「生成AIを導入したいが、社内データが整理されていない」
「PDFやExcelが共有フォルダに大量にある」
「RAGを作ったものの、思ったような回答が返ってこない」
「AI導入前にデータをどこまで整備すればよいのか分からない」
AI導入では、モデルやシステム開発に目が向きがちです。
しかし実際には、
AI
+
データ
の両方が重要です。
例えば、社内文書を検索するAIを作っても、
古い資料
重複した資料
下書き
最新版が分からない文書
閲覧権限が設定されていないファイル
が大量に混ざっていれば、AIも適切な情報を利用しにくくなります。
顧客データをAIで分析する場合も、
株式会社ABC
（株）ABC
ABC株式会社
が別企業として登録されていれば、正確な集計が難しくなります。
そのためAI導入前には、
AIが利用しやすい状態へデータを整える「データ整備」
が重要です。
NISTのAI RMFでは、AI設計段階の作業としてデータの収集・クリーニングに加え、データセットのメタデータや特性を文書化することが挙げられています。
また、NISTが2026年に検討を進めているData Governance and Management Profileでも、データ品質基準、アクセス管理、メタデータ、データの来歴や系統を管理することなどが重要なデータ管理項目として整理されています。
この記事では、AI導入前に必要なデータ整備について、社内データの棚卸しから、形式統一、品質改善、権限管理、RAG向け文書整備、運用ルールまで解説します。
AI導入でデータ整備が重要な理由
生成AIは非常に高性能ですが、
社内に存在しない情報
を正確に回答することはできません。
また、AIへ渡すデータ自体が間違っていれば、回答も不正確になります。
例えば在庫管理システムで、
商品A
在庫：
120個
とDBに保存されているものの、実際には80個だったとします。
AIへ、
商品Aの在庫は？
と質問しても、
現在120個あります
と回答する可能性があります。
AIモデルの性能ではなく、
元データが間違っていることが原因
です。
AIの精度とデータ品質は切り離せない
例えばRAGなら、
ユーザー質問
↓
社内文書検索
↓
関連文書
↓
生成AI
↓
回答
という仕組みです。
検索対象の社内文書に、
2024年版規程
2025年版規程
2026年最新版
がすべて残っており、どれが最新版か分からなければ、古い規程を参照する可能性があります。
そのため、
AIのプロンプトを改善する
前に、
検索対象データを整理する
方が効果的なケースもあります。
「AI-Readyなデータ」とは
AI-Readyとは、AIから利用しやすい状態にデータが整備されていることです。
例えば、
正しい
最新
重複していない
意味が分かる
必要な権限がある
取得元が分かる
更新責任者が分かる
状態です。
単に、
データがデジタル化されている
だけでは十分とは限りません。
例えばExcelに顧客データが入っていても、
顧客一覧_最終.xlsx
顧客一覧_最新版.xlsx
顧客一覧_最新版2.xlsx
顧客一覧_田中修正版.xlsx
となっていれば、どれをAIへ渡すべきか判断できません。
AI導入前にまず「何をAI化するか」を決める
データ整備を始める前に重要なのが、
何のAIを作るのか
を決めることです。
例えば、
全社データを整理してから
AIを導入しよう
とすると、プロジェクトが大きくなります。
実際には、
社内FAQをAI検索したい
のであれば、
社内規程
マニュアル
FAQ
から整備すれば十分かもしれません。
営業AIなら、
顧客
商談履歴
案件
営業資料
が中心です。
AI用途によって必要なデータは違う
例えば次のようになります。
| AI用途 | 主なデータ |
|---|---|
| 社内RAG | PDF・Word・マニュアル |
| 営業AI | CRM・商談履歴・顧客情報 |
| 問い合わせAI | FAQ・問い合わせ履歴 |
| AI OCR | PDF・画像・正解データ |
| 売上分析AI | 売上・商品・顧客DB |
| AIエージェント | API・業務システム |
| 報告書生成 | KPI・集計データ |
つまり、
AI導入
↓
必要データ特定
↓
対象だけ整備
という順番にします。
STEP1．社内データを棚卸しする
最初に、
どこに
何のデータがあるか
を整理します。
例えば、
Google Drive
→ 営業資料
共有フォルダ
→ 社内規程
Salesforce
→ 顧客・案件
Google Sheets
→ 問い合わせ一覧
基幹システム
→ 売上・在庫
メール
→ 顧客対応履歴
とします。
この時点では、中身をすべて整理する必要はありません。
まず、
データソース一覧
を作ります。
データ台帳を作る
例えば次のようにします。
| データ | 保存場所 | 管理者 | 更新頻度 | AI利用 |
|---|---|---|---|---|
| 顧客 | CRM | 営業部 | 随時 | ○ |
| 在庫 | 基幹DB | 物流 | リアルタイム | ○ |
| 社内規程 | Drive | 総務 | 不定期 | ○ |
| 契約書 | Drive | 法務 | 随時 | △ |
| 人事情報 | 人事システム | 人事 | 随時 | × |
この一覧だけでも、
AIへ何を接続するか
を判断しやすくなります。
STEP2．正しいデータの保存場所を決める
AI導入で問題になりやすいのが、
どれが正しい情報なのか分からない
状態です。
例えば顧客住所が、
CRM
Excel
会計システム
Google Sheets
の4か所に存在するとします。
それぞれ違う値なら、AIはどれを使うべきか判断できません。
そこで、
顧客基本情報
→ CRM
請求情報
→ 会計システム
在庫
→ 在庫管理システム
のように、
正とするデータソース（Source of Truth）
を決めます。
AIにすべてのデータソースを検索させない
例えば、
AI
↓
CRM
↓
Excel
↓
Sheets
↓
メール
から同じ顧客情報を探させるより、
顧客基本情報
→ CRM
と決めた方が安定します。
AI導入は、社内データの管理方法を見直すきっかけにもなります。
STEP3．重複データを整理する
よくあるのが重複です。
例えば顧客マスタに、
株式会社ABC
（株）ABC
ABC株式会社
が存在するとします。
AI以前に、集計や検索でも問題になります。
そこで、
customer_id
など一意のIDで管理します。
例えば、
customer_id:
C000123
customer_name:
株式会社ABC
です。
名称が多少変化しても、同一企業として扱えます。
文書の重複も整理する
RAGでは、
manual.pdf
manual_new.pdf
manual_final.pdf
manual_final2.pdf
のような状態も問題になります。
できるだけ、
現在有効な文書
を明確にします。
STEP4．古いデータを整理する
AIは、
新しい情報
と、
古い情報
を自動的に正しく判定できるとは限りません。
例えば、
就業規則_2024.pdf
就業規則_2025.pdf
就業規則_2026.pdf
があるなら、
2026
→ 現行
2025以前
→ アーカイブ
と分けます。
削除する必要はありません。
重要なのは、
AIが通常検索する範囲
から古いデータを外すことです。
有効期間をメタデータとして持たせる
例えば、
document_id:
rule-001
title:
経費精算規程
effective_from:
2026-04-01
status:
active
とします。
これによって、
status = active
の文書だけ検索できます。
STEP5．データ形式を統一する
構造化データでは形式統一も重要です。
例えば日付が、
2026/07/30
2026-07-30
7月30日
令和8年7月30日
と混在していると、処理が複雑になります。
DBでは、
2026-07-30
のように統一します。
表記ゆれも整理する
例えば部署名が、
営業
営業部
営業部署
Sales
と混在する場合です。
内部的には、
department_id:
sales
として統一し、表示名称だけ、
営業部
にします。
STEP6．欠損データを確認する
例えば顧客データに、
会社名：あり
担当者：なし
業種：なし
契約プラン：あり
という欠損があるとします。
AIに、
製造業の顧客だけ分析して
と依頼しても、業種が登録されていなければ正確な分析ができません。
そこでAI用途に必要な項目について、
入力率
を確認します。
例えば、
業種入力率：
62％
なら、まずデータ入力ルールを改善する必要があるかもしれません。
データ品質は「正しいか」だけではない
データ品質には、
正確性
完全性
一貫性
最新性
関連性
追跡可能性
など複数の観点があります。
NISTでも2026年のデータガバナンス関連検討において、データ品質の基準を定めること、データのアクセス、メタデータ、来歴、系統などを管理することが重要項目として挙げられています。
AI導入では、
100％完璧なデータ
を目標にするのではなく、
今回のAI用途に
十分な品質か
で判断します。
STEP7．文書にタイトル・種類・更新日を付ける
RAGではメタデータが重要です。
例えばPDFを登録するとき、
title:
経費精算規程
department:
総務
category:
経費
updated_at:
2026-04-01
status:
active
のような情報を持たせます。
これによって、
総務部門の現行規程だけ検索
などが可能になります。
メタデータがないと検索しにくい
例えばファイル名が、
document001.pdf
だけでは中身を開かないと分かりません。
一方、
document_type:
expense_policy
department:
general_affairs
year:
2026
とあれば検索条件に利用できます。
NIST AI RMFでも、AI設計に関わるデータ作業としてデータ収集・クリーニングだけでなく、データセットのメタデータと特性の文書化が挙げられています。
STEP8．RAG向けに文書構造を整理する
AIへPDFを入れれば、
自動的に高精度なRAGになる
わけではありません。
例えば、
200ページのPDF
に、
複数制度
表
図
脚注
付録
が混在している場合があります。
RAGでは文書を一定サイズへ分割して検索するため、
見出し
章
節
表
タイトル
が整理されている方が扱いやすくなります。
一つの巨大PDFより意味単位で分ける
例えば、
全社マニュアル500ページ.pdf
だけにするより、
経費精算.pdf
休暇申請.pdf
入社手続き.pdf
PC利用規程.pdf
と分かれている方が管理しやすい場合があります。
さらに、
文書名
カテゴリ
部署
更新日
を付けます。
STEP9．スキャンPDFをテキスト化する
PDFには、
文字PDF
と、
画像としてスキャンされたPDF
があります。
画像PDFの場合、そのままではテキスト検索できないことがあります。
そこで、
PDF
↓
OCR
↓
テキスト化
↓
RAG
とします。
特に、
古い社内規程
紙マニュアル
帳票
スキャン資料
ではOCRが必要になるケースがあります。
STEP10．表やExcelをAI向けに整理する
Excelでは、
セル結合
途中にタイトル行
空白行
複数表が同じシート
色だけで意味を表す
といった形式がよくあります。
人間には分かっても、システム処理しにくい場合があります。
例えば、
A列：顧客ID
B列：顧客名
C列：業種
D列：売上
のように、
1行
=
1レコード
にすると扱いやすくなります。
色だけで状態管理しない
例えば、
赤
→ 未対応
黄
→ 対応中
緑
→ 完了
とセルの色だけで管理しているケースです。
AIやプログラムから利用するなら、
status
列を追加して、
pending
in_progress
completed
とデータとして保存します。
STEP11．自由記述を減らせる部分はコード化する
例えば営業案件のステータスを、
いい感じ
かなり可能性あり
たぶん受注
検討中
と自由入力していると分析しにくくなります。
そこで、
lead
qualified
proposal
negotiation
won
lost
などに統一します。
AIは自由記述を扱えますが、
構造化できるものまで
すべてAIに解釈させる
必要はありません。
STEP12．データアクセス権限を整理する
AI導入では、
データが存在するか
だけでなく、
誰が利用できるか
も重要です。
例えば、
営業資料
→ 営業部
人事情報
→ 人事部
経営資料
→ 経営層
という権限があります。
AIを導入したことで、
通常は見られない人事資料を
AI経由なら検索できる
状態にしてはいけません。
AIへ接続する前に権限を整理する
例えばRAGなら、
ユーザー
↓
認証
↓
所属・権限確認
↓
検索可能データだけ対象
↓
RAG
↓
回答
とします。
NISTのデータガバナンス関連検討でも、データアクセス管理はデータライフサイクル管理の重要な要素として挙げられています。
STEP13．個人情報・機密情報を分類する
例えば、
公開情報
一般社内情報
個人情報
機密情報
重要機密
認証情報
などに分けます。
そして、
このAIへ
どこまで渡せるか
を決めます。
例えば、
一般AI
→ 公開情報のみ
法人向けAI
→ 一般社内情報まで
社内専用AI
→ 条件付きで機密情報
という運用です。
認証情報や秘密鍵などは、AIに渡す必要はありません。
日本ではAI利用者を含む事業者向けの最新指針として、経済産業省・総務省の「AI事業者ガイドライン 第1.2版」が2026年3月31日に公表されています。AI利用をガバナンスやリスク管理と組み合わせて継続的に運用する考え方が示されています。
STEP14．データの更新責任者を決める
一度データを整理しても、
半年後
↓
またぐちゃぐちゃ
になれば意味がありません。
そこで、
誰が更新するか
を決めます。
例えば、
顧客マスタ
→ 営業管理
社内規程
→ 総務
商品情報
→ 商品担当
価格
→ 営業企画
とします。
更新頻度も決める
例えば、
在庫
→ リアルタイム
商品価格
→ 更新時
社内規程
→ 改定時
FAQ
→ 月次レビュー
などです。
AIにとって、
古いデータ
は大きな問題になります。
データ更新もAI運用の一部と考えます。
STEP15．データの出所を追跡できるようにする
例えばAIが、
返品期限は30日です
と回答したとします。
後から、
その30日は
どこから取得したのか？
を確認できることが重要です。
そのため、
source:
返品規程.pdf
version:
2026-04-01
のようにデータの出所を追跡できるようにします。
NISTが進めているData Governance and Management Profileの検討でも、metadata、data provenance、data lineageの管理がデータライフサイクル上の重要項目として挙げられています。
Data ProvenanceとData Lineageとは
簡単に言えば、
Provenance
→ そのデータはどこから来たのか
Lineage
→ どのように加工・変換されてきたか
です。
例えば、
販売管理DB
↓
日次バッチ
↓
データウェアハウス
↓
集計
↓
AI分析
という流れなら、
AIが利用した数字が
どこから来たのか
を追跡できるようにします。
AI導入前にすべてのデータを完璧にする必要はない
データ整備というと、
会社中のデータを
全部整理しなければならない
と思われがちです。
しかし、それではAI導入まで何年もかかる可能性があります。
おすすめは、
AI用途を一つ決める
↓
必要なデータだけ整備
↓
PoC
↓
効果確認
↓
次のデータへ拡大
という進め方です。
例えば社内FAQなら
最初は、
就業規則
経費規程
ITマニュアル
だけを対象にします。
全社Drive
を最初からRAGへ登録する必要はありません。
営業AIなら
顧客マスタ
商談履歴
商品資料
だけから始めます。
つまり、
データ整備
=
全社データ基盤構築
ではありません。
AI導入前のデータ整備レベル
簡易的には4段階で考えられます。
レベル1｜データの所在が分かる
どこに何があるか
が分かる状態です。
レベル2｜正しいデータが分かる
どれが最新版か
どのDBが正なのか
が分かります。
レベル3｜AIから取得できる
API
DB
RAG
ファイル
などを通じて取得できます。
レベル4｜継続的に管理できる
更新
権限
ログ
品質
データの出所
まで管理できています。
小規模なPoCならレベル2〜3から始めることもできます。
AI導入前のデータ整備チェックリスト
データの所在
□ 必要なデータがどこにあるか分かる
□ データ管理者が分かる
□ 正とするシステムが決まっている
データ品質
□ 重複データを把握している
□ 古いデータを区別できる
□ 欠損項目を把握している
□ 表記ゆれを整理している
文書
□ 最新版が分かる
□ タイトル・カテゴリがある
□ 更新日が分かる
□ スキャンPDFはOCRできる
□ RAG対象文書を絞っている
権限
□ 誰がどのデータを閲覧できるか分かる
□ 個人情報を分類している
□ 機密情報を分類している
□ AI経由でも既存権限を維持できる
運用
□ データ更新責任者がいる
□ 更新頻度が決まっている
□ データの出所を追跡できる
□ AI導入後も品質を確認する
AI導入のデータ整備でよくある失敗
全社データを最初に整理する
対象を広げすぎるとAI導入が進みません。
一つのユースケースから始めます。
データを全部RAGへ登録する
不要・古い・権限外の文書まで登録すると検索品質やセキュリティに影響します。
最新版が分からない
文書ステータス・改定日を管理します。
Excelの見た目だけ整える
AIやシステムで利用するなら、表の構造・ID・値の形式も整理します。
データ品質を100％にしようとする
AI用途に必要な水準から始めます。
整備担当者を決めない
導入後にデータ品質が再び悪化します。
AI導入とデータ整備を別プロジェクトにする
実際には、
AI PoC
↓
データ問題を発見
↓
必要部分だけ改善
↓
再評価
を繰り返す方が進めやすい場合があります。
データ整備とRAG精度改善の関係
RAGの回答精度が低いと、
Embeddingを変える
検索方式を変える
プロンプトを変える
ことを考えがちです。
もちろん必要な場合もあります。
しかし、
古い文書
重複文書
タイトル不明
文書構造が崩れている
状態なら、まずデータを整理した方がよい場合があります。
例えば、
検索技術
だけでは、
古い規程と新しい規程の
どちらが正しいか
という組織上の問題は解決できません。
データ整備にAIを使うこともできる
逆に、データ整備自体へ生成AIを利用することもできます。
例えば、
文書カテゴリ分類
ファイル名候補生成
自由記述から項目抽出
重複候補検出
タグ付け
表記統一候補
などです。
例えば、
大量PDF
↓
AI
↓
契約書
請求書
マニュアル
その他
に分類できます。
ただし、AIによる分類結果も必要に応じて人が確認します。
AI導入に向けたデータ整備の進め方
実務では、次の流れがおすすめです。
STEP1
AIで改善したい業務を決める
↓
STEP2
必要なデータを洗い出す
↓
STEP3
データの保存場所を確認
↓
STEP4
正とするデータソースを決める
↓
STEP5
重複・古いデータを整理
↓
STEP6
必要な形式を統一
↓
STEP7
メタデータを追加
↓
STEP8
アクセス権限を整理
↓
STEP9
小規模PoC
↓
STEP10
不足しているデータ品質を改善
↓
STEP11
本番システムへ接続
↓
STEP12
更新・品質管理を継続
この方法なら、
データ整備だけで
半年かかってAIを試せない
という状況を避けやすくなります。
AI導入とデータ整備に関するよくある質問
AI導入前にデータをすべて整理する必要がありますか？
必要ありません。
まずAI化したい業務を決め、その業務に必要なデータだけ整備する方法がおすすめです。
Excel管理でもAIを導入できますか？
可能です。
ただし、
1行1レコード
列名を明確にする
IDを持つ
表記を統一する
など、システムから扱いやすい構造にすると利用しやすくなります。
Google Driveの資料をそのままRAGへ登録してもよいですか？
小規模検証なら可能ですが、本番では、
最新版
重複
アクセス権
カテゴリ
更新日
などを確認した方がよいでしょう。
データクレンジングとは何ですか？
重複、誤記、欠損、表記ゆれなどを整理し、データ品質を改善する作業です。
AI導入ではデータベースが必要ですか？
必ずしも必要ではありません。
文書検索ならファイル＋RAGでも構築できます。
一方、顧客・売上・在庫などの構造化データを扱う場合は、DBや既存業務システムから取得する構成が適しています。
RAG用にPDFを全部一つにまとめた方がよいですか？
必ずしもそうではありません。
意味・部署・制度などの単位で整理し、タイトルや更新日などのメタデータを付けた方が管理しやすい場合があります。
データ整備にはどのくらい時間がかかりますか？
データ量よりも、
どれが正しいか分からない
管理者が分からない
表記ルールがない
といった組織上の問題によって大きく変わります。
そのため、最初から全社対応せず対象業務を限定することが重要です。
hiro-dev-labのAI導入・データ連携支援
hiro-dev-labでは、生成AIを導入する前段階から、既存データ・業務システムを整理したAI活用を支援しています。
例えば、
- AI導入対象業務の整理
- 社内データ・APIの整理
- RAG対象文書の整理
- PDF・社内文書のAI検索
- データベースと生成AIの連携
- CRM・顧客情報とのAI連携
- OpenAI APIなどを利用したAI機能
- MCPによる社内システム連携
- AIエージェント
- AI OCR
- Python・TypeScriptによるデータ処理
- 既存WebシステムへのAI機能追加
などを検討できます。
例えば、
現在
Google Drive
├─ 古い資料
├─ 新しい資料
├─ 重複資料
└─ 部署別資料
↓
整理
現行文書
+
カテゴリ
+
更新日
+
権限
↓
RAG
↓
社内AI検索
という段階的な構築が可能です。
AI導入のデータ整備は「全部きれいにする」のではなく「AIが使う範囲から整える」
AI導入前のデータ整備で重要なのは、
会社中のデータを
完璧にする
ことではありません。
重要なのは、
今回のAIが必要とするデータを
信頼して利用できる状態にする
ことです。
そのため、
1．AIの用途を決める
2．必要なデータを特定する
3．正しいデータソースを決める
4．重複・古いデータを整理する
5．形式・IDを統一する
6．メタデータを追加する
7．権限を整理する
8．小規模にAIへ接続する
9．精度を確認する
10．必要な部分だけ追加改善する
という順番で進めます。
NISTのAI RMFも、データ収集・クリーニングやメタデータの文書化をAIライフサイクルの設計段階に含めています。また、2026年に進むデータガバナンス関連の検討でも、データ品質・アクセス・メタデータ・来歴・系統の管理が重要なテーマとして整理されています。
AIは、
整理されていない業務データを
魔法のように正しくしてくれる仕組み
ではありません。
一方で、AI導入をきっかけとして、
どこに何のデータがあるのか
どれが最新版なのか
誰が管理するのか
誰が閲覧できるのか
を整理すれば、その後のRAG・AIエージェント・データ分析などにも活用しやすい基盤になります。
「AIを導入したいが社内データが整理されていない」
「Google DriveやPDFをRAG化する前に整理したい」
「CRM・業務システムのデータをAIから活用したい」
「どこまでデータ整備してからPoCすべきか相談したい」
このような段階からでも、お気軽にお問い合わせください。
AI導入・RAG・業務システム連携について相談する