保険は世界で最もデータに依存する業界の1つである。アクチュアリーはデータを活用し、リスクに価格を付け、保険金請求に備えた準備金を積み、契約者を守っている。しかし、こうした意思決定を支える構造化データは、保険会社が実際に収集しているもののごく一部にすぎない。何十年分もの保険申込書、特約、承認書、通信記録、保険金請求ファイルがレガシーデータベースに眠っている。その多くは手書き文書をスキャンしたもので、保存はされているものの、そこから結論を導き出そうとするシステムからは実質的に見えない存在だ。この膨大な非構造化データの蓄積は、関連性がないからではなく、利用可能にするための戦略とツールがなかったために、ほとんど活用されないままであった。
1943年創業の保険会社が実際にアーカイブに何を保有しているかを考えてみてほしい。80年分の保険申込書である。構造化された項目には入力されなかった定性的判断を記した手書きの引受査定メモ。申込者の職業、病歴、状況について、査定担当者が記録に値すると判断したものの、どのデータベースでも照会できない観察内容だ。加入者が障害や死亡をどのように経験したかを記した保険金請求の記述。企業が最も重要な局面でどのように対応したかを記録した通信ファイル。何十年もの間、こうした資料はマイクロフィルムやマイクロフィッシュ上に存在し、物理的には保存されながらも分析上はアクセス不能だった。組織全体の制度的記憶が、ハロゲン化銀の中に凍結されていたのである。
これは保険業界だけの問題ではない。業界を問わず、組織は長年にわたり記録を蓄積してきたが、それを利用可能にするインフラを構築してこなかった。ガートナーは、AI対応データを欠くAIプロジェクトのうち、組織が最大60%を放棄すると予測しており、データの準備状況がいかに基礎的な要件になっているかを示している。約1600人のデータ専門家を対象としたBARCのグローバル調査「Data, BI and Analytics Trend Monitor 2026」では、データとアナリティクスの優先事項において、データ品質管理が首位に返り咲き、AIそのものを上回った。
歴史的な非構造化データがもたらす可能性
明るい材料は、非構造化データから価値を抽出するためのツールが劇的に進歩したことだ。以前であれば、スキャン文書を海外チームに送り、手作業でデータ入力してもらい、別のデータ要素が必要になるたびに同じプロセスを繰り返す必要があった。いまでは、それを1人が午後の数時間で実行できる。AIを活用したデータ抽出は、手書きのものを含む数千件の文書を処理し、将来のあらゆる照会に利用できる、構造化された機械可読の出力を生成できる。さらに記録が不完全な場合でも、現代のツールは欠損値を補完し、それぞれの推定値に信頼度スコアを付与できる。そのため、出力を確認する担当者は、結論とその周囲にある不確実性の幅の両方を把握できる。データが使えるほどクリーンか、さもなければ廃棄するしかないかという、従来の二分法はもはや当てはまらない。
非構造化データの価値を引き出す鍵を見つけることには、さまざまな応用可能性がある。契約者が数十年前の記録について異議を申し立てるために電話してきた場合、アーカイブされたファイルを手作業で時間をかけて探すのではなく、元の申込書を数分で取り出して確認できる。これは有用だ。しかし、その潜在力を過小評価している。
より興味深い問いは、歴史的な非構造化データを体系的に抽出し、結果についてわれわれが知っていることと結び付けたとき、何が可能になるかである。申込者の事業内容を定性的に記録した引受査定メモは、数十年後の実際の保険金請求経験と対応付けることができる。そのメモに組み込まれた判断は、より良いリスク選別と相関していたのか。保険金請求の記述は、加入者が失効前に自身の状況をどのように説明していたかのパターン分析に使える。構造化された保険料支払い記録だけでは決して浮かび上がらない早期の兆候が明らかになる可能性がある。通信ファイルからは、企業の対応が加入者のニーズに合致しなかった場面、すなわちサービス上の失敗を掘り起こすことができる。こうした場面は、どの顧客満足度調査よりもはるかに正確に解約を予測し得る。
リーダーシップに求められるもの
これらはどれも、プラグアンドプレイで実現できるものではない。何十年分ものマイクロフィッシュ記録を画像化すること、複数の時代にわたる文書化基準のもとで書かれた手書きテキストを処理できるほど堅牢な抽出パイプラインを構築すること、そしてその出力を現代のデータインフラと接続することには、継続的な投資と組織的なコミットメントが必要である。それを実現する技術は存在し、かつてないほど利用しやすくなっている。それでも、それを実行する作業は本当に難しい。
ボトルネックは技術ではない。プロジェクトの80%が意図した価値を提供できないとする推計もあり、その失敗の多くはリーダーシップや組織要因に起因するとされている。BCGの「AI Radar 2026」調査では、「最高経営責任者のほぼ4分の3（72%）が、いまや自らがAIに関する主な意思決定者であると述べている」ことが明らかになった。記録はどこかへ消えるわけではない。問題は、組織のトップにいる人々が、それを解き放つ作業にコミットする意思を持っているかどうかである。
そのコミットメントは、自社が何を持っているのかを知ることから始まる。ほとんどの組織は、レガシー形式で残された記録の量と潜在的価値を過小評価している。そして、それを把握するための障壁は以前より低くなっている。たとえ範囲を絞ったものであっても、1つのパイロットプロジェクトを承認するリーダーは、複数年にわたるロードマップなしに概念実証を示すことができる。
そこから先にある重要なリーダーシップ上の判断は、データは有用であるために完璧である必要はないと受け入れることだ。歴史的に、組織は厳格な品質基準を満たさない記録を排除してきた。クリーンで構造化された入力が唯一の選択肢だった時代には、それは理にかなっていた。だが、もはやそうではない。不完全なデータに信頼度スコアを付けて扱うことをチームに認めれば、インフラが成熟し続ける間にも成果は積み上がり始める。
リーダーが覚悟すべき課題は忍耐である。この取り組みは、単一の四半期ではなく、時間をかけて積み上がるリターンを生むからだ。これを放棄する可能性が最も高い組織は、持続的な能力ではなく、即時の見返りを前提に期待値を設定している。
データは何十年も待っていた。それを利用する能力は、すでにここにある。残るのは、このデータを活用するためのリーダーシップの戦略と意思である。
