部門ごとのAIが組織を遅くする。「個人の道具」を「組織の成果」に変えるデータ連携

生成AIを業務で使っている会社は、もう珍しくありません。 それでも「期待を大きく上回る効果が出た」と言える会社はごくわずかです。 差を生んでいるのはAIの性能ではなく、AIの手前にあるデータのつなぎ方です。 部門ごとのAIが組織を遅くする理由と、AIを「個人の便利な道具」から「組織の成果」に変えるデータ連携の設計を整理します。

導入率は横並び、成果には大きな差

国内外の調査を見ると、生成AIの業務利用率はどの国も8〜9割で、日本も大きく遅れてはいません。 一方で、期待を大きく上回る効果が出たと答える日本企業は1割に届かず、比べた国の中で最も低い水準です。

遅れているのは導入ではなく、データの整備・人材・ルールといったAIの手前の準備です。 AIが失敗する原因の上位も、「データの品質が低い」「使えるデータが足りない」が占めています。 人材の不足はAIを使ううちに少しずつ解消していきますが、データになっていない情報の問題は、放っておくと残り続けます。

「個人の文房具」のAIが一般論しか返さない理由

多くの会社で、AIはまだ「個人の文房具」にとどまっています。 文章を整える、調べ物をする、試しに使ってみる。どれも便利ですが、社内のデータにつながっていないので、返ってくるのは一般論です。 その結果、効果は「少し早く帰れる」程度にとどまり、経営の判断や業務の成果にはつながりません。

AIの成果は、データの準備 × データの統合の掛け算で決まります。 どちらかがゼロなら、モデルがどれだけ優秀でも成果はゼロです。

部門ごとのAIが生む「調整労働」という見えないコスト

では、各部門がそれぞれ社内データにAIをつなげばよいかというと、そう単純ではありません。 部門ごとに個別にAIを入れると、次のようなことが起こります。

• データが部門ごとに分断され、同じ顧客や商品でも定義がばらばらになる
• セキュリティの基準が部門ごとに違い、管理されていないAIが増える
• プロンプトや設定が担当者の手元にしかなく、ほかの部門に広げられない
• エージェント同士で入出力の形式が合わず、間で人が書き換える

最後の項目が厄介です。部門Aのエージェントが出した結果を、人が手で整えて部門Bのエージェントに渡す。 形式の違いをすり合わせるための部門間の会議が増える。 AIで減らしたはずの作業が、部門と部門をつなぐための「調整労働」として戻ってきます。 このコストは、どの部門の業務にも計上されないので、気づかれにくいのです。

「データが見られる」と「AIが使える」は違う

社内データの整理が進んでいる会社でも、AIが使える状態とは限りません。壁は2つあります。

• アクセスの壁：ある製造業では、データはきれいに整理され、人は検索できる状態でした。ところがAIのアクセスは禁止されていて、AIから見ればサイロのままでした
• 意味の壁：ある製造・小売業では、マニュアルにAIからアクセスできるようにしたものの、AIが中身を読み取れず、回答の精度が上がりませんでした

1つ目の会社は、データをAI側に移すのではなく、連携の仕組みを通してエージェントが元のシステムを直接参照できるようにしました。 参照してよいかどうかは、人が確認する手順を残しています。 2つ目の会社は、資料に目印（メタデータ）を付けるなどの前処理を入れることで、精度を改善しました。

連携を「AIの前処理」と「書き戻しの経路」として設計する

データ連携というと、AからBへデータを運ぶ仕組みを思い浮かべます。 AIの時代には、連携の役割を2つ足して考えます。 AIが読める形に整える前処理と、AIの出力を業務に戻す書き戻しです。

前処理として用意しておきたいのは、次のような作業です。

• PDFや画像を文字にし、表は説明文を付けてテキストにする
• ヘッダー・フッター・ページ番号のような不要な情報を取り除く
• 会社名の名寄せや、「製品」と「商品」のような表記の揺れをそろえる
• 長い資料やチャットのやり取りを、意味のまとまりごとに分ける
• 資料ごとに、種類・対象・日付などの目印を付ける

社内の価格表で試した例では、PDFのままAIの検索に入れると正答率は3〜5割でした。 AIで一問一答の表形式に変換してから入れると、約9割まで上がっています。 AIの精度が伸び悩んだときは、AIの設定よりも先に、元のデータの形を疑うのが近道です。

データの種類によって、流し方も分けます。 取引や在庫のような構造化データは、変わった分だけを継続的に送ります。 文書や会話のような非構造データは、前処理で整えて目印を付けてから渡します。 どちらも、一度入れて終わりにせず、自動で流し続けることが鮮度と精度を保つ条件です。

もう一つ大切なのは、現場の入力を変えすぎないことです。 AIのためにすべてを決まった項目で入力させようとすると、入力の負担が増え、肝心の定性情報が書かれなくなります。 承認や却下の「理由」、顧客ごとの経緯のような文脈こそ、AIの時代に企業の強みとして残る情報です。 現場は書きやすい形で書き、整えるのは連携の側で引き受けます。

事例：需要予測は「抽出→前処理→予測→書き戻し」で回る

ある飲料の製造販売会社は、約480種類の製品を扱い、AIで需要を予測しています。 以前は、担当者の勘、欠品を恐れた「保険」の上乗せ、猛暑や大型販促があった前年の実績への引きずられが重なり、作りすぎの在庫が年々増えていました。 外部の倉庫代や輸送費もかさんでいました。

データの基盤はあったものの、連携はファイルの受け渡しとRPAと手作業の寄せ集めで、障害のたびに後続の処理が止まっていました。 そこで連携の仕組みを整え、毎週16週先までの予測を、次の流れで自動で回すようにしました。

• 抽出：業務システムのマスターと出荷実績を、データ基盤に送る
• 前処理：予測に使える学習データに整える
• 予測：学習から予測までを自動で実行する
• 書き戻し：予測値を業務システムの形式に合わせて戻し、生産計画の画面で使えるようにする

試行から4か月で本格導入し、障害の多かったRPAの部分から順に置き換えました。 年間約1,700時間の工数削減を見込んでいます。 数字以上の変化は、散らばっていたデータが集まったことで、現場から「これも分析できないか」「AIで楽にできないか」という声が出始めたことです。

連携方式の選び方と、組織のAIを動かし続ける3つの責任

連携の方式は、手作業、RPA、データ変換の専用ツール、クラウド型の連携サービスなど、いくつもあります。 RPAは画面の変更やOSの更新で止まりやすく、止まると後続の処理がすべて止まります。 定型の作業に限ってRPAを残すのは現実的ですが、基幹の連携には向きません。 方式を比べるときは、次の5つの軸で評価します。

• 安定性：止まりにくく、止まったときにすぐ気づけるか
• 処理の規模：データ量や頻度が増えても耐えられるか
• 拡張性：新しいシステムを足すときに作り直しが要らないか
• 保守のしやすさ：担当者が替わっても中身が分かるか
• ガバナンス：誰が、どのデータを、どこへ流しているか追えるか

組織でエージェントを動かすようになったら、次の3つの責任を誰が持つかも決めておきます。

• 内容の責任：なぜその回答や判断になったのかを、あとから説明・追跡できる
• お金の責任：利用料が急に膨らむのを防ぎ、投資に見合う効果が出ているかを見る
• 行動の責任：処理の流れと、人が確認するポイントを把握している

まとめ：組織のAIに進むための確認リスト

• AIに使わせたいデータが、どのシステムにあるか棚卸ししているか
• そのデータに、AIのアクセスが許可されているか
• AIが読める形にする前処理を、連携の仕組みとして用意しているか
• データを一度きりではなく、継続的に自動で流しているか
• AIの出力を業務システムに書き戻し、業務の流れの中で使えるようにしているか
• 部門と部門の間で、人が形式を書き換える「調整労働」が起きていないか
• 連携方式を、安定性・規模・拡張性・保守・ガバナンスの5軸で選んでいるか

AIの成果の差は、つなぎ方の差です。 まずは障害の多い連携や、効果がすぐ見える業務から小さく始め、つながる範囲を少しずつ広げていく。 私たちは、営業と基幹のデータをつなぐ設計から運用まで、現場と一緒に進めるお手伝いをしています。