エグゼクティブ・サマリー
- 「データがない」は四つの別々の状態を指している。 存在しない／散在している／品質が低い／意味が定義されていない。原因が違えば打ち手も費用も違うのに、同じ一言で片付けられているために、投資判断が止まる。
- データ整備を目的にしない。 全社のデータを綺麗にしてからAIに進む計画は、ほぼ完走しない。特定のユースケースから逆算し、そのために必要なデータだけを整える。範囲を絞ることが、唯一の完走条件である。
- 五種類を分けて扱う。 マスタ／トランザクション／センサ・稼働／非構造化（文書・図面・画像）／暗黙知。難易度も整備手段も別物であり、まとめて計画すると必ず最も難しいものに引きずられる。
- 品質は感覚ではなく6軸で測る。 完全性・正確性・一貫性・適時性・一意性・追跡可能性。「品質が悪い」ではなく「一意性が満たされていない」と言えれば、直す対象が特定できる。
- 最大のボトルネックは意味の未定義である。 同じ「稼働時間」「不良」「顧客」が部署ごとに別の定義で使われている限り、どれだけデータを集めても合算できない。データ辞書とID統一は、技術ではなく業務側の仕事である。
- 器は小さく始めて育てる。 表計算から始め、必要になった段階でデータベース、次に分析基盤へ移す。最初に大きな基盤を買うと、載せるデータが揃う前に運用が形骸化する。
AI活用の相談で最も多く聞く言葉は「うちにはまだデータがない」である。しかし実際に現場へ入ると、データは存在していることがほとんどである。日報がある。点検記録がある。生産実績がある。図面も作業手順書もある。存在していないのではなく、使える形になっていない。この違いは重要で、前者なら取得の仕組みから作る必要があるが、後者は整理と定義の問題であり、多くの場合はるかに安く済む。
本稿は、ロボットやシステムを販売しない中立の立場から、AI活用の前提となるデータ基盤を「何から、どの順で、どこまで」整えるかを整理する。大規模な全社データ基盤の構築論ではない。最初のユースケースを動かすために必要な最小限を見極め、そこから育てるための実務的な手順として書いている。