ガートナー 一志氏に聞く、日本企業のデータ基盤整備の落とし穴　「データ活用」から「AI活用」へ進めない制約の存在とは？

日本企業のデータ基盤の整備、何が問題か？

　まず、日本企業のデータ基盤の整備状況を尋ねたところ、「ほとんどがあるべき方向に進んでいない」とした。データ基盤を整備しようとする人たちは、「データの民主化」を掲げて活用促進に取り組んできた。それが、つまりAIをよりよく活用し、ビジネス成果を出すための「AI-Ready」に看板をかけ変えなくてはならなくなり、方向修正の必要性に気づいていないのだという。何のために誰がどんなデータを必要とするか、その棚卸しが必要な点は看板の掛け替えでも変わらない。それなのに、なぜ見直しが必要になるかと言えば、「データの民主化」と「AI-Ready」では、有用なデータ基盤が異なるためだ。

　「データの民主化」の場合、ユースケースが社内のデータ活用に重きを置くもので、社内のどこかにあるデータを使って答えを出せることがほとんどだ。基幹システムのデータの場合、わざわざコピーして手元に持ってくる必要はない。データを加工して作る場合は、さすがにエンドユーザーにデータを提供するための環境が必要になる。データウェアハウス構築では、エンドユーザーからどんなクエリが来るかをあらかじめ想定してのデータパイプラインを設計する。その設計が面倒だからと、業務システムのRDBMSのデータを全部コピーし、データレイクに集約することは無意味だ。

　データレイクが生まれたのは、数十万台のサーバーを運用しているNetflixやYouTubeのように、1人ひとりのユーザーの好みを理解し、コンテンツのレコメンドを行うには、すべてのサーバーからログファイルをコピーし、一カ所に集約する作業環境が必要になったためだ。B2Cサービスを提供しているわけではない企業が、単に構造化データを集約する場所を、データウェアハウスからデータレイクに置き換えることに意味があるか。「この5、6年、私が反発されても言い続けてきた間違いだらけのデータ基盤のことを、『データのコピペ』と呼んできた」と述べ、一志氏は問題を指摘した。企業は「データの民主化につながる」と考えて数億円規模の資金を投じて、データ基盤を整備した。しかし、データをコピペするだけの環境になっていて、ビジネス成果を得られていないのではないか。

　そこに生成AIブームが到来した。社内でエンドユーザーに「データを使ってください」と言い続けてきたが、使ってもらえていない。人間が使ってくれないデータを、AIエージェントに使ってもらうことは可能なのか。ビジネスユースケースを特定し、それに基づきデータパイプラインの設計をしないのであれば、「データを使ってください」から「AIを使ってください」に呼びかけを変えても状況は変わらない。

AIエージェントのためのデータ基盤とは？

　設計不在のデータウェハウス構築を見直すことにも限界が来ている。というのも、現在進行形でビジネス環境が大きく変化する中、経営者が今まさに必要としている意思決定の材料となる情報が、データウェアハウスの中にはないためだ。「事前に必要なデータを格納しておくので、どんなデータが必要か、一緒に考えさせてください」というアプローチが、現在のスピード感が求める要件にも合わない。一部の企業は、内製化にシフトして人材育成に投資し、「大丈夫です。うちには優秀なデータエンジニアチームのメンバーがいます。データサイエンティストやデータアナリストがあなたをサポートできます」でしのいできた。このやり方は有効に見えて、チームのキャパシティに依存するため、それ以上を超えると対応できなくなってしまう。

　解決方法として期待されているのはAIだ。人間のできないところをAIにカバーしてもらおうという発想は理解できる。「AI-Readyなデータ基盤を整備する」、アイデアとしては悪くないように思える。しかし、「どのAIにとっても有用なデータ基盤はまだ存在しない」と一志氏は指摘する。今までのデータ基盤と何が違うか。まず、エージェントが業務遂行で必要なデータは個々に異なるため、権限付きアクセスを確保しなくてはならない。例えば、「有給休暇は年に何日取得できますか？」「有給休暇の残り日数はいつ更新されますか？」など、人事部のエージェントを構築し、社員からの問合せに対応してもらうとする。AIが正確に対応するには、人事部の情報にアクセスできるようにする必要があるが、経理部の情報へのアクセスを許さない制御が必要になる。

　また、非構造化データの重要性が高まる。人事エージェントの例で言えば、規程類と過去のQ&Aの履歴を学習してもらう必要がある。例えば、SAPデータを参照する必要があるとしたら、MCPサーバー経由でアクセスできる権限をエージェントに付与すればよい。構造化データ中心の「データのコピペ」環境がなくても、エージェントは動ける。結局、AI-Readyなデータ基盤とは、多くが連想する既存のデータ基盤の延長線上にはない。

最優先はビジネスユースケースの特定

　「自社のビジネス価値創出に貢献するAIを作りたい」というビジョンを抱く人たちは、莫大な研究開発投資に見合うAIを本当に作れるのか。ケースバイケースだが、「投資できる」とする企業もあるだろう。実際に挑戦している企業として、一志氏はPalantirの名前を挙げる。軍事作戦では、非常に複雑なパラメーターを基に迅速な意思決定が求められる。AIの軍事利用の是非はさておき、事前定義済みのデータを前線に提供しても意味がない。同社の場合、オントロジーと呼ばれる、AIがデータの意味を理解できるようにする仕組みを構築している。これは人間の情報収集からデータの整理、意思決定の材料を作るプロセスを学んでもらい、AIが人間の代わりに動くようにする仕組みだ。

　日本企業がこの仕組みをそのまま模倣できるかはさておき、一志氏はガートナーが提唱するデータファブリックは同じことができる仕組みと話す。データファブリックが目指している姿は、AIが企業内にどんなデータがあるかを理解し、刻々と変化する状況に柔軟に対応する。そのためのデータを準備し、必要な時に利用できるようにする。そんなAI基盤の構築は非常に難しい。Palantirでも時間をかけ、膨大な投資をして構築した。

　「どんな質問にも回答できるようにとなるとAGI志向になるが、そうではない。ある程度機能を絞り込めば、実現の可能性が高まる。だからターゲット領域を決め、ユースケースを特定した上で、まずはそこだけ実現できれば成功と割り切る」と、ビジネスの問題意識からのユースケース特定を優先するべきというのが一志氏の考えだ。とはいえ、これは優秀なビジネスコンサルタントでも難易度の高いアプローチであるため、多くの日本企業は従来の延長線上でデータ基盤を整備する発想になるし、ベンダーも求めに応じて基盤構築の事例を紹介しがちなのが現状である。

　AIネイティブな新しいベンダーが出てきているとすると、ビジネスユースケースベースで、「私たちのAIはあなたの仕事にこのように役立ちます」と明確に言えるものを提供しているはずだともいう。現時点では、士業の人たちをサポートするペルソナが明確なAI、あるいは作業を手伝うAIが典型例である。前者は業法の壁があるため、国内におけるビジネス展開の可能性は未知数である。後者のPC作業を手伝うようなAIは有能さを発揮できているように見えて、活躍は企業内のデータを学ぶ必要のない範囲にとどまる。企業のビジネスに役立つAIを機能させるには、まだ高い壁がある現状と言えるだろう。