AIは企業と消費者の双方にとって奇跡となるはずだった。消費者は休暇の計画や飲食店のリサーチなどにAIを活用し、その高度な調査能力から恩恵を受けている一方で、ビジネス効率を変革するはずだった企業のAI導入は、多くのケースでROI（投資収益率）を提供できていない。
多くの人がマサチューセッツ工科大学（MIT）の「生成AIの格差：2025年ビジネスにおけるAIの現状」報告書に精通している。同報告書は、95%の企業がAI導入からゼロのリターンしか得ていないことを明らかにした。当然ながら、この発見は業界に衝撃を与え、多くのビジネスリーダーがこの驚くべきROIの欠如について素早くコメントした。
MIT報告書は、企業におけるAI拡大の5つの障壁を強調した。困難な変革管理、経営幹部の支援不足、貧弱なユーザー体験、モデル出力品質への懸念、そして新しいツールの採用への消極性である。しかし、同報告書は真の原因を特定できなかった。それはデータの混乱である。
データ混乱の落とし穴
企業のデータが非構造化され、ガバナンスが欠如している場合、そのデータに展開されたAIツールは信頼性の低い、または誤解を招く出力を生成する可能性が高くなり、AI生成結果への信頼が低下する。
実際、筆者の会社であるProsper Insights & Analyticsが実施したAIの最近の発展に関する調査によると、ビジネスリーダーの40.1%がAIが誤った情報を提供する可能性を懸念しており、さらに22.1%が出力に偏りがあることへの懸念を表明した。
この根本的な信頼の欠如により、機能的なAIツールであっても、期待される結果をもたらさないため、投資として不適切だと判断される可能性がある。しかし、これはAIツールの有効性よりも、AIが結果を生成するために使用するデータの品質に関係している。
AIデータ準備を専門とするEncompaaSのCEOであるジェシー・トッド氏によると、「データ混乱の真の原因は、データがどこにあるかだけではなく、組織が自分たちがどのようなデータを持っているか、なぜそれが存在するのか、そしてどのように安全に使用できるかを理解しているかどうかです。そのコンテキストが欠けている場合、特に非構造化データに関しては、AI施策は信頼できる成果を提供するのに苦労します。特に規制された環境ではそうです」という。
企業、特に医薬品や政府のような高度に規制された業界では、データの混乱はAIのROIに影響を与えるだけでなく、コンプライアンス要件を満たせないリスクにも寄与し、企業に数百万ドルの罰金と法的費用をもたらす可能性がある。
これを改善するために、ビジネスリーダーはAI失敗の症状を超えて、根本原因の修正に焦点を当てる必要がある。
AI対応データでデータ混乱を克服する
AIの導入を成功させるには、既存の企業データを発見し、分類し、充実させ、一貫したデータポリシーによって管理する必要がある。これは、各契約書、提案依頼書（RFP）、従業員契約書などがそのようにラベル付けされ、データがより可視化され、使用しやすくなることを意味する。
重複のクリーニング、外れ値の除去、レガシーコンテンツのアーカイブなどの従来の手動によるデータガバナンスアプローチは、企業全体のAI施策や継続的なコンプライアンス要件をサポートするのに十分に拡張できない。
むしろ、組織はレガシーシステムと最新システムの両方にわたってデータを管理するために、ガバナンスフレームワーク内でAIを適用することが増えている。これにより、企業はAI導入が拡大する中で、監視、コンプライアンス、信頼を維持しながら、データガバナンスを拡大できる。
「組織は、ビジネス目的と機密性を明確に特定することで、データにコンテキストを提供する必要があります」とトッド氏は付け加えた。「このガバナンスの基盤により、AIシステムは自信、一貫性、規制上の防御可能性を持って大規模に運用できます。AIのためにデータを準備するステップを踏むことは、AIの成功と意味のあるROIを達成するために不可欠です」
充実化と分類がなければ、生成AIは信頼できる文書と古い下書きを区別できず、AI生成出力が戦略的なビジネス上の意思決定、コンプライアンス報告、または顧客とのやり取りに使用される場合、有害となる可能性がある。
AIはビジネスプロセスに変革的な影響を与える可能性があるが、まず、ビジネスリーダーは組織を準備する時間を取り、AIを展開する前にデータが整理され、AIプロジェクトの目標が明確であることを確認する必要がある。そうでなければ、AI導入は停滞し続け、リーダーはAIの野心と実現された価値とのギャップを見続けることになる。
AI成功のための正しい姿勢
データの混乱を克服し、AIの変革的な利点を活用するには、積極的な行動が不可欠であり、それはビジネスリーダーの姿勢から始まる。
実際、リーダーはAIに対する見方を変える必要がある。AI展開時に即座のビジネスインパクトを期待するのではなく、リーダーはまずデータを準備することで投資の基盤を築き、次にAI導入のビジネス目標を特定してから、それらの特定のユースケースにAIを展開すべきである。
AIプログラムを購入し、それがすべてのビジネス非効率を魔法のように解決することを期待するのは持続可能ではなく、この期待がAIへの失望の高まりと、テクノロジーがその誇大宣伝に応えられないことにつながっている。
「AI対応データ基盤は、AI導入の前提条件と見なされるべきです。これにより、生成AIモデルは、より高い信頼性と信頼を持って複雑な企業データ環境全体で動作できるようになります」とトッド氏は指摘した。
リーダーはAI導入の見通しに神経質になったり、圧倒されたりする必要はない。マラソンランナーがレースを走る前に準備するように、企業もAIを展開する前に準備すべきである。
ほとんどの企業がAIでROIを達成できないことを心配している一方で、データガバナンスを優先する企業は、戦略的競争優位のためにデータを活用できる。すべては、データの混乱を制御し、企業のAI投資を成功に導くことから始まる。
開示：上記で言及した消費者意識調査は、筆者の会社であるProsper Insights & Analyticsによって実施された。これは全米小売業協会が使用しているのと同じデータセットであり、Amazon Web Services、ブルームバーグ、ロンドン証券取引所グループから経済ベンチマーキングのために入手可能である。
