Acetyl:Tech
← ブログ一覧

経産省が言い始めた「AI-Ready化」を、中小企業の言葉に翻訳する

AI-Readyデータ整備経済産業省サイロ化属人化非構造化データAI導入中小企業

2026 年 8 月、経済産業省のウェブマガジンで「AI-Ready 化」という言葉が取り上げられました。

定義はこうです。

企業が AI を効果的かつ安全に活用するため、データを整理・構造化し、活用可能な状態にすること

もう少し具体的な言い方も紹介されています。

企業内でバラバラな状態で保管されているデータを、AI がその本質的な意味を理解したうえで、安全かつ継続的に業務で活用できるようにすること

——読んでいて、正直「やっと名前がついた」と思いました。

当ブログでは、データを正規化するところから始める、どのファイルが最新か分からない状態を解く、といったことを繰り返し書いてきました。同じことに、国が言葉を与えたわけです。

ただ、記事で語られているのは主に製造業と大企業の話です。国家プロジェクト、5 兆円市場、データプラットフォーム。中小企業の経営者が読んでも、「うちには関係なさそうだ」で終わりかねません。

そうではないと思うので、翻訳します。

なぜ、いま国が言い始めたのか

背景が、記事にはっきり書かれていました。

1. AI が学習できる公開データが、そろそろ尽きる

AI はこれまで、インターネット上の大量の公開データを学習して性能を上げてきました。でもその材料が枯渇するとみられている。そして——

2. 誰でも取れるデータでは、差別化できない

インターネットで誰もが自由に取得できるデータを使う限り、他社と同じことしかできません。競争優位にならない。

3. 一方、価値あるデータは企業の中にある

政府によれば、全世界で流通するデータの 6 割は、企業が業務を通じて生み出したものとされています。取引、設計、顧客対応——そうした日々の業務の記録です。

つまりこういう構図です。

AI の性能を伸ばす材料も、企業が差別化する材料も、これからは「自社の中」にある。 > でも、そのままでは AI が読めない。

だから「AI-Ready 化」なのだ、という話でした。

数字が示している現実

記事で紹介されていた調査が、なかなか厳しいものでした。

米系 IT アドバイザリー企業のガートナーが 2025 年 9 月に実施した調査（国内企業に所属する個人、n=455）です。

自社のデータ活用で得ている成果割合
全社的に十分な成果を得ている2.4%
あまり成果を得ていない ＋ まったく成果を得ていない25.7%

2.4%。

AI 不要論の記事で紹介した数字と、きれいに揃います。商工中金の調査では「導入効果が測定できず、成果が見えにくい」が課題として挙がり、MIT のレポートでは「生成 AI 導入の 95% が業務の軸となる成果に結びついていない」とされていました。

別々の調査が、同じところを指しています。 入れたけれど、効いていない。

そして記事に登場する企業の代表者は、こう指摘しています。

AI に投資しても、十分な成果を得られていない企業が少なくない。AI に精度の高い回答をさせ、業務に根付かせていくために、AI がデータを正しく理解できるようにする AI-Ready 化に取り組むべきだ。

3 つの課題——これは中小企業のほうが深刻です

記事では、企業内データが AI で活用されない理由として、3 つが挙げられていました。そして読んでいて、どれも心当たりがありました。

① サイロ化

各部門やシステムごとにデータが独立・分断され、組織全体で共有・連携されていない状態。

農場のサイロ（飼料の貯蔵塔）になぞらえた表現だそうです。

大企業では「部門ごとの基幹システムが繋がっていない」という形で現れます。では中小企業では起きないのか——もっと素朴な形で、もっと確実に起きています。

エクセルの転記の記事で書いた通りです。担当者ごとに、自分の作業に便利な形のコピーを手元に持っている。 そして全員が「自分のが最新」だと思っている。

これは立派なサイロ化です。サーバーではなく、各自の PC の中に、サイロが立っている。

② 属人化

担当者しか把握していない、処理することができない状態。

これは技術的負債の記事で「あの人しか分からないシステムは、変動金利型の借金」と書いた話そのものです。

そして中小企業では、これが桁違いに深刻です。500 人の会社なら誰かが代われますが、3 人の会社で 1 人が抜けたら、代わりがいません。

③ 非構造化データ

メールなどの文書、画像、音声、動画——表計算ソフトの「行と列」に収まらない、決まった構造を持たないデータ。

記事によれば、企業内データの 8 割以上がこれだそうです。中には手書きの図面や資料もある。人間は容易に理解できても、AI には分かりにくい。

そして、ここに希望のある指摘がありました。

日本には、製造業における「匠の技」のように、属人的で構造化されていない貴重なノウハウがたくさんある。これらが AI-Ready 化されるだけでも、日本の産業界にとって大きな財産になる。

これはワールドの記事で書いた話と、まったく同じ構造です。「抜け感」という言語化されていない感覚を詳細な言葉に変換したら、AI が使えるようになった。匠の技も、同じことができるという話です。

6 つの条件を、中小企業の言葉に置き換える

記事では、AI-Ready 化にあたって重要な条件が 6 つ挙げられていました。そのままだと少し硬いので、翻訳します。

元の条件中小企業の言葉にすると
AI が分かりやすい構造表記を揃える。全角と半角、日付の書き方、会社名の表記
適切な意味づけ「この列は何か」を決めて、名前をつける
データの欠損や重複を補正した高い品質どれが正か決める。重複したコピーを消す
ガバナンス面で統一された管理誰が見られて、誰が直せるかを決める
継続的な改善一度整えて終わりにしない
柔軟なシステム拡張への対応増えても壊れない形にしておく

3 行目がいちばん重い、というのが実務での実感です。

技術の問題ではなく、社内の合意の問題だからです。「私のファイルが正しい」が複数出たとき、誰が決めるのか。ここで止まる会社が多い。

そして 1 行目は、自社でできる部分です。実際に案件で当たったのは、日付と ID の全角・半角がバラバラという事案でした。２０２６／０８／２１ と 2026/08/21 が同じ列に混在している。人が見れば同じですが、機械にとっては完全に別のものです。

やってみて分かったこと:名前がついていなかっただけ

正直に書くと、この記事を読んで最初に思ったのは「これ、うちがやってきたことだ」でした。

自慢のつもりではありません。むしろ逆で、名前がなかったせいで、説明しづらかったという話です。

写真から台帳を作る仕組みは、非構造化データの AI-Ready 化だった

備品管理の記事で書いた仕組みは、こういうものです。

現場がスマートフォンで備品の写真を撮ると、AI が型番を読み取って、台帳に記録される。

これはまさに、非構造化データ（写真）を構造化データ（台帳）に変換しているわけです。AI-Ready 化という言葉を知らずに、その一部をやっていた。

当時いちばん苦労したのは、AI の精度ではなく「現場が入力し続けてくれるか」でした。だから入力という行為を「写真を撮る」に置き換えた。AI-Ready 化は、技術の話であると同時に、運用の話でもあります。

歯科医院の案件は、サイロ化と属人化の解消だった

請求と勤務時間管理のデータ構造を整理し直した案件も、いま思えば同じです。二重管理をなくして、どれが正かを決めた。

やっている最中は「データを整理している」としか言えませんでした。いまなら「AI-Ready 化の前段です」と説明できます。

ただし、プラットフォームは要りません

ここは、はっきり書いておきます。

元記事では、データ活用プラットフォームという製品が紹介されていました。国の政策としても、データプラットフォームは重点投資分野に位置づけられ、国内市場は 2025 年時点で 7,300 億円、2035 年までに 5 兆円を目指すとされています。

大企業には、必要だと思います。 部門ごとに基幹システムがあり、扱うデータが膨大で、権限管理も複雑。そこを統合する基盤には価値があります。

でも中小企業には、たいてい要りません。

理由は単純で、規模が小さいからです。

大企業中小企業
サイロの数部門・システムごとに数十数人分のエクセル
どれが正かを決める人部門横断の合意が必要その場にいる
必要な道具統合基盤表計算と、ちょっとした仕組み
かかる期間年単位数週間〜数か月

AI 不要論の記事で「言語化という一点では、中小企業のほうが有利」と書きました。AI-Ready 化も同じです。判断する人が目の前にいるという一点で、圧倒的に速い。

5 兆円市場の話は、うちの話ではない。 でもAI-Ready 化そのものは、うちの話です。

明日からできること

大げさな話ではありません。順番はこうです。

1. 同じ情報が、いくつの場所にあるか数える

顧客名簿、案件一覧、在庫。同じものが何か所にあるかを、紙でもテキストでもいいので書き出す。想像より多いはずです。

2. どれを「正」にするか、人が決める

ここは自動化できません。業務を知っている人が判断するしかない。そして、いちばん時間がかかるのもここです。

決めたら、それ以外は参照専用にするか、消します。中途半端に残すと、必ずそちらが使われます。

3. 表記を揃える

全角と半角。日付の書き方。会社名。「株式会社 ABC」「（株）ABC」「㈱ ABC」が混在していないか。

地味ですが、ここを飛ばすと後で全部やり直しになります。

4. 誰が見られて、誰が直せるかを決める

6 条件の 4 つ目、ガバナンスの部分です。AI 利用ルールの記事で書いた通り、難しく考える必要はありません。4 項目でも足ります。

5. そのうえで、AI を乗せる

ここまで来て、ようやく意味を持ちます。

まとめ

  • 2026 年 8 月、経産省のウェブマガジンが「AI-Ready 化」を取り上げた。企業内のバラバラなデータを、AI が業務で使える状態に整えること
  • 背景は 3 つ。公開データが枯渇する／誰でも取れるデータでは差別化できない／価値あるデータの 6 割は企業の中にある
  • しかし現実は厳しい。自社のデータ活用で「全社的に十分な成果」は 2.4%（ガートナー、2025 年 9 月）
  • 課題は サイロ化／属人化／非構造化データの 3 つ。そしてどれも中小企業のほうが深刻。特に属人化は、3 人の会社で 1 人抜けたら代わりがいない
  • 企業内データの8 割以上が非構造化。手書きの資料も含まれる。逆に言えば「匠の技」を構造化できれば、それ自体が資産になる
  • 6 条件のうち実務で重いのは「どれが正かを決める」。技術ではなく、社内の合意の問題
  • プラットフォームは、中小企業には要りません。規模が小さいぶん、判断する人が目の前にいるので圧倒的に速い
  • 順番は、数える → 正を決める → 表記を揃える → 権限を決める → AI を乗せる

「AI-Ready 化」という言葉は新しいですが、中身は新しくありません。データを整理する、という昔からの話です。

変わったのは——整理していないことの不利益が、「AI が使えない」という形ではっきり見えるようになったことだと思います。

Acetyl:Tech は、この「どれが正かを決める」ところから支援しています。 何から手をつければいいか分からない、という段階のご相談も承ります。詳しくは「業務アプリ開発」のページをご覧ください。

出典・参考

※ 本記事は上記の公表資料および報道の整理です。個別の数値の詳細は、原典をご確認ください。

Read next

他の記事

AI・DXの導入、どこから手をつけるか迷ったら

Acetyl:Techが、あなたの会社で「本当に使われる形」まで設計します。まずはお気軽にご相談ください。

無料で相談する