データ活用によって十分な成果を得ている企業はたった「8％」
Gartner社の調査によれば、日本企業でデータ活用によって全社的に十分な成果を得ている組織の割合はわずか8％にとどまる。MBKデジタルの尾﨑勇太氏は、この格差が2026年になってむしろ拡大していると指摘する。同社は三井物産の100％子会社として2025年4月に設立され、データ・AI活用支援を業種横断で手がけてきた。
2025年から2026年にかけて、生成AIは「聞く」段階から「任せる」段階へと移行しつつある。2025年はまだ過渡期で、チャットで問いかける対話型AIの活用が広がり、成果を出した企業の多くは基盤整備やダッシュボード構築による全社最適化を進めていた。
だが2026年、新たな分岐点が生まれたと尾﨑氏は指摘する。先行企業はKnowledge Catalogなどを活用して意味設計を全社で統一し、エージェントに正確な前提を与えて成果を最大化している。一方、意味設計が不十分なまま生成AIを導入した停滞企業では、AIエージェントが部署ごとに異なる「売上」「顧客数」といった定義を誤読し、SQLとしては正しくても、誤った業務定義に基づいて判断・アクションしてしまうリスクが高まっている。
従来のボトルネックは基盤・人材・組織・データ品質だったが、生成AIによって自然言語で問いかけられるようになったことで、新たな壁が顕在化した。自然言語でデータにアクセスできるようになっても、企業ごとに異なるKPIの定義や業務判断の前提まで、AIが自動的に把握できるわけではない。この「意味の未整備」こそが、8％の壁の背後にある新しいボトルネックだと尾﨑氏は説明する。
その具体例として尾﨑氏が挙げたのが「最近、優良顧客が減っている理由を教えて」という一文だ。一見自然な日本語だが、「最近」がいつを指すのか、「優良顧客」をどう定義するのか、「減っている」のは件数か構成比か、そこには曖昧さが幾重にも重なっている。尾﨑氏は、用語・粒度・時間・状態・確定度・権限・意図という7つの「意味の壁」を例として示した。問いが自然であっても、意味は一意には決まらない。
BI時代の問題は、ダッシュボードAとBで数字が食い違うといった、目に見える「数字の不一致」だった。これに対しAI時代の問題は「意味の誤読」だと尾﨑氏は語る。自然言語の問いを受けたAIは、曖昧な業務用語を自分なりに意味補完し、データを選んでもっともらしい回答を返す。だが補完の時点で解釈がずれていれば、正しいSQLを実行しても間違った問いに答えることになる。
尾﨑氏が強調するのは、AIが知らないこと自体は問題ではないという点だ。問題は、AIが知らない部分を暗黙のうちに補完してしまうことにある。だからこそ対策は、AIが意味を補完してしまう前に、判断の前提を明示しておくことに尽きる。言い換えれば、AIが「この問いは定義済みのルールで答えられるか」を判断できる状態を、事前に作っておく必要がある。
まず尾﨑氏が挙げたのが、セマンティックレイヤーだ。しかし、セマンティックレイヤーは指標の定義を揃えることはできても、「どの文脈でどの指標を使うべきか」までは決めてくれない。尾﨑氏はセマンティックレイヤーの歴史から、その理由を解説した。
