データを適切に準備して管理することは、AIを成功させるための基本です。格言にもあるように、「ゴミを入力すれば、ゴミが出力される」ということです。正確で、完全かつ一貫性のあるデータは、企業AIの性能と生産性の向上を促進します。一方、適切に管理され保護されたデータのためのデータ戦略は、規制遵守を確保し、ユーザーのプライバシーを保護するのに役立ちます。
AI搭載の意思決定がますます競争上の優位性を高める中、多くの組織は、従来のデータ管理手法だけではAI対応のデータを提供するには不十分かもしれないことに気付いています。IBM Institute for Business Valueの2024年の調査によると、自社の企業データが生成AIを効率的に拡張するために必要な品質 、アクセシビリティ、セキュリティの基準を満たしていることに強く同意するテクノロジー・リーダーはわずか29%しかいません。1
AI導入のためのデータ準備を実現し維持するために、組織は、統合アクセス、ガバナンス、セキュリティー、サポートなど、いくつかの重要なデータ・プラクティスに集中できます。これらの基礎的要素を整備することで、組織は自社のデータを真にAI対応したものにすることができ、そうすることでAIを高価な実験から組織の価値を推進する強力なエンジンに変えることができます。
The DX Leaders
AI活用のグローバル・トレンドや日本の市場動向を踏まえたDX、生成AIの最新情報を毎月お届けします。登録の際はIBMプライバシー・ステートメントをご覧ください。
信頼できる高品質で適切に管理されたデータがなければ、AIツールの成果は良くても期待外れにとどまり、最悪の場合は不正確かつバイアスやプライバシーのリスクをもたらす可能性があります。
AI対応データは、AIテクノロジーが真のビジネス価値と実行可能な洞察を確実に実現するのに役立ちます。
AI対応のデータセットは、データ・プライバシーとデータ品質管理が備わっており、プロセスやデータ・パイプラインにガバナンスを初日から確実に組み込むことができます。
クリーンで一貫性があり、適切にラベル付けされたデータは、モデルが間違いやバイアスを回避し、全体的な精度と性能を向上させるのに役立ちます。
確立されたAI対応のデータ・プロセスにより、AIデータへのアクセス、理解、準備に費やす時間が削減され、AIソリューションの開発が合理化されます。
正しく準備・管理されたAI対応データは相互運用可能かつ再利用可能な資産であり、チームは新しいAIプロジェクトや並行するAIプロジェクトにこのデータを何度も活用することができます。
AIイニシアチブからROI（投資収益率）を実現するのに苦労している組織は、真のAI対応に向けて、データに関連する次のような大きな障壁に直面することがよくあります。
- データの拡散と断片化
- 低いデータ品質
- 運用上のボトルネックとスキルギャップ
- セキュリティーとガバナンスのリスク
データの無秩序な増加と断片化
データ・サイロは、現代のデータ・エコシステムにとって大きな脅威です。その普及は、組織の構造や文化からITの複雑さ、規制の制約まで、いくつかの要因によって引き起こされています。このようなデータの断片化は、日常的なオペレーションとAIなどの戦略的な取り組みの両方にとって障壁となります。
分断されたデータは本質的に非効率的で、多くの場合構造化されていないため、効果的なデータ準備と使用のためには余分な手順が必要になります。このようなデータは組織全体にわたる一貫性に欠け、規制要件やプライバシー・ポリシーの管理が困難になります。これらの問題により、AI対応データへのアクセスと準備が大幅に遅くなり、AIプログラムのコストと複雑さが増大する可能性があります。
データ品質の低下
運用上のボトルネックとスキルギャップ
AI実装においては、人間の持つ専門知識が不可欠です。しかし、AIと新しいテクノロジーの急速な進歩により、役割が変化し、AIのスキル・ギャップが拡大しています。多くの組織では、従業員のトレーニングやスキルアップが遅れており、その原因の多くは、非効率的な学習形式、予算の制限、適切なツールやデータへのアクセス不足によるものです。
適切な技術系人材がなければ、既存のデータチームは手薄になる可能性があります。彼らは、複雑でサイロ化されたデータ環境を管理する一方で、クリティカルなプロジェクト向けにAI対応のデータを迅速に提供するというプレッシャーにさらされています。
IBM SkillsBuildでコア・データスキルを身につけましょう。無料で学習を開始できます。
セキュリティーとガバナンスのリスク
データの断片化と複雑さに伴い、機密・保護データが複数の事業単位、データ・プラットフォーム、リポジトリーに分散しているという現実が生じます。このデータの無秩序な増加は、コンプライアンス、アクセス制御、信頼に関する懸念を引き起こします。
適切なセキュリティーとガバナンスを整備せずにエンタープライズAIを拡張すると、リスクと規制の複雑さが増大します。この障壁を認識しているものの、それを修正するのに苦労している組織では、AIプロジェクトが停滞する可能性があります。認識していない企業では、AIを前進させ、拡張するにつれて、リスクが増大します。
現代のAI（特に生成AI）は、真の価値を実現するために大量のデータに依存しています。幸いなことに、データ生成は大企業に限定されるわけではありません。あらゆる規模の組織が、Webサイト、SNS、社内システム、顧客とのやり取りを通じて、毎年かなりの量のデータを生成しています。
しかし、ほとんどの組織はデータを十分に活用していません。推定では、従来の大規模言語モデル（LLM）で活用されているのは、企業データのわずか約1％に過ぎません。2
そんな貴重なAI燃料をなぜ無駄にするのか？なぜなら、ほとんどのエンタープライズ・データは構造化されていないからです。事前定義された形式がなく、PDF、ソーシャル・メディア投稿、画像、インスタント・メッセージ、Eメールなど、さまざまなデータ・ソースから取得されます。この非構造化データのうち、AIが直接使用できる形式になっているのは1%未満にとどまります。3言い換えれば、企業データの大部分はAI対応になっていません。
構造化データは依然として非常に価値がありますが、非構造化データ（多様で柔軟性があり、洞察が豊富）の持つ可能性を活用できないことは戦略的な失敗であり、エンタープライズAIを拡張する上での大きな障壁となります。
この課題は、AIの厳しい成果に反映されています。IBM Institute for Business Value（IBV）の2025年CEO調査によると、AIイニシアチブのうち企業規模に達したのはわずか16%にとどまります。
今は企業にとって重要なタイミングです。AIイニシアチブが成功するか失敗するかは、組織がAIのために構造化データと非構造化データの両方をいかに効果的に管理・準備するかにかかっています。
以下の特性を備えたデータは、信頼性が高く、確実で価値あるAIユースケースをサポートできます。
- 統一されておりアクセスしやすい
- ガバナンス対応
- 安全
- サポートされている
統合され、アクセスしやすい
AIは、アクセスできないものに対応できません。AI対応に向けた重要な第一歩は、企業データへの統合アクセスを確立することです。これは、サイロ化を解消し、データベース、データレイク、アプリケーション、ドキュメント・リポジトリに広がる情報を単一の管理可能なビューに統合することを意味します。
アクセスが広範であるほど、データ駆動型の洞察とAIが提供できる価値は大きくなります。AIは単に社内の問題に答えを提供するだけでなく、顧客体験や 業務効率を改善し始めます。
また、統一されたデータ・アクセスは、分離されたデータを、作業しやすく、費用対効果の高い再利用可能な資産に変換します。複数のワークロードをサポートし、スケールメリットを実現して、データを戦略的なリソースに変えます。
データ統合やデータ・ファブリック・アーキテクチャーなどのテクノロジーにより、統一されたアクセスが可能になります。
データ統合は、ハイブリッド環境やマルチクラウド環境のデータを、AIのユースケースに対応した統一された一貫性のある形式に変換し、調和させます。リアルタイムのデータ統合は、特にAIと自動化のユースケースをサポートします。
データ・ファブリックは、すべての企業データを物理的に移動させることなく、バーチャルで統一されたビューを作成します。データカタログ、連携メタデータ、データ統合、仮想化、機械学習などの機能を組み合わせることで、ユーザーがAI対応データを迅速に発見し、アクセスし、利用できるようにします。
ガバナンス対応
効果的な データ・ガバナンスは、明確なポリシー、プロセス、基準を通じて データの完全性、 セキュリティー、 品質 、アクセスを確保するのに役立ちます。強固なガバナンス基盤は、企業データを高品質で信頼できるAI対応資産に変換します。これは責任あるAI開発において不可欠です。
データ・プライバシー法やAI関連の規制は急速に進化しており、多くの場合、詳細なモデルドキュメンテーションが求められます。これには、データの出所、系統、目的適合性に関する情報が含まれ、コンプライアンス違反には厳しい罰則が課されます。例えば、欧州AI規制法では、違反内容に応じて、罰金は最大3500万ユーロ、または企業の全世界年間売上高の7%に達する可能性があります。
また、バイアスや精度についても懸念が高まっており、調査済みCEOの半数近くがこうしたリスクを懸念しています。AIが重要な意思決定に影響を及ぼす可能性がある医療や金融などのクリティカルな分野では、強固なデータ・ガバナンスが公正さと信頼を守るために不可欠です。
強力なガバナンス・フレームワークは、これらのリスクを軽減し、次のような対策を通じて高品質のデータをサポートします。
- データ・プライバシーと規制遵守をサポートするアクセス制御、ドキュメント・リネージュ、使用ガイドライン
- AIライフサイクル全体にわたる明確で強制力のある基準と、公正で正確なデータ・プラクティスのための自動化されたバイアス検知ツール
- データの精度、クリーンさ、タイムリーさを確保するためのデータ・クレンジング、データ検証、データ・オブザーバビリティーソリューション
- データ・セットを記述的、構造的、管理的なメタデータで分類し、AIモデルが正確で関連性の高い情報に基づいて学習することを可能にするメタデータ管理ツール
安全
データ・セキュリティーはしばしば広範なガバナンスの一部と見なされますが、AI対応データについては特に注力が必要です。生成AIは、データ漏洩やプロンプト・インジェクション攻撃などのデータ・セキュリティーの新たな課題を提示し、積極的な対応を求めています。
たった一度のデータ侵害でも、組織の収益に壊滅的な打撃を与える可能性があります。IBMの2025年データ侵害のコストに関する調査によると、データ侵害による世界平均コストは440万米ドルに達しています。
AIのライフサイクル全体（収集から準備、トレーニング、廃棄まで）を通してデータの安全を保つために、組織はデータ・セキュリティーの3つの重要な原則、すなわち発見、保護、監視を考慮する必要があります。
堅牢な保護対策によりデータを保護し、可用性を確保します。これらのプラクティスには、ファイアウォール、暗号化、エンドポイント・セキュリティー、データのバックアップ、事業継続性と ディザスター・リカバリー（BCDR）計画、そしてサービスとしてのディザスター・リカバリー（DRaaS）などのサービスが含まれます。
継続的なAI駆動型モニタリングにより、企業データのアクティビティーを包括的に把握できます。アクティビティを分析することで、監視プラットフォームは異常な行動やパターンを早期に検知してフラグを立て、データの悪用を防ぐのに役立ちます。
サポートされている
AI対応データは、それ自体では価値がありません。適切なヒューマン・スキルとデータ・インフラストラクチャーによってサポートされる場合にのみ、真のインパクトをもたらします。
AIシステムの導入と拡張を成功させるには、さまざまな部門のチームがさまざまなレベルのトレーニングと再教育を行う必要があります。従業員は、AIの概念、ワークフロー、意思決定、責任ある使用方法についての基礎的な理解を深める必要があります。
誰もがデータサイエンティストになる必要はありませんが、データ・リテラシーとデータ民主化の文化は、人々が自信を持ってAIアプリケーションを使用し、データに基づいた意思決定を行う力を与えることができます。さらに、AI倫理とバイアス識別トレーニングによって、信頼できるAIのガバナンスを強化できます。
組織はまた、データ・ストレージ・インフラがAIワークロードのパフォーマンスと容量の要求を満たす準備ができているかどうかを検討する必要があります。特にLLMは、複数の環境にわたって大量のストレージ・リソースを必要とします。こうしたニーズに応えるため、今日では多くの組織がCloud Object Storage、フラッシュ・ストレージ、データレイク、ウェアハウス、レイクハウスなどのストレージ・ソリューションを採用しています。
参考情報
データ・サイロを排除し、複雑さを軽減し、データ品質を向上させることで、卓越した顧客体験と従業員体験を実現するデータ・ストラテジーを設計します。
watsonx.dataを使用すると、オープンでハイブリッド、かつ管理されたデータ・ストアを通じて、データがどこに保存されていても、すべてのデータを使用して分析とAIを拡張できます。
IBMコンサルティングと連携することで、企業データの価値を引き出し、ビジネス上の優位性をもたらす洞察を活用した組織を構築します。
脚注
1「テクノロジー・リーダーが明らかにすべき6つの盲点」、IBM Institute for Business Valueより。2024年8月18日。
2The Future of AI is Open、IBM、2024年5月23日
3Untapped Value: What Every Executive Needs to Know About Unstructured Data 、IDC、2023年8月