AIに「先月の売上は？」と聞くと、管理画面と違う数字が返ってくる。 この問題の多くは、AIの性能ではなく、社内の言葉の「意味」がAIに渡っていないことから起きています。 この記事では、その意味を整える「意味の層」を、実際にどう作っていくかを整理します。
前回のおさらい：AIは社内の言葉の定義を知らない
前回の記事「AI時代に、データ基盤が重要な4つの理由」では、 データ基盤の役割の1つとして「意味づける」を挙げました。 「売上」は税込か税抜か、返品を引くのか。人なら当たり前に知っている定義を、AIは知りません。
そこで必要になるのが、指標や言葉の定義をまとめて、AIが参照できるようにした層です。 この記事では、これを「意味の層」と呼びます。 今回は、意味の層をどう作り、どう育てていくのか、実践の手順に踏み込みます。
AIの集計がつまずく3つの原因
自然文の質問からAIが集計の命令文を作って答える仕組み（いわゆるText-to-SQL）は、多くの会社で試されています。 ところが、実際の業務で使おうとすると、次の3つでつまずきます。
- 業務定義の不一致：税抜か税込か、どの部門を含むかなど、同じ言葉でも人や部署によって意味が違う
- 暗黙知：「この列は2年前から使っていない」「このコードは社内テスト用」といった、書かれていない前提
- データ品質のばらつき：欠損や重複、表記ゆれがあり、正しい命令文でも数字がずれる
あるマーケティング系のソフトウェア企業は、こんな例を挙げています。 管理画面では「前年比+8.5%・125,000円」と表示されているのに、AIは「+2.4%・118,000円」と答える。 しかも、聞くたびに答えが変わる。 これでは、現場はAIの数字を信用できません。
このずれは、AIが計算を間違えているわけではありません。 管理画面は、税抜か税込か、対象期間をどう区切るか、どの取引を除くかといった業務のルールを内部に持っています。 一方のAIは、そのルールを知らないまま、テーブルの列名から「たぶんこれだろう」と推測して集計します。 推測の仕方が毎回少しずつ違うので、聞くたびに答えも変わるのです。
意味の層とは：データとAIの間に置く「社内の辞書」
意味の層は、データそのものではなく、データの「読み方」をまとめたものです。 どの表とどの表がつながるのか、「利益率」はどう計算するのか、「店舗」と「拠点」は同じ意味か。 こうした定義を1か所に置き、AIは必ずそこを通ってデータを読むようにします。
ある食品卸では、テーブルには存在しない「利益率」の計算式や、「店舗」の同義語を意味の層で定義し、AIに答えさせました。 データに列を足さなくても、定義を足せば、AIが答えられる質問は増えます。
効果は数字にも表れています。ある大手IT企業の検証では、AIに直接質問したときの正答率は35.6%でした。 集計式の定義を足すと68.9%、さらに意味の層を整えると97.8%まで上がっています。
ある航空会社でも、指標の定義を整えたことで、AIの答えと業務データの数値の一致率が70〜80%から100%になりました。
注目したいのは、計算式を足しただけでは7割に届かなかった点です。 計算式は「どう計算するか」を教えますが、「どの表のどの列を使うか」「その言葉が何を指すか」までは教えません。 言葉の意味、表のつながり、社内のルールまでをまとめて渡して、はじめてAIは人と同じ前提で答えられるようになります。
手順1：定義の材料を、すでにある記録から集める
意味の層づくりで最初にぶつかるのは、「定義をゼロから書き出すのは大変だ」という壁です。 ここで役に立つのが、社内にすでにある記録です。
あるエンタメ企業では、約5,000件弱の実際のクエリの履歴を分析して、意味の定義を作りました。 人が普段どの表をどうつなぎ、どの条件で絞っているか。その履歴には、業務の定義がそのまま表れています。 その結果、用意した22問のうち21問で、実用に足る答えが返るようになりました。
先のマーケティング系のソフトウェア企業は、業務アプリの側に蓄積された業務定義やクエリの履歴から意味の定義を初期構築し、継続的に更新する方法をとっています。 同社は「データ基盤だけでは、実務で使える意味の層を作るのは難しい」と考えています。 ある通信会社では、従来は分析を始めるまでに約4週間かかっていました。 そこで意味の定義づくりそのものをAIで支援し、その工数を1週間から1日に短縮しています。
材料になる記録は、たとえば次のようなものです。
- クエリの履歴：分析担当者が実際に書いてきた集計の命令文。表のつなぎ方や絞り込みの条件がわかる
- 業務アプリの定義：管理画面やレポートが内部で使っている計算式や集計のルール
- 既存のレポートや報告書：どの指標が、どんな名前で、どう使われているか
AIが下書きを作り、業務をよく知る人が確かめて直す。この分担にすると、定義づくりは現実的な作業量に収まります。
手順2：AIのための「5つの調整」を入れる
定義の骨組みができたら、AIが迷わないための調整を加えます。 ある航空会社のグループIT会社では、自然文での分析の精度を上げるために、次の5つの調整が必要でした。 年間約200万件の通話データも、分析の対象にしています。
- 項目の説明文：列の名前だけでなく、何を表す項目かを文章で書く
- 同義語：「店舗」「拠点」「ショップ」のような言い換えを登録する
- テーブル同士の関係：どの表とどの表を、どの項目でつなぐかを決めておく
- AIへの追加の指示：「売上は特に指定がなければ税抜」のような社内のルールを伝える
- 検証済みの質問と正解の例：よく聞かれる質問と、その正しい集計の仕方を見本として渡す
特に5つ目は効果が大きい調整です。 正解の例が増えるほど、AIは「この会社では、この聞き方はこう集計する」というパターンを踏まえて答えられるようになります。
手順3：AIが読みやすい形に、データと範囲を整える
意味の層だけでなく、その下にあるデータの形も重要です。 先のエンタメ企業では、入れ子になった列のような半構造のデータは、事前に構造化しておく必要がありました。
ある沖縄の小売企業は、意味の定義のための、分かりやすい専用の表構造を用意しました。 複雑な業務の表をAIに直接読ませるのではなく、AIが読みやすい形に整えた表を挟んだことで、回答にかかる時間は5〜10分から約1分になりました。
範囲の決め方も大切です。あるOA機器メーカーでは、「AIに使わせてよいデータの区画」からしか意味の定義を作れない仕組みにしました。 AIが参照できる範囲を最初から絞ることで、統制を効かせながら活用を進めています。 この会社では、売上の確認にかかる時間が1〜2時間から15分になりました。
手順4：評価の質問で採点し、改善を回し続ける
意味の層は、一度作って終わりではありません。 あるシステムインテグレーターは、対策を「業務上の意味（メタデータ）の整備」「データカタログとの連携」「継続的な品質管理」の3点に整理し、 AIの回答を評価し続ける改善のループを回すことを勧めています。
ある化粧品グループでは、評価用の質問を用意して、12回の改善を繰り返しました。 回答の正確さのスコアは0.53から0.77まで上がっています。 質問と正解の組を決めておけば、定義を直すたびに、良くなったのか悪くなったのかを数字で確かめられます。
もう1つ欠かせないのが、答えの根拠を見せることです。 先の通信会社では「90%の精度でも、残りの10%が使わない理由になる」と考え、答えの根拠を確認できる機能を加えました。 どの定義とデータから出た数字なのかを確かめられることが、AIの答えを業務で使う前提になります。
改善のループは、次の流れで回すと続けやすくなります。
- 現場でよく聞かれる質問と、その正解を、評価用の一覧にまとめる
- 定義を直すたびに一覧の質問を流し、正答の割合を記録する
- 間違えた質問を見て、足りない定義や同義語、正解の例を追加する
- 現場で新しく出てきた質問を、評価用の一覧に加えていく
どこまで意味の層で足りるのか
目安として、1つの業務領域で50〜100テーブル程度までなら、意味の層で十分に対応できます。 まずは営業や販売など、1つの領域から始めるのが現実的です。
領域を絞ると、定義を確かめる相手も絞れます。 営業の指標なら営業企画、在庫の指標なら物流の担当者というように、その言葉に責任を持つ人を決めておくと、定義の合意と更新が止まりません。
それを超えて、複数の領域をまたいで扱うようになると、「顧客」「契約」「商品」といった業務の概念同士の関係そのものを整理する段階に入ります。 これはオントロジーと呼ばれる考え方です。 ただし、いきなりそこを目指す必要はありません。意味の層を領域ごとに積み上げていくことが、その土台になります。
まとめ：意味の層づくりのチェックリスト
- AIで答えたい質問と、その正解の組を、評価用に用意しているか
- クエリの履歴や業務アプリの定義など、すでにある記録を材料にしているか
- 項目の説明文、同義語、テーブルの関係、追加の指示、正解の例の5つを整えているか
- AIに使わせてよいデータの範囲を決め、読みやすい形に整えているか
- 答えの根拠を確認でき、評価と改善を回し続ける体制があるか
AIの回答精度は、モデルを変えなくても、意味の層を整えることで大きく上がります。 私たちは、データ基盤の構築から、業務の定義の整理、評価と改善の仕組みづくりまでを一貫して支援しています。 まずは1つの業務領域と、現場でよく聞かれる質問の一覧から始めることをおすすめします。
AIが正しく答えるためのデータ基盤・意味の層の設計もご相談ください。
データ連携開発を見る
