ソートリーダー

企業のAIガバナンスはデータベース基盤から始まる

Phillip Merrick
Unite.AI を Google の優先ソースに追加
要点エンタープライズAIのパイロットの%が失敗するのは、ガバナンスがデータ層に組み込まれていないためです。
もっと見る
  • エンタープライズAIのパイロットの%が失敗するのは、ガバナンスがデータ層に組み込まれていないためです。
  • 自律型エージェントはデータ層の制御を必要とします。なぜなら、ガバナンスされていない書き込みはシステム全体に連鎖的に波及する可能性があるからです。
  • データベースレベルでのインフラストラクチャ優先のガバナンスが、パイロットと本番環境の間のギャップを埋めます。

企業内でのAI実験はかつてない速さで進んでいるが、本番運用への道のりは依然として遅い。チームは試験導入を始め、モデルを検証し、数週間、ときには数日で有望な結果を示している。ところが、それらのシステムを大規模に展開する段階になると、進展が止まることが多い。セキュリティ上の懸念が浮上し、法令順守の要件が厳しくなり、ガバナンスをめぐる問題が増えていく。 

MITの調査報告書『The GenAI Divide: State of AI in Business 2025』は、 企業のAI試験導入の95%が、測定可能な事業効果を生み出せていないことを明らかにした。本番運用に進み、実際の経済的利益を生むのはわずか5%だ。調査対象は300件を超えるAI導入事例と150件の経営幹部への聞き取りで、主な障壁はモデルの能力ではなく、企業システムへの統合の不備だと結論づけている。多くの組織はこれを、経営層が解決すべき方針の問題と捉える。私は、AIガバナンスはシステム全体の課題であり、その出発点はデータ層にあると考える。

AIプロジェクトが試験導入で止まる理由

多くのAI施策がつまずくのは、試作に使う環境が、企業での実運用の要件と根本的にかみ合っていないためだ。開発者には迅速な進行が求められ、柔軟なツール、管理の緩いデータセット、自分で利用を開始できるインフラを使って、できるだけ早く価値を実証しようとする。これは実験には理想的だが、監査可能性、厳格なアクセス制御、法令順守、運用上の回復力が求められる本番環境には、そのまま適用できない。

その結果、概念実証に成功した後になって初めてガバナンスが導入されがちだ。その時点では、本来は実現を支える層であるべきものが制約に変わる。チームはセキュリティモデルを後付けで調整し、データの流れを設計し直し、最初から土台に据えるべきだった法令順守の前提を見直すことになる。

こうして、管理された環境でAIが示せることと、企業が安全かつ確実に本番運用できることの間の隔たりが広がっていく。

一方、現在のAIの技術構成は、しばしば管理を犠牲にして、速度と利用しやすさを優先する方向に発展してきた。開発者に使いやすいプラットフォームは試験導入を容易にするが、データの所在や用途、アクセスできる人を見えにくくすることもある。 

これにより、意図しないデータの露出、環境間でのデータの境界の曖昧さ、システム動作の監査可能性の不足といった、実際の運用上・規制上のリスクが生じる。こうした問題は、本番運用の準備状況の審査や法令順守の評価で直接表面化する。企業調査では一貫して、 データ品質とガバナンスの問題が、AIプロジェクトの主な失敗要因に含まれる ことが示され、事例の60〜70%で挙げられている。さらに、外部のインフラや管理型データベースサービスへの依存の拡大が問題を複雑にする。データの所有関係をいっそう分断し、規制への適合を難しくしかねないからだ。多くの場合、組織はプラットフォームが当然ガバナンスを担うと考えるが、実際の責任は技術構成の複数の層に分散している。

結果は逆説的だ。AI実験を加速するツールが、本番移行時に摩擦を生むツールでもあることが多い。

データベースこそ実質的なガバナンスの層

この食い違いを解消するには、ガバナンスが実際にどこで働くのかを考え直す必要がある。

ガバナンスは、法務、法令順守、経営の各チームが方針を定め、文書や審査の手続きで徹底する機能と位置づけられがちだ。これらの仕組みは不可欠だが、それだけでは足りない。ガバナンスはシステムレベルで実効性を持たせてこそ意味がある。

実際にそれが行われるのは、データが保存され、アクセスされ、変換される場所だ。したがって、データベースと周辺のデータ基盤が、AIの技術構成で最も重要なガバナンスの層になる。

現代のデータベースは、受動的な保管庫ではない。アクセス権を定め、データの保存地域に関する要件を守らせ、暗号化と鍵の管理を行い、法令順守やセキュリティ監督に必要な監査ログを生成する。AIシステムが企業データとやり取りする際の制御点としての役割も、ますます大きくなっている。

重要なのは、AIシステムが依存先のデータ基盤のガバナンスの状態を引き継ぐことだ。基盤となるデータベース層に構造、制御、可視性が欠けていれば、その弱点は上に構築されたAIシステムに直接伝わる。後段のアプリケーション層でどのような方針を設けても、管理されていないデータ基盤を完全には補えない。

これは、より広いアーキテクチャの転換につながる。ガバナンスは導入後に追加するのではなく、最初からインフラに組み込まなければならない。インフラを起点にAIを設計するとは、ガバナンスを外部からの制約ではなく、システムに備わる性質にすることだ。データアクセスは管理された接続口を経由し、問い合わせやシステム間のやり取りは標準でログに記録される。アクセス制限、保存期間の方針、保存地域の要件などの順守規則は、人手の監督や事後検証ではなく、システムレベルで徹底される。

これには、安全に問い合わせを仲介する層、方針に基づくアクセス制御、分散したデータ環境を一元的に把握できる仕組みなどの設計が必要だ。これらにより、ガバナンスは定期的に確認するだけでなく、常時働くものになる。

先回りするガバナンスと事後対応型のガバナンスには、本質的な違いがある。事後対応型は、システムの構築・導入後に問題を修正しようとする。先回りする方式は、制御をシステム設計に直接組み込み、そもそも問題が起きないようにする。

AI環境では、この違いが、システムを拡大できるか、 それとも停滞するかを左右する。

エージェントが加わると何が変わるか

自律エージェントは、多くの組織がまだ備えていない形でガバナンスの条件を変える。エージェントはデータを読むだけではない。データを書き込み、複数のシステムで動作を起こし、その両方を人間が途中に入らずに行う。

これにより、問題の起こり方が根本から変わる。管理が不十分な問い合わせは、誤った答えを返す。管理が不十分なエージェントは、その誤答に基づいて行動する。誰かが異常に気づく前に、記録を更新し、後続の業務処理を起動し、判断をシステム間に広げてしまう。

だからこそ、安全対策をアプリケーション層に置くだけでは済まない。複数システムを横断するエージェントは、常に最も通りやすい経路を見つける。制御はデータ層で徹底する必要がある。そこでは、何がきっかけであっても、すべての読み書きを管理された仲介処理に通し、ログに残す。

ガートナーは、 エージェント型AIプロジェクトの40%超が延期または中止になる と予測し、その原因としてガバナンスと信頼性の問題を挙げている。私にはこの数字でも低く感じられる。組織が失敗をモデルやツールのせいにせず、ガバナンスを原因として正しく特定すると仮定しているからだ。根本原因は通常、大きな費用がかかる段階になるまで見えない。

実験から本番運用に耐えるAIへ

AIを実験から本番運用へうまく移す組織には、開発環境と本番環境を早い段階から整合させるという共通点が見られる。 

実験用システムが本番の制約から離れていくのを許すのではなく、両方の環境を、ガバナンス、セキュリティ、データアクセスについて共通する原則で設計する。これにより、モデルが試作品から本番の処理へ移る際の、後の段階での摩擦が減る。

この整合がますます重要なのは、今なお大半の企業が、 成熟した本番運用水準のAI基盤を欠いているためだ。安全なデータアクセス、監視、内部状態の把握、法令順守の徹底には、依然として不足がある。これらは個別に切り離された問題ではない。AIを試験環境から重要業務の流れへ拡大するときに現れる構造的な課題だ。

試作と本番の間には、別の大きな食い違いもある。本番のアプリケーションとデータベースは自社内や厳格に管理されたクラウドアカウントで動かす必要があるのに、試作品はクラウド型データベースのプラットフォーム上で開発されている場合だ。

成熟した組織は、AIの処理にも他の規制対象システムと同じ厳格さで向き合う。記録を一貫して残し、アクセスを厳しく制御し、継続的に監視し、チーム間の責任体制を明確にする。また、データ技術、基盤技術、セキュリティ、法令順守の各部門が、後付けではなく当初から緊密に連携することも必要になる。

この方式の利点は、リスクの削減にとどまらない。導入の周期が速まり、本番での障害が減り、社内でAIシステムへの信頼が高まる。この文脈では、AIの拡大を左右するのは、モデルの新しさよりも基盤の成熟度だ。

ガバナンスは設計上の必須要件

結局、AIガバナンスの議論は、方針を超えてシステム設計に踏み込む必要がある。 

ガバナンスは監督機能と捉えられがちだが、実際にはデータへのアクセスや利用方法を決めるシステムを通じて働く。データベースは単なる保存層ではなく、AIの技術構成全体のセキュリティ、法令順守、運用の健全性を支える制御点だ。

AIが企業の業務に深く組み込まれるほど、この制御点の重要性は大きく高まる。組織が明示的にそのように設計したかどうかにかかわらず、モデルと企業データのすべてのやり取りは、ガバナンスの対象となる。

データベース層から始め、インフラを起点とするガバナンスを優先すれば、企業は試験導入と本番運用の隔たりを埋められる。そうすることでAIは、個別の実験から、組織全体に根づいた持続的かつ拡張可能な能力へ変わる。

フィリップ・メリックは、pgEdgeの共同創設者兼チーフ・プロダクト・オフィサーです。起業家、技術者、そしてデータ・インフラストラクチャやクラウド・プラットフォームに深い理解を持つ経験豊富なエグゼクティブです。webMethods、EDB、SparkPost、Fugue、pgEdgeの共同創設者またはCEOを務め、スタートアップからIPOまで、9〜10桁の3つのエグジットを経験しました。