「期待した答えが返らない」の正体
社内AIの誤答には、典型的なパターンがあります。
- 失効した情報を自信満々に答える。規程や手順書が古いまま残り、すでに無効なルール・価格・条件が回答の根拠になる。
- どれが「正」か分からない。同じテーマの文書が複数バージョン散在し、機械にも人にも正本が判別できない。矛盾する回答の温床になる。
- 重要なノウハウがAIから見えない。知見が特定の人の頭・メール・チャットに埋もれ、文書として存在しない。書かれていないことは答えられない。
- 機械が読めない形式で保存されている。Excel方眼紙やスキャンPDFのままでは、システムが中身を解釈できずAIに取り込めない。
これは「ゴミを入れればゴミが出る」というGIGOの法則のAI版です。しかもAIは誤りを流暢に、もっともらしく語るため、利用者には見分けがつきません。例えば社内FAQで出張時の宿泊費上限を尋ねたとき、現役フォルダに失効した旧規程が残っていれば、検索は高確率で「よく書けた古い文書」を拾い、AIはそれを根拠に堂々と誤答します。原因はモデルではないのです。
モデルは今後も勝手に賢くなる。しかし自社データは、自社が整えない限り一切良くならない。ここがAI投資の勘所です。モデルを最新版に乗り換えても、参照データが同じなら回答品質の上限は動きません。
RAGもエージェントもレポート生成も、同じ一点にぶら下がっている
社内のAI活用は大きく3つの形態に分かれます。社内文書を検索してAIに答えさせるRAG(検索型)、判断して処理まで実行するAIエージェント、そしてレポート・分析の自動生成です。この3つは別々の投資に見えますが、実際にはすべてデータ・ナレッジ基盤という共通の土台の上に載っており、どの形態に投資しても成果はその土台の品質を超えられません。
むしろ高度化するほどリスクは増します。RAGなら誤答は「間違った回答」で止まりますが、エージェントでは誤ったデータに基づく判断が操作や処理としてそのまま実行されるからです。裏を返せば、データ整備は特定ツールへの投資ではなく、すべてのAI施策に共通で効く投資だということです。
放置のコストは、すでに発生している
整備を先送りしてもコストが消えるわけではなく、気づかない形で毎日発生しています。一方で整備のリターンは、AI施策に限らず従来業務にも波及します。
| 観点 | 放置のコスト | 整備のリターン |
|---|---|---|
| 業務品質 | 古い規程・失効した条件に基づく手続きミス | 回答精度の底上げがすべてのAI施策に共通で効く |
| セキュリティ | 権限未整理のまま接続し、見えてはいけない情報が検索経由で越境 | 権限・機微データの整理はコンプライアンス対応そのもの |
| ノウハウ | 属人化が固定し、異動・退職とともに失われる | 形式知化により検索・引き継ぎ・監査対応も改善 |
| 投資効率 | データが整わないままツールだけ増え、使われないライセンス費が積み上がる | 一度整えた基盤はモデルやツールを替えても資産として残る |
データ整備は「AIのための追加コスト」ではなく、遅れていた宿題をAIを機に片付ける投資と捉えるのが実態に合っています。
「全部やらない」― 範囲は優先ユースケースから逆算する
ここで経営が陥りやすいのが「全社のデータを綺麗にしてからAIを始めよう」という発想です。全社データの完全整備は終わりのないプロジェクトになり、AI活用は永遠に始まりません。正解は逆で、優先ユースケースから逆算すること。社内FAQなら問い合わせ上位の規程・手順書だけ、営業支援なら現役で使う直近の提案書・事例だけ、経理の自動化なら対象プロセスの帳票・マスタだけを整えます。
例えば、従業員800名の企業で総務・人事FAQを優先ユースケースに選んだモデルケースでは、問い合わせの4割を占める人事規程一式(約120ファイル)と総務手続きマニュアルの2領域だけを整備対象とし、参照頻度の低い過年度の通達約900ファイルは対象外に、機微度の高い給与・評価データは権限設計が済むまで接続しない、と線を引きました。全10領域あっても、最初に整えるのは2領域で十分なのです。
小さく整えて、AIで成果を出し、その成果で次の整備予算を正当化する ― 「整備 → 活用 → 成果 → 次の整備」のループを回すことが、現実的で経営的にも説明しやすい進め方です。「全社整備に2年」のような計画が出てきたら、範囲の絞り込みに立ち戻るサインです。
まとめ ― 経営が決めるべき3つのこと
棚卸しや整備の実務は現場が回せます。しかし次の3つは経営でないと決まらず、決まらないまま始めた整備は必ず途中で止まります。
- 投資の位置づけ。データ整備をAI戦略の一部として明示的に予算化する。各部門の「片手間」にせず、AI関連投資の相応の割合をデータ側に振り向ける。
- オーナーの任命。データ・ナレッジ基盤の責任者を決める。情シス任せの丸投げにせず、業務部門との橋渡しができる人物・体制を置く。
- 機微データの方針。何を外部AIに出してよいか、何を社内に留めるかの線引きを経営判断として明文化する。現場判断に委ねると、萎縮か事故かの両極に振れる。
この3つが決まっていれば、あとは小さく始めてループを回すだけです。次回は、その第一歩となる「社内データの棚卸しと現状診断」の進め方を解説します。