パート 2
業界を問わず、あらゆる企業がプレッシャーにさらされていると言っても過言ではありません。サプライチェーンの混乱から地政学的リスクに至るまで、世の中には多くの不確実な要素が存在します。そうした不安定な時代において、信頼できるインサイトは、企業に俊敏性と自信をもたらします。迅速な意思決定を支援し、ビジネス成果を向上させます。だからこそ、有意義なインサイトの獲得方法を見出すことは、ビジネスにとって不可欠な要素となりつつあるのです。
本ガイドのパート 2 では、戦略的かつ責任ある方法で AI を活用し、信頼できる有意義なインサイトをより迅速に発掘して、よりアクセスしやすくするための方法を解説します。また、堅牢な AI 戦略と健全なデータ基盤を構築するための手 順を説明します。
さっそく始めましょう。
AI の成功は、人々のマインドセットが一致しているかどうかにかかっています。具体的には、「施策の管理方法」「データの出所」「組織内でのデータの移行方法」「データへのアクセス権の所有者」「AI が生み出すインサイトに基づいて行動するための準備状況」という 5 つの要素について、従業員全員が足並みを揃える必要があります。つまり、スマートな戦略を策定する必要があります。
パート 2 の最初の「データリーダーのシナリオ」では、Penske 社の事例を紹介し、コラボレーションを事前に強化することの重要性を解説します。
トラックレンタル・物流会社の Penske 社は、ある問題を抱えていました。車両データが複数の部門をまたいで分散しており、アナリストはそれぞれ異なるツールやソリューションを使用していました。信頼できる唯一の情報源がないため、何が正しい情報なのか誰も確信が持てず、データへの信頼を失い始めていました。
Penske 社は、すべての事業部門の連携を促進し、データと AI の運用戦略を策定するために、データ・分析ガバナンスカウンシルを立ち上げました。これにより、自社と顧客に付加価値をもたらす、目的主導の施策を実現しました。
データおよびその他の情報の信頼性の向上
データ言語の共通化と導入率の向上
レポート作成時間の短縮
車両の稼働率向上と修理時間の短縮
AI を活用した新たなイノベーションの推進
生成 AI は、当社のデータ環境における新たなフロンティアです。当社は、車両の修理時間を短縮するために AI ソリューションを導入し、成功を収めています。
Penske 社は、ツールよりもルールを重視することが、AI プロジェクトの成功に大きく貢献することを実証しました。確かに、利用可能な AI ツールは無数にあります。その多くは、信頼できる有意義なインサイトの獲得に役立ちます。しかし、それらのツールを適切に活用するための、堅牢で綿密に練り上げられた戦略 とポリシーがなければ、何の価値もありません。では、どこから始めればよいのでしょうか？
パート 1 で述べたように、データガバナンスと品質に対するデューデリジェンスを実施することが、重要な出発点となります。各段階で誰がデータにアクセスし、使用できるのかを含め、データのライフサイクル（作成・収集・保存・廃棄）全体に影響を与えるガイドラインを策定しましょう。また、一部の業界では、データガバナンスやプライバシーの問題への対処方法に関する法規制が存在する可能性が高いです。そのため、フレームワークではこれらの法規制を考慮し、倫理・偏見の低減方法・トレーニングに対する明確な監督体制を確立する必要があります。
次に、データと AI に関する計画が自社の計画と合致していることを確認します。関連性があり、測定・達成可能な目標を設定することが重要です。生成 AI を使用している場合、スピードが重要な指標となる可能性があります。一方、エージェンティックソリューションを導入している場合は、従業員や顧客の満足度を重視するほうが良いかもしれません。規制の厳しい業界で事業を展開している場合は、コンプライアンスや監査可能性が最優先事項となるかもしれません。最も重要な指標を厳選し、リストを絞り込みましょう。目標が多すぎると、すべての目標を達成できない恐れがあります。
AI の取り組みを任されているものの、具体的なユースケースが思い浮かばない場合は、自動化のメリットを享受できるプロセ スを 1 つ考えてみてください。どうでしょう、たくさん思いつきませんか？インサイト創出やカスタマーサービスといった、特定のプロセスに焦点を当てることをお勧めします。ビジネス全体を変革するのではなく、段階的な変革を推進することで、関係者への「訴求」が容易になり、収益を最大化し、事業運営方法にプラスの影響を与えることができます。
さらに、従業員がより戦略的かつ開発的な業務に取り組むためのサポートを受けられるようになれば、真のデータリーダーとしての地位を確立できるでしょう。リアルタイムの不正検知、IoT デバイス向け予測モデルの開発、信用承認の自動化、レポート生成といった複雑で戦術的な作業は、すべて AI に任せましょう。
関係者と議論を重ね、戦略を練り上げ、組織全体で新しいポリシーを導入。ここまでやり遂げたことは、称賛に値します。
次にやるべきことは、最も重要な時にデータをすばやく活用できる体制を整えることです。AI は、品質を問わず、あらゆるデータを取り込みます。そのため、組み込み型のデータ品質保証システムを導入し、モデルが優れたインサイトを効率よく創出できるようにする必要があります。そうしなければ、時間と経費を無駄にしてしまう可能性があります。RS Components 社は、まさにこの問題を回避しようとしていました。次の「データリーダーのシナリオ」では、同社の事例を紹介します。
世界最大の電子機器・メンテナンス製品販売会社である RS Components 社は、断片化・サイロ化されたデータ環境に悩まされていました。その結果、非効率な作業や応答時間の遅延が発生していました。標準化されたデータガバナンスの欠如により、業務の拡大や、イノベーション・AI へのデータ活用が困難になっていました。
同社は、ビジネス価値との明確な関連性を持つデータガバナンスを定義し、ワークショップやディスカッションを通じて関係者を啓蒙するために、アドボカシープログラムを立ち上げました。この包括的なアプローチにより、非効率な作業を排除し、高度な分析・自動化・AI のための堅牢なデータ基盤を構築しました。
レポート作成時間を 2 週間からわずか 5 時間に短縮
広告・アフィリエイト戦略の改善による大幅な収益増加
データ活用の改善により、輸送コストを削減
一元化されたガバナンスにより、データセキュリティと GDPR コンプライアンスを強化
ビジネス価値を高めるスケーラブルなデータエコシステム
世界トップクラスのデータエコシステムを構築するという当社のビジョンを実現するために、データ管理・ガバナンス能力を変革する必要がありました。
多様性 構造化
非構造化されたソースが増えると、偏見が入り込む余地が少なくなります。つまり、データサイロを回避し、用途に関連する幅広いパターン・視点・バリエーション・シナリオを網羅する必要があります。学習用データを多様化しなければ、偏見のある仮定や不公平な意思決定につながる恐れがあります。
タイムリー性
パート 1 の「リアルタイム」セクションでも少し触れましたが、データがタイムリーでなければ、予測や情報に基づいた意思決定に役立てることはできません。古い情報で AI モデルをトレーニングすることは、ガソリンタンクに水を入れるようなものであり、何の役にも立ちません。AI が最新かつ最適なデータを使用していることを確認するには、可能な限り低遅延・リアルタイムのデータパイプラインを構築する必要があります。
正確性
データに欠陥があったり、不完全であったり、プロジェクトの目標と合致していなかったりすると、AI モデルにも同様に欠陥が生じます。適切なデータを確保するために、「ソースデータのプロファイリング」「修正戦略の運用化」「データ系統の活用」という 3 つの手順を実践しましょう。データ系統は、ソースの履歴を追跡して影響度を測定し、偶発的な変更を防ぐための重要なツールです。
安全性
簡単に言えば、データを無防備なままにしておくことは、玄関のドアを開けっ放しにしておくのと同じです。AI モデルの整合性だけでなく、企業の評判にも危険が及びます。幸いなことに、自動化はセキュリティを大規模に強化し、大 規模なデータの検出・分類、マスキングとトークン化によるアクセス管理、社内のデータ移動の制御を支援します。
発見可能性
重要なのは、適切なデータを適切な形式で取得し、適切な担当者やシステムに確実に届けることです。そこで、強力なメタデータ・データカタログ管理の出番です。セマンティックタイピングなどのプロセスにより、自動システムがデータを理解しやすくなり、より多くのコンテキストを提供できるようになります。また、ビジネス用語集やメタデータカタログを使用すれば、データを簡単に検索して見つけられるようになり、データ量や AI に対する洞察力が不足している場合に特に役立ちます。
活用性
AI がデータを活用できなければ、特に AI エージェントのような高度な自動化を導入する場合、AI から質の高い結果を得ることはできません。データを容易に学習できるようにすることで、AI システムは情報をスムーズに処理し、スマートで想像力豊かな成果へと変換できるようになります。
AI のパワーをすべて活用することで、AI 準備度を飛躍的に向上させることがで きます。たとえ一つでも欠けていると、不正確なデータや疑わしいインサイトによって、意思決定や効率が損なわれる可能性があります。万全の体制を整えることが重要です。6 つのステップに関する詳細については、Qlik の eBook「AI 対応データの 6 つの原則」をダウンロードしてください。
コストを惜しまず AI の導入を加速させることが求められる世界では、スピードが不可欠であることは明白です。新幹線の如く、全速力で取り組まなければなりません。期待に応えられなかったり、価値を創出できなかったりした場合、これまでの努力はすべて無駄になります。犠牲を払うのではなく、組織やチームのために勇敢に行動しましょう。IndianOil 社の Nirmal Kumar 氏は、そうした取り組みを実践し、150 人以上の「パワーユーザー」を抱える AI プラットフォームの導入を支援しました。
インドのエネルギー業界の大手企業である IndianOil 社は、30,000 を超える事業拠点のプロセスを最適化する必要がありました。その目的は、14 億人の国民とあらゆる産業への燃料供給を支援することです。
IndianOil 社は、データをより迅速に処理し、わかりやすく魅力的な方法で視覚化できる AI プラットフォームを導入することで、サイロ化された理解しにくいデータを克服しました。
使いやすいプラットフォームにより、150 人以上のパワーユーザーと 10,000 人の一般ユーザーによる導入を促進
生産現場から役員会議に至るまで、組織全体で重要なインサイトにアクセス可能に
追跡可能な KPI により、オペレーショナルエクセレンスを実現
従業員は創造性・生産性・イノベーションに注力
今では、予測分析や、新しいテクノロジー・発明・アイデアの創出にさらに多くの時間を費やし、機器の信頼性や効率を向上させ、世界のベストプラクティスに匹敵する水準を確保できるようになりました。
あらゆる企業が、IndianOil 社のように、AI の取り組みを大きな経済的利益につなげたいと考えています。また、収益だけでなく、プロジェクトがもたらす変革的価値を見極めることも重要です。業務改善もまた、大きな経済的利益に貢献することは言うまでもありません。
パート 2 で説明したように、AI 対応のデータ基盤を構築すれば、すべてがスムーズに進みます。しかし、AI の回答や提案をそのまま鵜呑みにしてもよいのでしょうか？答えはもちろん「いいえ」です。信頼スコアを活用すれば、データの品質を迅速に検証できます。データが目標に沿った特定の基準を満たしているかどうか、ひと目で判断できます。これにより、データから有意義なインサイトを獲得し、より迅速な意思決定・より正確な予測を実現しながら、市場投入までの期間を短縮できます。
残念ながら、クラウドデータへの取り組みは、多 くの人が考えていたよりもはるかにコストがかかることが判明しています。生成 AI プロンプトの多くは、平均的な検索クエリよりもコストがかかります。2027年までに、新しい推論モデルはより多くの電力を消費するようになるため、コストはさらに上昇するでしょう。11 こうした情報はすべて、ROI の面で期待を裏切るように聞こえるかもしれませんが、費用とエネルギー要件の両方を考慮に入れるための警鐘として捉えるべきです。より包括的なコストガバナンスにより、AI モデルの運用を妨害することなく、予期せぬ事態に遭遇するリスクを軽減しながら、費用をより正確に予測・追跡できるようになります。
パート 3 では、コスト削減戦略についてさらに深掘りします。
データと AI を早い段階で信頼できれば、最も優れたデータリーダーでさえもつまずくような、疑念・優柔不断・非効率な作業を克服できるようになります。データ基盤を強化すれば、より優れたインサイトを獲得できるようになります。受動的ではなく能動的に行動し、次のブレイクスルーのスピードを加速させることができます。
AI の取り組みを、プロジェクト目標や組織の目標と照らし合わせて徹底的に検証しましょう。それがあらゆるステップにおいて、正しい方向を示してくれます。
データ基盤を整えましょう。早い段階で現状を把握し、データを信頼できれば、トラブルの発生を回避できます。
ROI は金銭的な価値だけでなく、様々な側面を有しています。忍耐強く取り組むことが重要です。
7 Gartner, “IT Symposium Research Super Focus Group” 2023
8 PWC 社「2025 AI Business Predictions」2024年 （英語のみ）
9 Semarchy, “Businesses Need Better AI Data Quality – Here’s Why,” 2025 （英語のみ）
10 McKinsey, “The state of AI: How organizations are rewiring to capture value,” 2025 （英語のみ）
11 Qlik, “After AI: Reinventing Data, Insights, and Action Amidst the Noise,” 2025 （英語のみ）
