はじめに
生成AIの業務活用を検討する企業が増えています。
社内文書を検索しやすくしたい、議事録や報告書の作成を効率化したい、営業資料やFAQを活用したい、社内ナレッジを問い合わせ対応に使いたい。こうした目的で、生成AIや社内AIチャットの導入を検討する企業は少なくありません。
一方で、生成AIを導入しても、期待した回答が得られない、根拠が不明確な回答になる、古い文書を参照してしまう、部門ごとに情報が分散していて活用できない、といった課題も起こりやすくなります。
その原因の一つが、社内データや社内文書が「AI-ready」な状態になっていないことです。
本記事では、生成AI活用におけるAI-readyなデータとは何かを整理し、経営者、DX推進担当者、情報システム部門、現場担当者が0ベースで始められるデータ整備の考え方を解説します。
なお、本記事で扱うAI-readyなデータとは、生成AIや分析ツールが参照しやすいように、内容、形式、文脈、管理状態、権限が整理されたデータを指します。
生成AI活用で「データの準備」が重要になる理由
生成AI活用というと、まずツール選定やプロンプト設計に目が向きがちです。
もちろん、どのツールを使うか、どのような使い方をするかは重要です。しかし、業務で生成AIを活用する場合、同じくらい重要なのが「AIに参照させるデータの状態」です。
生成AIは、与えられた情報や参照できる文書に基づいて回答を生成します。そのため、元になる社内データや社内文書が古い、重複している、表記が揺れている、最新版がわからない、適用範囲が不明である場合、期待した回答を得にくくなります。
例えば、以下のような状態では、生成AIに社内文書を読ませても、業務判断に使いにくい回答になりがちです。
- 同じ業務マニュアルが複数あり、どれが最新版かわからない
- Excelの列名や単位が部署ごとに異なる
- PDF内の図表に重要情報があるが、説明テキストがない
- 議事録や日報が自由記述で、後から検索しにくい
- 文書の適用範囲や責任部署が明記されていない
- アクセス権限が整理されておらず、AIに参照させてよい範囲が不明
生成AI活用は、単にAIツールを導入することではありません。
社内データを、人が見ても意味が通り、AIも参照しやすい状態へ整えることが重要です。
AI-readyなデータとは何か
AI-readyなデータとは、生成AIや分析ツールが活用しやすいように整理されたデータです。
ここで重要なのは、単にデジタル化されている、ExcelやPDFとして保存されている、クラウド上に置かれている、というだけではAI-readyとは言いにくい点です。
AI-readyなデータには、主に以下のような要素があります。
| 観点 | 内容 |
|---|---|
| 内容の正確性 | 古い情報や誤った情報が混在していない |
| 形式の一貫性 | 列名、単位、日付形式、表記が揃っている |
| 文脈情報 | 対象業務、適用範囲、前提条件が明確である |
| 管理状態 | 版数、更新日、責任部署、作成者がわかる |
| 検索しやすさ | 見出し、項目名、ファイル名が整理されている |
| 権限管理 | 誰が参照してよい情報かが明確である |
| 利用目的 | 何の判断や業務に使うデータかが整理されている |
AI-ready化は、単なるデータクレンジングではありません。
データクレンジングとは、欠損値、重複、表記ゆれなどを修正する前処理を指します。一方で、AI-ready化では、データの形式だけでなく、業務文脈、管理状態、権限、利用目的まで含めて整える必要があります。
AI-readyなデータとそうでないデータの違い
ここでは、構造化データと非構造化データに分けて、AI-readyな状態とそうでない状態を整理します。
構造化データとは、ExcelやCSV、データベースのように、行と列で整理されたデータです。非構造化データとは、PDF、PowerPoint、議事録、マニュアル、FAQ、メール、日報など、文章や図表を中心としたデータです。
Excel・CSVデータの例
| AI-readyではない状態 | AI-readyな状態 |
|---|---|
| 列名が「日付」「DATE」「作業日」で混在している | 列名が統一され、データ定義がある |
| 単位が「kg」「g」「トン」で混在している | 単位が明記され、必要に応じて換算されている |
| 担当者名が「山田」「山田太郎」「Yamada」で混在している | 担当者IDやマスタで管理されている |
| 備考欄に重要な判断理由が埋もれている | 判断理由が分類項目として整理されている |
| 更新日や版数がない | 更新日、作成者、対象期間が明記されている |
| 空欄の意味が不明 | 欠損、未確認、対象外などの意味が定義されている |
ExcelやCSVは一見すると扱いやすいデータに見えます。しかし、列名や単位、表記ルールが揃っていない場合、AIや分析ツールにとって扱いにくいデータになります。
また、現場では「備考欄」に重要な情報が書かれていることがあります。例えば、なぜ異常値になったのか、なぜ対応を見送ったのか、どの条件で例外処理をしたのか、といった情報です。
これらが自由記述のまま残っていると、後から分析やAI活用に使いにくくなります。必要に応じて、分類項目や選択式の項目として整理することが有効です。
社内文書・マニュアルの例
| AI-readyではない状態 | AI-readyな状態 |
|---|---|
| ファイル名が「最新版」「修正版」「最終版2」になっている | 文書名、版数、更新日が明記されている |
| 適用対象部門が不明 | 適用範囲や対象業務が明確である |
| 古いルールと新しいルールが混在している | 最新版と廃止済み文書が区別されている |
| 見出し構造がない | 章・節・項目が整理されている |
| 図表に重要情報があるが説明文がない | 図表の意味がテキストでも補足されている |
| 責任部署や問い合わせ先が不明 | 責任部署、管理者、問い合わせ先が明記されている |
社内文書は、生成AI活用と相性が良いように見えます。
しかし、文書の版管理や適用範囲が曖昧なままでは、生成AIが古いルールを参照したり、別部門向けの手順を回答に含めたりする可能性があります。
生成AIに社内文書を参照させる場合は、文書の内容だけでなく、どの文書を参照してよいのか、どの文書が最新版なのか、誰が確認した情報なのかを整理することが重要です。
構造化データで確認すべきポイント
ExcelやCSVなどの構造化データをAI-readyに近づけるには、まず以下のポイントを確認します。
| 確認項目 | 確認内容 |
|---|---|
| 列名 | 誰が見ても意味がわかる名前になっているか |
| 単位 | kg、円、件、時間などが明記されているか |
| 日付形式 | YYYY-MM-DDなど、形式が揃っているか |
| 欠損値 | 空欄、未確認、対象外の意味が区別されているか |
| 表記ゆれ | 部署名、担当者名、商品名などが統一されているか |
| 主キー | データを一意に識別できるIDがあるか |
| 集計粒度 | 日次、月次、案件単位、顧客単位などが明確か |
| 更新日 | いつ更新されたデータかわかるか |
| データ定義 | 各列の意味や計算方法が説明されているか |
現場で最初に行うべきことは、大規模なデータ基盤の構築ではありません。
まずは、よく使うExcelやCSVを一つ選び、列名、単位、欠損値、更新日、表記ゆれを確認するだけでも、AI-ready化の第一歩になります。
非構造化データで確認すべきポイント
社内文書、議事録、マニュアル、FAQ、PowerPoint、PDFなどの非構造化データでは、以下の観点が重要です。
| 確認項目 | 確認内容 |
|---|---|
| 文書名 | 内容がわかるファイル名になっているか |
| 版数 | 最新版と過去版が区別されているか |
| 更新日 | いつ更新された文書かわかるか |
| 責任部署 | 誰が管理している文書かわかるか |
| 適用範囲 | どの部門・業務に適用されるか明確か |
| 見出し構造 | 章立てや項目が整理されているか |
| FAQ化 | よくある質問と回答の形に整理できるか |
| 図表の説明 | 図表の内容がテキストでも補足されているか |
| 廃止文書 | 古い文書が参照対象から外れているか |
非構造化データでは、見出し構造が特に重要です。
生成AIや検索システムが文書を参照する場合、文書を一定のまとまりに分割して扱うことがあります。その際、見出しや章立てが整理されていないと、必要な情報を適切に取り出しにくくなります。
また、図表や画像に重要な情報が含まれている場合は、テキストで補足しておくと、後から検索やAI活用に使いやすくなります。
現場担当者が0ベースで始めるスモールスタート手順
AI-ready化というと、大規模なデータ整備プロジェクトを想像するかもしれません。
しかし、最初から全社データを整備しようとすると、対象範囲が広くなりすぎ、現場の負担も大きくなります。
まずは、1業務・1帳票・1フォルダから始めるのが現実的です。
Step 1. 対象業務を1つ選ぶ
最初に、生成AIやデータ活用で改善したい業務を1つ選びます。
例としては、以下のような業務があります。
- 問い合わせ対応
- 営業資料作成
- 社内FAQ検索
- 日報・報告書の確認
- 品質管理記録の確認
- 契約書・規程類の検索
- マニュアル検索
Step 2. 使いたい問いを決める
次に、生成AIに何を聞きたいのかを整理します。
例えば、以下のような問いです。
- この業務の最新版マニュアルはどれか
- よくある問い合わせにどう回答すべきか
- 過去の報告書で似た事例はあるか
- この数値の意味や計算方法は何か
- この手順はどの部門に適用されるか
問いを決めることで、必要なデータや文書を絞り込めます。
Step 3. 関連ファイルを棚卸しする
対象業務に関係するファイルを集めます。
この段階では、完璧に整理する必要はありません。まずは、どこに何があるのかを把握します。
- Excel
- CSV
- PowerPoint
- Word
- 議事録
- FAQ
- マニュアル
- 日報
- メール文面
- 共有フォルダ内の資料
Step 4. 最新版と廃止版を分ける
次に、最新版として参照すべき文書と、古い文書を分けます。
生成AIに社内文書を参照させる場合、古いルールや廃止済み資料を参照対象に含めると、誤った回答の原因になります。
ファイル名に「最新版」「最終版」などが含まれていても、実際には最新版でない場合があります。更新日、承認者、管理部署を確認しながら整理することが重要です。
Step 5. 表記ゆれ・単位・列名を揃える
ExcelやCSVでは、列名や単位、表記ゆれを確認します。
例えば、顧客名、商品名、部署名、担当者名などの表記が揺れていると、検索や集計、AI活用で扱いにくくなります。
最初は、すべてを整備する必要はありません。よく使う列や、業務判断に関わる項目から優先的に整えます。
Step 6. 5〜10件で試す
最初から大量の文書やデータを対象にするのではなく、5〜10件程度の文書やサンプルデータで試すことをおすすめします。
小さく試すことで、以下のような点を確認できます。
- AIが参照しやすい文書形式になっているか
- 回答に必要な情報が文書内に含まれているか
- 古い情報や重複情報が混ざっていないか
- 現場担当者が回答内容を確認できるか
- 追加で整備すべき項目は何か
Step 7. 現場確認を行う
AI-ready化は、情報システム部門だけで完結しにくい取り組みです。
業務文脈を知っている現場担当者の確認が必要です。
AIが参照する文書やデータが、現場の実態と合っているか、用語の意味が正しいか、古い手順が混ざっていないかを確認しながら整備を進めることが重要です。
AI-ready化で注意すべきセキュリティ・ガバナンス
生成AI活用では、データ整備だけでなく、セキュリティやガバナンスも重要です。
社内データには、機密情報、個人情報、顧客情報、契約情報、技術情報などが含まれる場合があります。
そのため、AI-ready化を進める際は、以下の観点を確認します。
| 確認項目 | 内容 |
|---|---|
| アクセス権限 | 誰が参照してよい情報か明確か |
| 機密区分 | 社外秘、部門限定、個人情報などが区別されているか |
| 利用目的 | 何の業務に使うデータか明確か |
| 参照範囲 | 生成AIに参照させてよい範囲が決まっているか |
| 更新管理 | 古い情報が参照され続けない仕組みがあるか |
| 責任部署 | データや文書の管理責任者が明確か |
| ログ管理 | どのデータがどの用途で使われたか確認できるか |
生成AI活用では、「便利だからすべての社内文書をAIに入れる」という考え方は避けるべきです。
業務上必要な範囲を整理し、アクセス権限や利用目的を明確にしたうえで、段階的に活用することが重要です。
SCI総合研究所のSHINRAで支援できること
SCI総合研究所株式会社では、戦略的データ活用・意思決定支援コンサルティングサービスとして、SHINRA を提供しています。
SHINRAでは、生成AI活用やデータ活用の前提となる業務課題の整理、社内データの棚卸し、AI-readyなデータ形式の検討、意思決定に使えるデータ活用方針の設計を支援します。
例えば、以下のような課題に対応します。
- 生成AIを業務に活用したいが、社内データの状態が整理できていない
- Excelや社内文書が散在しており、どこから整備すべきかわからない
- AIに読ませる前に、文書やデータの棚卸しをしたい
- 現場データを意思決定に使える形へ整理したい
- 業務課題に合わせて、どのデータを優先的に整備すべきか判断したい
- 生成AI活用のPoCを行う前に、データ整備の方針を決めたい
生成AI活用を進める際は、ツール選定の前に、社内データがAIに使える状態かを確認することが重要です。
SCI総合研究所のSHINRAでは、現場の業務文脈を踏まえながら、データ棚卸し、AI-readyなデータ構造の検討、意思決定に使える分析設計を支援します。
また、生成AI活用に伴うIT基盤、セキュリティ、権限管理、DX推進体制まで含めて検討する場合は、ISHIZUE も関連します。
社内向けに生成AI活用やAI-readyデータに関する研修を行いたい場合は、調査・研修講師 の活用も検討できます。
まとめ：生成AI活用はデータを業務判断に使える状態へ整えることから始まる
生成AIは、業務効率化や社内ナレッジ活用の可能性を広げる技術です。
一方で、生成AIを導入するだけで、社内データが自動的に活用できるようになるわけではありません。
生成AIを業務で活用するには、社内データや社内文書を、AIが参照しやすく、人が確認しても意味が通る状態へ整えることが重要です。
AI-readyなデータとは、内容、形式、文脈、管理状態、権限が整理されたデータです。
最初から全社データを整備する必要はありません。
まずは、以下のように小さく始めることが現実的です。
- 対象業務を1つ選ぶ
- 生成AIに聞きたい問いを決める
- 関連ファイルを棚卸しする
- 最新版と廃止版を分ける
- 列名、単位、表記ゆれを確認する
- 5〜10件の文書やデータで試す
- 現場担当者と確認しながら改善する
生成AI活用は、ツール導入だけでなく、社内データを業務判断に使える状態へ整えることから始まります。
生成AIを業務に活用したいが、社内データの整理やデータ品質に課題がある場合は、SCI総合研究所の SHINRA をご検討ください。
現場データや社内文書の棚卸し、AI-readyなデータ形式の整理、業務判断に使えるデータ活用方針の設計まで、現場の状況に合わせて支援します。
お問い合わせは、お問い合わせフォーム よりご連絡ください。
