取締役会メンバーと経営幹部は、AIの成功にデータが不可欠であることをますます認識し、企業レベルでのデータガバナンスとリスク管理を再評価している。AI導入企業は、WTWのカイル・ヒューリッチ氏との共同開発により、AIの有効性を高める5つのデータ実践を挙げている。
AIの有効性を高める5つのデータ実践
- データを商品として扱わない：以前取り上げたように、データはしばしば商品として誤って認識されている。データの可用性、所有権、規制とガバナンスのルール、サイバー・データセキュリティは依然として課題であり、データへのアクセス、取り込み、クリーニング、分析も同様である。PEXレポート2025/26によると、52%の組織がデータの品質と可用性をAI導入の主な障壁として挙げている。
- 異なるデータの種類、その用途とリスクを理解する：AIはデータで動作するが、すべてのデータが同じではない。トランザクションデータ、オペレーショナルデータ、アナリティカルデータを定義し理解することは、現代の組織的判断の基盤であり、リーダーが効果的にガバナンスと投資を行うことを可能にする。各データカテゴリには、AIシステムの設計、展開、信頼性を形成する独自のリスク、所有責任、品質への期待が伴う。これらの違いを認識することは、高度なAIイニシアチブをサポートし、企業全体で将来を見据えた意思決定を行うのに十分堅牢なデータインフラを構築するための第一歩である。本記事の最終セクションでは、AIに最も関連性の高いコアデータタイプとセカンダリデータタイプのリファレンスガイドを提供する。
- データリスクとそれらのリスクを軽減するソリューションの投資対効果を定量化する：データリスクの管理は、コンプライアンス演習ではなく経営判断の問題として扱う方が効果的である。データリスクの定量化は、どのビジネス上の意思決定が最も重要か、データがそれらをどのように情報提供するか、不確実性、不正確なデータ、レイテンシ、エラーが体系的に結果を劣化させる箇所をマッピングすることから始まる。これらのリスクは、善意ではあるが誤った方向性のプロセスによってしばしば影が薄くなり、リスクを誤って評価し、行動を遅らせ、過度な手動レビューを導入し、組織を慎重さと誤って特徴づけられる不作為に偏らせる可能性がある。データリスクを軽減することで構造的な抵抗が減少し、エクスポージャーリスクを増加させることなく、より迅速な意思決定、より厳密な信頼区間、AIシステムへのより大きな委任が可能になる。データリスクを有意義に軽減するソリューションは、ツールだけでなく、オペレーティングモデルを変える。最高のリターンは、壊れたフローを最適化するのではなく、作業のやり直しのクラス全体を排除したり、以前は制約されていた意思決定を解放したりすることから得られる。それらは、意思決定が行われる場所とAIがその中で果たす役割を再配分する。
- 効果的で動的なガバナンスプロセスを開発する：多くの初期AI導入企業は、AIの成長を管理し、自らの価値観を遵守するために、従来のリスク管理プロトコルからより動的なガバナンスモデルへと移行した。古典的なルールベースのガバナンス構造とプロセスは、AIの独自の課題と機会に対処できないことが多く、急速な進歩に追いつくことができなかった。効果的なリーダーは、リスク管理を強化し、信頼と説明責任を高めながらAI導入を可能にする、指導原則ベースのガバナンス実践を採用している。この分野では以前、全米取締役協会（NACD）による更新されたAIガバナンスモデルを取り上げた。これはディラン・サンドリン氏、ヘルムート・ルートヴィヒ博士、ベンジャミン・ファン・ギッフェン博士によって報告されたものである。これには、AIガバナンスの4つの要素が含まれる：戦略的監督、資本配分、AIリスク、技術能力である。データガバナンスは、これら4つのガバナンス要素すべての中核に位置する。
- データ管理からデータスチュワードシップへ焦点を移す：AIシステムが組織の戦略、意思決定、自動化、成長に組み込まれるにつれて、データガバナンスの次の段階は、厳格な管理への排他的依存ではなく、スチュワードシップを強調する。このようなスチュワードシップは、どのデータが使用されるか、その特定の使用がどのように管理されるか、その過程でエンコードされる仮定に焦点を当てる。リーダーは、可視性と保護を超えて、データタイプを意思決定権、人間の監視、長期的なリスクの時間軸と明示的に整合させるモデルへと移行している。このモデルにより、ガバナンスフレームワークは、エージェンティックAI、共有エコシステム、量子コンピューティングなどの新興技術とともに適応できる。この世界では、ガバナンスは事後的に誤用を防ぐことよりも、システムが展開される前に結果を形成することに重点が置かれる。
AIに関連するコアデータタイプ
以下のコアデータタイプがAIに関連する：
- トランザクションデータ：個別のビジネスイベントの記録（例：売上、請求、支払い、ログイン）。正確性と完全性が重要であり、エラーは財務的および法的影響を及ぼす。強力な管理、監査可能性、保持ポリシーが必要である。
- オペレーショナルデータ：日常業務を実行するために使用されるデータ（例：ワークフローの状態、システムステータス、キュー）。完璧さよりも適時性が重要である。ガバナンスは、長期的な品質よりも可用性、信頼性、運用上の所有権に焦点を当てる。
- アナリティカルデータ：分析、レポート、モデリングのために最適化された、キュレーションされ変換されたデータ。明確な系統と定義が必要である。完全な理解や文脈なしに「真実の源」として扱われる場合にリスクが生じる。
AIに関連するセカンダリデータタイプ
以下のセカンダリデータタイプがAIに関連する：
- マスターデータ：システム間で共有されるコアビジネスエンティティ（例：顧客、従業員、ベンダー）。所有権の明確化が不可欠である。ガバナンスの失敗は、企業全体で体系的な不信を生み出す。
- メタデータ：データに関するデータ（例：定義、系統、品質メトリクス、所有権）。しばしば過小評価されるが基盤的である。弱いメタデータガバナンスは、他のすべてのデータの誤用と不信に直接つながる。
- 非構造化データ：テキスト、文書、画像、音声、動画、電子メール。ガバナンスはスキーマからアクセス、分類、プライバシーへと移行する。文脈と機密性が理解されていない場合、AI使用において高リスクとなる。
- 半構造化データ：部分的な構造を持つデータ（例：JSON、XML、ログ）。しばしば運用上所有されるが、分析的に活用される。効果的なガバナンスは、ITと分析のユースケースを橋渡しする。
- 合成データ：現実世界のパターンを模倣するように設計された人工的に生成されたデータ。強力だが誤解されると危険である。効果的なガバナンスは、実データの代替として使用できる場所とできない場所を明確にする。
- AIトレーニングデータ：機械学習または生成モデルをトレーニングするために使用されるデータ。バイアス、同意、説明可能性がコアリスクである。効果的なガバナンスは、従来のデータポリシーを超えてモデルの説明責任にまで及ぶ。
- 参照データ：データを分類するために使用される標準化されたリストまたはコード（例：国、通貨、職務コード）。小さなエラーが大きな下流の不整合を生み出す。効果的なガバナンスは、変更管理と企業の整合性に焦点を当てる。
- ストリーミング・リアルタイムデータ：即座の意思決定に使用される継続的に生成されるデータ（例：テレメトリ、IoT、イベント）。レイテンシと信頼性が完全性を上回る。効果的なガバナンスは、しきい値、アラート、自動化された意思決定リスクに焦点を当てる。
データリスクとガバナンスの次は何か？
成功している組織は、データを重要なものとして扱い、AIを人的資本の増幅器として扱っており、取締役会レベルの注意と部門横断的な上級管理職の所有権の両方を必要としている。効果的なリーダーは、データ管理実践をトランザクションデータ、オペレーショナルデータ、アナリティカルデータの特定の要件と整合させ、AIの潜在能力を最大限に引き出しながらリスクを軽減し、この急速に変化する状況で生じるスキルギャップを埋めている。
