AIを拡大するたびにデータ基盤を作り直す必要はない

企業にとって2027年の計画策定シーズンが目前に迫るなか、AIへの投資は再び経営幹部の議論の最優先事項となっています。Akeneoが最近、IT部門の意思決定者を対象に実施した調査では、93%がAIによる生産性の向上を報告した一方、43%はAIによって担当業務が新たに増えたと回答しました。

この調査結果は、AIプロジェクトを実現するために、相当な下準備が必要であることを示しています。なかでも、データの準備は作業の大きな部分を占めます。Akeneoが調査したIT部門のリーダーのうち、36%は、組織がAIプロジェクトにかける総作業時間の半分超をデータ準備に費やしていると回答しました。また、53%は、AIプロジェクトの作業時間のうち26%から50%をデータ準備に充てていると報告しました。この準備は欠かせませんが、あるAI導入のために行った作業を次の導入にも再利用できるようにすることが、重要な機会となります。

AIによって事業部門のある業務がなくなる一方で、ITチームには、新たな導入のたびにデータを準備し、コンテキストを再構築するという別の作業が生じることがあります。今後は、こうした作業をより多く再利用できるようにし、毎回ゼロから始めるのではなく、前回の導入成果を土台に次の導入を進めることが重要です。

AIの中心にある人間の知見

AIのあらゆる試験導入と本格導入において、人間は引き続き中心的な役割を担います。ITチームは、新しいテクノロジーのライフサイクル全体に関わり、ビジネスニーズの把握やソリューションの評価から、導入、トレーニング、プロセスの策定、継続的なセキュリティ対策までを担当します。時間がたつにつれ、チームは、同じ用語がシステムごとに異なる意味で定義されているケースなど、直面した例外や明文化されていないルールを記録し損ねることがあります。こうしたコンテキストは、組織全体が確実に参照できる情報ではなく、個々のチームメンバーが持つ組織内の知識になりがちです。

答えを知る人がいなくなるまで、こうした作業が続くこともあります。従業員が異動したり、組織を離れたり、問題が起きたときにたまたま対応できなかったりすると、コンテキストは失われます。そうした知識を構造化し、デジタル形式で参照できるように記録すれば、特定の個人に依存せずに活用できます。また、各チームがそれぞれの専門知識を自ら管理しながら、知識を組織全体で参照・再利用できるようになり、新たな導入のたびに知識を一から発見し直す必要もなくなります。

優れたデータが、必ずしもAIに適したデータとは限らない

これらすべてを、単なるデータ品質の問題と捉えたくなるかもしれません。しかし、Akeneoの調査は、問題がそれほど単純ではないことを示唆しています。IT部門のリーダーの92%は、AIシステムで使用する製品データや業務データを「良好」または「非常に良好」と評価しています。それでも、大多数はAIプロジェクトの総作業時間の4分の1超をデータ準備に費やしています。

優れたデータだからといって、AIですぐに使えるとは限りません。特に、何を「優れている」と見なすかは、それを利用する人やシステムによって異なる場合があります。モデルやエージェントに必要なのは、正確な情報だけではありません。データの出所、ほかの情報との関係、どの情報源を優先すべきか、どのような条件で利用できるかを理解する必要があります。こうしたルールは、経験豊富なチームが日常業務のなかですでに暗黙のうちに適用していることが多く、見落とされやすいものです。

AI向けのデータ整備に関するMcKinseyの最近の調査も、コンテキストについて同様の指摘をしています。すべての情報がモデルやエージェントにとって有用とは限りません。しかし、有用な情報については、そのコンテキストも伝達できなければなりません。情報が元の情報源を離れても、その出所や周辺データとの関係が明確に保たれ、意味が失われないようにする必要があります。

AIを支えるアーキテクチャが、モデルそのものと同じくらい重要になるのはこのためです。従来型のソフトウェアとは異なり、大規模言語モデル（LLM）は、情報がソースごとに異なる形式で構造化されたり、異なるラベルが付けられたりしていても、断片化されたデータや連携していないシステムを横断して処理できることが多くあります。これまで明示的に定義されていなかった関係性を特定することもできます。より大きな課題は、そもそもデータが存在しないことです。モデルやエージェントが複数のシステムを横断して動作するには、必要な情報とコンテキストがまず存在し、アクセス可能でなければなりません。

AIの実行ギャップに関するPwCの2026年の調査によると、テクノロジー投資が期待した成果に届かない最大の要因は、依然として統合です。広範な非構造化データをつなぐには時間がかかり、プロジェクトが本格導入に至る前に遅れが生じることも少なくありません。

こうした問題を一度の導入で解決するために行った作業は、次の導入をより容易にする可能性があります。

再利用可能なAIインフラを構築する

1つのAIプロジェクトであれば、こうした準備の多くを裏側で進められます。ITチームはデータの不整合を解消し、アプリケーションに必要な情報を整え、ほかのシステムと連携させて、プロジェクトを本番環境に移行します。

問題は、こうした作業が目の前のユースケースだけを解決する場合に生じます。AIの導入にデータ準備は常に必要ですが、その作業の多くは次の導入にも引き継がれるべきです。2つのシステムで同じフィールドや用語の意味が異なるとチームが気づいた場合、その曖昧さを解消することで、将来のアプリケーションが再利用できる定義を作るべきです。システム間で食い違いがあるときに、どの情報源を信頼すべきかを判断したなら、その決定も将来の導入に引き継ぐべきです。

同じ原則は連携にも当てはまります。モデルやエージェントごとに製品や情報への新たな経路を作るのではなく、AIシステムが信頼できる情報を見つけて活用するための、一貫した方法を確立するべきです。

最初の導入には、依然として相当な作業が必要になる場合があります。チームが、人々の経験の中に蓄積されてきた定義や関係性、例外を明らかにしていくためです。組織の知識が組織のインフラの一部となるにつれて、その取り組みを後の導入にも生かせるようになります。後続の導入もこの作業の恩恵を受けられますが、その効果の大きさは、それぞれのデータやユースケースにどれほど共通点があるかによって変わります。

AIが回答を生成するだけでなく、企業システムを横断して行動を起こすようになるにつれ、この点はますます重要になっています。NISTのAIエージェント標準化イニシアチブは、エージェントが社内データや外部システムと安全にやり取りできることの重要性を示しています。エージェントが担う責任が増し、より多くのシステムやモデルと連携するようになる中、組織は全面的にやり直すことなく、ユースケースごとに適切なコンテキストと制御を設定する必要があります。

ガバナンスを環境の一部にする必要がある

再利用可能なインフラには、再利用可能なガバナンスも必要です。EYが2026年9月に実施したAIリスクとガバナンスに関する調査によると、AI担当の上級幹部の91%が、自社でエージェント型AIの試験導入または展開を進めていると回答しました。一方、エージェントを利用している組織の回答者のうち49%は、既存のガバナンスの枠組みが、エージェント型AI特有の要件やリスクに対応する形で更新されていないと答えました。

AIが業務プロセスの中で担う責任が増すにつれ、そのプロセスを規定するルールも、AIが動作する環境の一部にしなければなりません。エージェントが一部の情報には自律的にアクセスできる一方で、プロセスの別の段階では、先に進む前に人による確認や承認が必要になる場合があります。こうした判断を、方針文書の中だけにとどめたり、プロセスのあるべき姿について誰かが理解していることだけに頼ったりすることはできません。

ガバナンスに関する判断は、社内での審査にとどまらず、AIが動作するシステムにまで反映させる必要があります。システムの運用指針となるポリシーや権限、承認が必要な段階は、導入の一環として定めるべきです。こうした制御をシステムに組み込まなければ、新たなAIのユースケースを導入するたびに、チームはポリシーや権限を解釈し直さざるを得ません。

次なるAIの波に備える

企業が2027年に拡大するAI予算を活用する中、ITチームは、増え続けるモデル、連携、システムを担うことになります。より大きな課題は、組織が次に来るものを支えられるインフラを構築できるかどうかです。

チームが同じ定義の整理を繰り返し、同じ接続を再構築し、同じルールを何度も変換しているなら、AIの拡大が、それを支えるために必要なインフラの整備を上回る速さで進んでいる可能性があります。

これは、AIへの備えを考える新たな視点を示しています。進捗は、本番環境に導入されたモデルやエージェントの数だけで測るべきではありません。それぞれの導入によって、企業が次の導入に向けてより良い準備を整えられるかどうかも重要です。

AIはすでに個々の作業を効率化しています。次の生産性向上は、それらのシステムを支える作業を、より簡単に再利用できるようにすることで実現します。AIが業務プロセスに組み込まれる場面は増え続けており、それに伴い、より多くのシステムが同じデータ基盤に依存するようになります。今この基盤を構築することが、次世代のAIを組織がどれほど容易に活用できるかを左右します。