに渡すデータは「数字のデータ」と「人の知識」の2種類
- データ整理の進め方：7つのステップ
- データ整理で出てくる用語
- データ整理でつまずきやすい3つの点
- 全社のデータを一度に整えようとする
- ツールを先に選ぶ
- 担当者が足りない
- よくある質問
- Q. データが整っていないと、AIは使えませんか？
- Q. データ整理にはどのくらいの期間がかかりますか？
- Q. Excelで管理しているデータも使えますか？
- Q. 社員の頭の中にある知識は、どうやってデータにするのですか？
- Q. データ整理は情報システム部門だけで進められますか？
- まとめ
- クウゼンのAX支援｜社内の知識をデータにし、AIが業務を回せる状態をつくります
- 目指す姿：AI導入フェーズから、AI駆動フェーズへ
- 進め方：AI-SECIの4つの工程で、知識をデータにして回す
- 出典
AIの成果が出ない会社が、最初に見直すのはデータ
生成AIを社内に入れたのに、議事録やメールの作成が少し速くなっただけで止まっている。そうした会社が次に見直すべきなのは、AIに渡しているデータです。
IPAの「DX動向2026」では、AI用の学習データを「整備しておりAIに活用している」企業は全体の7.0%でした。期待どおり以上の効果が出ている企業では19.4%、効果が出ていない企業では0.8%です。データを整えている企業ほど、AIの効果を実感しています。
出典：IPA「DX動向2026」図表3-15 AI利活用に向けた学習データの整備状況（AI導入効果別）p.36
（https://www.ipa.go.jp/digital/chousa/dx-trend/rcu1hd0000017uk8-att/dx-trend-2026.pdf）
この記事では、AIが使えるデータとは何か、日本企業のデータ整備がどこまで進んでいるか、そして社内の知識をAIが使えるデータにする進め方を順に整理します。
AXの定義やDXとの違いは「AXとは？DXとの違い・政府の定義・企業の取り組み段階」で、AI活用の全体像は「日本企業のAI活用の現状データまとめ」で解説しています。
AIが使えるデータ（AI-ready data）とは
米Gartnerは2025年2月、AIに使える状態のデータ（AI-ready data）について次のように予測しました。
Gartner predicts that through 2026, organizations will abandon 60% of AI projects unsupported by AI-ready data.
出典：Gartner「Lack of AI-Ready Data Puts AI Projects at Risk」（2025年2月26日）。
訳：AIに使える状態のデータに支えられていないAIプロジェクトのうち60%は、2026年までに中止される、とGartnerは予測している
同じ発表で、Gartnerがデータマネジメントのリーダー1,203人に行った調査（2024年7月）では、63%の組織が、AIに適したデータマネジメントを「行っていない」か「行っているか分からない」と答えています。
Gartnerは、AIに使うデータは「ユースケースを代表している」必要があると書いています。どの業務でAIに何をさせるのかが決まっていないと、どのデータが足りないのかも決められません。また、従来のデータマネジメントの進め方はAIのチームにとって「遅すぎ、構造化されすぎ、硬直的すぎる」とも指摘しています。
Gartnerの指摘をもとにクウゼンで整理すると、AIが使えるデータの条件は次の3つです。
条件 | 中身 |
|---|---|
目的に合っている | AIに任せる業務が決まっていて、その業務の判断に必要なデータがそろっている |
つながっている | 部署やシステムごとに分かれたデータが、同じ顧客・同じ商品として結び付けられる |
読める形になっている | 項目の定義と表記がそろっている。社員の頭の中にある判断の基準や手順も、文書として書き出されている |
日本企業のデータ整備は、全社で使えている会社が2割
IPAの調査では、データを「全社で利活用している」企業は2025年度で20.0%でした。2024年度の24.2%から下がっています。「事業部門・部署ごとに利活用している」39.9%と合わせると59.9%ですが、部署ごとの利用にとどまる企業が、全社で使う企業の約2倍あります。
出典：IPA「DX動向2026」図表3-25 データ利活用の状況（経年比較）p.44（https://www.ipa.go.jp/digital/chousa/dx-trend/rcu1hd0000017uk8-att/dx-trend-2026.pdf）
データの整備・管理・流通の課題を尋ねると、「人材の確保が難しい」が51.2%で最も多く、「データの標準化が難しい」36.8%、「管理システムが整備されていない」32.6%が続きました。
出典：IPA「DX動向2026」図表3-30 データ整備・管理・流通の課題 p.49（https://www.ipa.go.jp/digital/chousa/dx-trend/rcu1hd0000017uk8-att/dx-trend-2026.pdf）
現場のデータのやり取りも、まだ手作業が中心です。スリーシェイクが製造業の従事者100人に行った調査（2026年5月）では、システム間のデータ連携を「手作業（ExcelやCSVを用いた連携など）が中心」と答えた人が30.4%、「一部自動化されているが手作業も含まれる」が36.3%でした。連携が特定の担当者に「強く依存している」は21%、「一部の担当者に依存している」は33%です。
データが人とファイルに分かれたままでは、AIはその会社の業務に合わせた判断ができません。
AIに渡すデータは「数字のデータ」と「人の知識」の2種類
データ整理というと、売上や顧客の表をきれいにする作業を思い浮かべがちです。生成AIやAIエージェントに業務を任せる場合は、それだけでは足りません。ベテラン社員がどう判断しているか、例外のときにどう動くか、といった人の知識もAIに渡す必要があります。
種類 | 例 | 整え方 |
|---|---|---|
数字のデータ（構造化データ） | 売上、顧客、商品、在庫、問い合わせ件数 | 部署ごとのデータをつなぎ、顧客IDや商品コード、項目の定義をそろえる |
人の知識（暗黙知・文書） | 判断の基準、作業手順、過去の対応履歴、マニュアル、提案書 | 担当者にヒアリングして書き出し、AIが参照できる文書やプロンプト、ワークフローにする |
経済産業省の「AX時代におけるスキルのあり方検討ワーキンググループ」では、委員から「AI-SECIモデル」が示されました。共同化・表出化・結合化・内面化の4つの工程を繰り返し、暗黙知をAIが使える形式知に変えていく考え方です。
工程 | AI-SECIモデルでの中身 | 具体例 |
|---|---|---|
表出化 | 暗黙知をプロンプトやワークフローに変換する | コンテキストエンジニアリング、ワークフロー化、チャットボット化 |
結合化 | ワークフローを組み合わせ、データベースと連携してシステムを体系化する | ワークフロー連携、RAGシステムの構築、MCP連携 |
内面化 | 個人がエージェントなどを使って自身の暗黙知を更新する | 現場でのエージェントの実務への適用、現場レビューによる改善 |
共同化 | 個人の暗黙知を自己認識し、他者と共有する | 業務プロセスのインタビュー、ワークショップでの共有 |
出典：経済産業省「AX時代におけるスキルのあり方検討ワーキンググループ」第2回 小澤委員提出資料「AI-SECIモデル」をもとにクウゼンが作成。表はデータ整理にあたる表出化から並べています
データ整理にあたるのは、このうち表出化と結合化です。人の知識を書き出し（表出化）、数字のデータとつないでAIが参照できるようにする（結合化）。
ここまでできて初めて、AIを現場の業務に組み込めます。
データ整理の進め方：7つのステップ
全社のデータを一度に整えようとすると、終わりが見えません。AIに任せる業務を1つ決めて、その業務に必要なデータから整えます。
ステップ | やること | AI-SECIでの位置 |
|---|---|---|
1. 対象業務と成果指標を決める | AIに任せる業務を1つ選び、作業時間、対応件数、成約率など、成果を何で測るかを決める | 表出化の準備 |
2. データを棚卸しする | その業務の判断に使っているデータが、どのシステム、どのファイル、誰の頭の中にあるかを書き出す | 表出化 |
3. 人の知識を書き出す | 担当者にヒアリングし、判断の基準、手順、例外のときの対応を文書にする | 表出化 |
4. 正とするデータを決める | 顧客や商品の情報が複数のシステムにある場合、どのシステムの値を正とするか、どの部門が責任を持つかを決める | 結合化 |
5. 定義と表記をそろえる | 「売上」「顧客」などの項目の定義、顧客IDや商品コードの表記を部署間でそろえる | 結合化 |
6. AIとつなぐ | RAGやMCPなどの仕組みで、AIが社内の文書やデータベースを参照できるようにする | 結合化 |
7. 更新の担当とルールを決める | 誰がいつデータを更新するか、品質をどう確かめるかを決める | 内面化への準備 |
ステップ4は、データの持ち主を決める作業です。NTTデータは、マスターデータを「顧客・商品・勘定・契約など、全社で共通利用される“唯一の正しい情報（Single Source of Truth）”となる基盤データ」と説明しています。どのシステムの値を正とするかが決まっていないと、同じ顧客の住所や契約状況がシステムごとに違い、AIの答えも食い違います。
ステップ7を飛ばすと、整えたデータは時間とともに古くなり、AIは古いマニュアルをもとに答え続けます。更新の担当は、データを整える段階で決めておくのが安全です。
データ整理で出てくる用語
データ整理の相談では、次の用語がよく出てきます。すべてを導入する必要はなく、対象の業務に必要なものだけを選びます。
用語 | 意味 |
|---|---|
マスターデータ | 顧客・商品・勘定・契約など、全社で共通に使う基本の情報 |
DWH（データウェアハウス） | 複数のシステムのデータを集めて、分析用に保管する場所 |
ETL／ELT | データを取り出し（Extract）、変換し（Transform）、DWHなどに入れる（Load）処理 |
RAG（検索拡張生成） | 生成AIが回答するときに、社内の文書やデータを検索して、その内容をもとに答える仕組み |
MCP（Model Context Protocol） | AIアプリケーションを外部のシステムやデータにつなぐためのオープンな標準規格 |
データ整理でつまずきやすい3つの点
全社のデータを一度に整えようとする
IPAの調査で、データを「全社で利活用している」企業は20.0%でした。全社の整備を先に終わらせようとすると、AIを使い始めるまでに年単位の時間がかかることもあります。対象業務を1つに絞り、その業務で効果を出してから広げる方が、社内の理解も得やすくなります。
ツールを先に選ぶ
DWHやデータ連携ツールを先に導入しても、どの業務で何を判断するためのデータかが決まっていなければ、何のデータを集めればよいかも決まりません。Gartnerがデータは「ユースケースを代表している」必要があるとしているように、業務を先に決めます。
担当者が足りない
IPAの調査では、データの整備・管理・流通の課題の1位は「人材の確保が難しい」51.2%でした。社内にデータを整理できる人がいない場合は、最初の1業務だけ外部の支援を受け、その進め方を社内に残すのが現実的です。
よくある質問
Q. データが整っていないと、AIは使えませんか？
文章の作成や要約など、社内のデータを使わない用途なら、今すぐ使えます。
ただし自社の顧客や業務に合わせた判断をAIに任せるには、その判断に使うデータが必要です。
Q. データ整理にはどのくらいの期間がかかりますか？
対象業務の数とデータの散らばり方によって変わります。
全社を一度に整えるのではなく、1つの業務に絞ると、短い期間で効果を確かめられます。
Q. Excelで管理しているデータも使えますか？
使えます。
ただし部署ごとに別のExcelを使っていると、項目の名前や顧客の表記がそろっていないことがよくあります。AIに渡す前に、定義と表記をそろえる作業が必要です。
Q. 社員の頭の中にある知識は、どうやってデータにするのですか？
業務を担当する社員にヒアリングし、判断の基準や手順、例外のときの対応を書き出します。
過去の対応履歴やメールも材料です。書き出した内容は、AIが参照する文書やプロンプトにします。
Q. データ整理は情報システム部門だけで進められますか？
システムをつなぐ作業は情報システム部門が担えます。
一方で、どのデータを正とするか、判断の基準をどう書くかは業務部門にしか決められません。業務部門と情報システム部門が一緒に進めます。
まとめ
AI用の学習データを整備してAIに活用している企業は7.0%。効果が出ている企業では19.4%、出ていない企業では0.8%（IPA）
Gartnerは、AIに使える状態のデータがないAIプロジェクトの60%が2026年までに中止されると予測
データを全社で利活用している日本企業は20.0%。課題の1位は人材の確保（51.2%）
AIに渡すデータは「数字のデータ」と「人の知識」の2種類。人の知識も書き出す必要がある
進め方は、対象業務を1つ決め、その業務に必要なデータから整える
クウゼンのAX支援｜社内の知識をデータにし、AIが業務を回せる状態をつくります
クウゼンは、この記事で紹介したデータ整理から始めて、AIが業務を担える状態をつくるまでを支援しています。
目指す姿：AI導入フェーズから、AI駆動フェーズへ
フェーズ | 会社の状態 |
|---|---|
AI導入フェーズ | 今の業務を効率化するために、AIを補助として使っている。AIはまだ中核の業務を担っていない |
AI拡大フェーズ | AIエージェントが業務プロセスに入り、人とAIが業務を分担している |
AI駆動フェーズ | 業務プロセス、組織構造、意思決定、提供価値がAIを前提に設計されている |
進め方：AI-SECIの4つの工程で、知識をデータにして回す
1. 表出化｜業務の知識をデータにする
最初に決めるのは、AIで変える業務と、成果の測り方です。
そのうえで、業務を担当する社員にヒアリングし、手順と判断の基準を書き出します。マニュアルや過去の対応履歴、社内文書と合わせて、AIが読めるデータ、プロンプト、ワークフローの形に整えます。
2. 結合化｜データと業務システムをつなぐ
売上、顧客、問い合わせ、在庫など、部署ごとに分かれたデータをつなぎ、項目の定義と表記をそろえます。
社内文書を検索して答える仕組み（RAG）や、AIと外部のシステムを接続する規格（MCP）で、社内の文書やシステムとAIをつなぎ、AIが社内のデータを参照して答えられるようにします。
3. 内面化｜AIを現場の業務に組み込む
つくったAIエージェントを実際の業務で使い、現場の担当者がレビューして改善します。効果は、表出化で決めた指標で測ります。
4. 共同化｜新しく生まれた知識を組織で共有する
AIを使う中で見つかった新しいやり方や判断の基準を、ワークショップなどで部署を越えて共有します。共有した知識は、次の業務の表出化に持ち込みます。
1つの業務でこのサイクルを回せれば、拡大フェーズに入れます。対象の業務を増やしながらサイクルを続けると、意思決定や組織の設計もAIを前提に組み替えられます。その段階が駆動フェーズです。
「どの業務から始めればいいか分からない」という段階からでも、ご相談ください。
出典
IPA「DX動向2026」報告書（2026年7月公表） https://www.ipa.go.jp/digital/chousa/dx-trend/rcu1hd0000017uk8-att/dx-trend-2026.pdf
Gartner「Lack of AI-Ready Data Puts AI Projects at Risk」（2025年2月26日） https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
スリーシェイク「製造業におけるデータ連携実態調査」（PR TIMES、2026年6月9日） https://prtimes.jp/main/html/rd/p/000000436.000024873.html
経済産業省「AX時代におけるスキルのあり方検討ワーキンググループ」 https://www.meti.go.jp/shingikai/mono_info_service/society_digital/ax_skill/index.html
NTTデータ「DX推進を支える“見えない力”－データマネジメントの重要性と方針書の役割」（2025年12月23日） https://www.nttdata.com/jp/ja/trends/data-insight/2025/1223
Model Context Protocol「What is the Model Context Protocol (MCP)?」 https://modelcontextprotocol.io/docs/getting-started/intro
