「高性能な AI を導入したのに、思ったほど成果が出ない」――その原因は、AI モデルではなく社内データにあることが少なくありません。 AI チャットボットを入れたが的外れな回答が多い、RAG（社内文書を検索して答える仕組み）を作ったが古い情報を返す、AI で分析しても精度が出ない――こうした「期待外れ」の多くは、AI に与えているデータの品質が低いことに原因があります。
この課題に正面から取り組んだのが、**AIセーフティ・インスティテュート（AISI）が 2026 年 5 月に公開した「データ品質マネジメントガイドブック（第1.02版）」です（AISI: データ品質マネジメントガイドブック）。AISI は、「データは AI の基盤であり、適切なデータを学習・処理することで適切な出力が得られる。逆に、データが適切でなければ、適切な出力を得ることは難しく、プロセス全体の信頼が損なわれる」**という考え方を示しています。つまり、データ品質こそが「使える AI」の土台だということです。
本記事では、この AISI ガイドブックを一次ソースに、なぜ AI の成否はデータ品質で決まるのか、「データ品質が低い」とは具体的にどういう状態か、データ品質の 6 つの観点、AI 導入前の社内データ整備チェックリスト、データ整備の進め方、FAQ を整理します。AI 導入を検討している方、あるいは「導入したが期待どおりに動かない」と感じている中堅・中小企業の方にとって、最初に手を付けるとよい場所が見えてくるはずです。
目次
- なぜAIの成否は「データ品質」で決まるのか
- 「データ品質が低い」とは具体的にどういう状態か
- データ品質の6つの観点
- AISIガイドブックに学ぶデータ品質マネジメント
- RAG・AIチャットボットが期待どおり動かない理由
- AI導入前の社内データ整備チェックリスト
- データ整備の進め方：棚卸しから運用まで
- 国内・国際の文脈：経産省ガイドライン・NIST
- よくある質問（FAQ 10問）
- 参考一次ソース
- まとめ
- あわせて読みたい
なぜAIの成否は「データ品質」で決まるのか
AI、とくに生成 AI や RAG、機械学習モデルは、与えられたデータをもとに出力を生み出します。料理にたとえるなら、AI モデルは「腕の良い料理人」、データは「食材」です。どれだけ腕が良くても、食材が古かったり傷んでいたりすれば、おいしい料理にはなりません。
AISI のガイドブックは、この関係を明確にしています。**「データは AI の基盤」**であり、適切なデータを学習・処理してこそ、適切な出力が得られます。逆にいえば、データが適切でないまま高性能なモデルを使っても、良い結果は得られず、むしろ AI の出力に対する信頼そのものが損なわれてしまいます。
「入れたデータの質が、出てくる結果の質を決める」
情報処理の世界には 「Garbage In, Garbage Out（質の低いデータからは、質の低い結果しか得られない）」 という古くからの言葉があります。AI 時代になって、この原則はいっそう重要になりました。AI は大量のデータを高速に処理するため、品質の低いデータの影響も大きくなって出力に表れるからです。
「モデルを良くする」前に「データを整える」
AI 導入がうまくいかないとき、多くの企業は「もっと高性能なモデルに変えよう」「プロンプトを工夫しよう」と考えます。けれども、根本の原因がデータ品質にある場合、モデルを変えても解決しません。AISI ガイドブックが示すように、まず データの品質を確保することが、信頼できる AI（trustworthy AI）への近道になります。
AI ASSESSMENT
PoC の前に「そもそも使えるか」を30分で見極めませんか？
情シス部門の稟議書作成をサポートする無料の30分壁打ち。ROI 試算シート・失敗要因チェックリストをその場で共有します。
「データ品質が低い」とは具体的にどういう状態か
「データ品質が低い」と言われても、ピンと来ないかもしれません。中堅・中小企業の現場でよく見られる「品質の低いデータ」の状態を、具体的に挙げてみます。
- 古い情報が混ざっている：更新されていない価格表、退職した担当者の連絡先、廃番になった商品の情報
- 重複している：同じ顧客が複数登録されている、同じ文書が複数バージョン存在する
- どれが最新版か分からない：「最終版」「最終版2」「本当の最終版」が並ぶファイル
- 表記がゆれている：「株式会社GXO」「(株)GXO」「ＧＸＯ」が混在し、同じものと認識されない
- 欠けている：必須項目が空欄、一部のデータだけ情報が足りない
- 誤りがある：入力ミス、桁違い、単位の取り違え
- どこにあるか分からない：データが各部署のフォルダ・個人 PC・紙に散らばっている
- アクセス権限が不明：誰がそのデータを見てよいのか決まっていない
これらの状態のまま AI に学習・参照させると、AI は 古い情報・重複・誤りをそのまま「正しい」として扱い、的外れな回答や誤った分析を生み出してしまいます。「AI が変な答えを返す」の裏には、たいていこうしたデータの問題があります。
データ品質の6つの観点
データ品質は、いくつかの「観点（次元）」で評価できます。データマネジメントの分野で一般的に使われる 6 つの観点を、社内データにあてはめて整理します。
| 観点 | 意味 | 低いとどうなるか |
|---|---|---|
| 正確性（Accuracy） | データが事実と合っているか | 誤った情報をもとに AI が判断する |
| 完全性（Completeness） | 必要な情報が欠けていないか | 一部しか分からず、判断材料が不足する |
| 一貫性（Consistency） | 表記・形式がそろっているか | 同じものが別物と認識される（表記ゆれ） |
| 最新性（Timeliness） | 情報が最新に保たれているか | 古い情報をもとに AI が回答する |
| 一意性（Uniqueness） | 重複がないか | 同じデータが二重に扱われ、集計がずれる |
| 妥当性（Validity） | 決められた形式・範囲に収まっているか | 不正な値が紛れ込み、処理が乱れる |
中堅・中小企業が、いきなり 6 観点すべてを完璧にする必要はありません。ただ、AI に渡すデータについて 「最新か」「重複していないか」「表記がそろっているか」 の 3 点だけでも点検しておくと、AI の出力品質は大きく変わってきます。
FREE DOWNLOAD
AI導入チェックリスト（PoC 失敗要因 10項目）
情シス部門が PoC 前に押さえるべき失敗要因を10項目に整理した無料チェックリスト。
AISIガイドブックに学ぶデータ品質マネジメント
AISI の「データ品質マネジメントガイドブック」は、副題に **「データとAIの価値を最大化する」**を掲げています。ポイントは、データ品質を 「一度きれいにして終わり」ではなく、継続的にマネジメント（管理）するという考え方にあります。
データ品質は「点」ではなく「プロセス」
データは、業務が動く限り日々増え、変わっていきます。そのため、一度クレンジング（整理・修正）しても、放っておけばまた品質は下がっていきます。AISI ガイドブックは、データ品質を 継続して確保するための考え方を示しています。これは、システムのセキュリティを「作って終わり」ではなく運用し続けるのと同じ発想です。
「目的」に応じた品質を考える
すべてのデータを最高品質にする必要はありません。「そのデータを何に使うのか（目的）」に応じて、必要な品質を見極めることが現実的です。AI チャットボットの回答根拠にするデータは最新性と正確性が重要、分析用のデータは完全性と一貫性が重要、といったように、用途によって重点が変わります。
信頼できるAIの土台としてのデータ品質
AISI は、AI の安全性・信頼性（trustworthy AI）の実現を目的とする組織です。その AISI が「データ品質マネジメント」をガイドブックとしてまとめた意味は、とても大きいといえます。データ品質は、もはや IT 部門だけの細かい話ではなく、AI を安全に・有効に使うための経営課題だということを示しています。
RAG・AIチャットボットが期待どおり動かない理由
中堅・中小企業で AI を導入する代表的な形が、社内文書を AI に検索・参照させて回答する RAG（検索拡張生成）や AI チャットボットです。これらが「期待どおりに動かない」とき、原因の多くはデータ側にあります。
1. 古い文書を参照してしまう
社内に古いマニュアルや旧価格表が残っていると、RAG はそれを「正しい情報」として参照し、古い回答を返してしまいます。最新版の管理ができていないことが原因です。
2. 重複・矛盾する文書がある
同じテーマで複数の文書があり、内容が食い違っていると、AI はどちらを信じればよいか分からず、回答が安定しなくなります。
3. 文書がAIに読める形になっていない
スキャンしただけの PDF（画像）、表が崩れた Excel、構造のない長文――こうした AI が解釈しにくい形式のデータは、検索・参照の精度を下げてしまいます。
4. アクセスしてよい範囲が整理されていない
どの文書を AI に渡してよいのか（機密情報を含まないか）が整理されていないと、安全に RAG を組めません。これは AIエージェント導入前のセキュリティ設計 とも直結する論点です。
「AI チャットボットの精度を上げたい」と思ったら、まず参照させる社内データを整える――これが、遠回りに見えて最短の道になることが多いのです。
AI導入前の社内データ整備チェックリスト
AI（とくに RAG・チャットボット）を導入する前に、社内データについて確認しておきたい項目を整理しました。
■ 在処と範囲（どこに何があるか）
□ 1. AIに使いたいデータが「どこにあるか」を把握できているか
□ 2. 各データの「最新版」がどれか分かるようになっているか
■ 品質（使える状態か）
□ 3. 古い情報・廃止された情報が混ざっていないか
□ 4. 重複・矛盾する文書が整理されているか
□ 5. 表記ゆれ（社名・商品名・用語）がそろっているか
□ 6. AIが読める形式か（画像PDFでなくテキスト、崩れていない表）
■ 権限と安全（渡してよいか）
□ 7. AIに渡してよいデータ／渡してはいけないデータが区別されているか
□ 8. 機密情報・個人情報の取り扱い方針が決まっているか
■ 運用（保ち続けられるか）
□ 9. データを最新に保つ更新フロー・担当が決まっているか
□ 10. データ品質を定期的に点検する仕組みがあるか
このチェックで「できていない」が多いほど、AI を入れても期待どおりに動きにくくなります。逆にいえば、ここを整えるだけで AI の成果は大きく変わってきます。
データ整備の進め方：棚卸しから運用まで
データ品質の改善は、次のステップで進めると現実的です。
ステップ1：棚卸し（何があるか把握する）
まず、AI に使いたいデータが どこに・どんな形で・どれだけあるかを洗い出します。各部署のフォルダ・基幹システム・個人 PC・紙――散らばっている実態を可視化します。
ステップ2：クレンジング（整理・修正する）
古い情報の削除、重複の統合、表記ゆれの統一、欠損の補完、誤りの修正を行います。「使う目的」に照らして、必要な品質まで整えるのがポイントです。すべてを完璧にしようとすると終わらないので、優先度をつけて進めます。
ステップ3：構造化（AIが使える形にする）
画像 PDF をテキスト化する、表を整える、文書に見出し・タグをつけるなど、AI が検索・参照しやすい形に整えます。RAG の精度は、この構造化で大きく変わります。
ステップ4：権限・安全の整理
AI に渡してよいデータと、渡してはいけないデータ（機密・個人情報）を区別します。これは AI開発の発注前チェック とも関わってきます。
ステップ5：運用（保ち続ける）
データは放っておくとまた品質が下がっていきます。最新に保つ更新フロー・担当・点検の仕組みを決め、品質を継続してマネジメントしていきます。AISI ガイドブックが強調する「継続性」が、ここに当たります。
国内・国際の文脈：経産省ガイドライン・NIST
データ品質と AI の関係は、国内外のガイドラインでも重視されています。
経済産業省・総務省「AI事業者ガイドライン」
国内では、総務省・経済産業省の 「AI 事業者ガイドライン」 が、AI の開発・提供・利用にあたって、安全性・公平性・透明性などの原則を示しています（経済産業省: AI事業者ガイドライン）。適切なデータの取り扱いは、これらの原則を支える土台になります。
NIST「AI Risk Management Framework」
米 NIST の 「AI Risk Management Framework（AI RMF）」 も、AI のリスク管理において、データの質・代表性・バイアスの管理を重要な要素として扱っています（NIST AI RMF）。
データ品質は「AI活用の前提条件」へ
AISI ガイドブック、経産省ガイドライン、NIST AI RMF――いずれも、質の高いデータが、信頼できる AI の前提であることを共通して示しています。AI 投資の効果を出すには、モデル選びと同じくらい、データ整備への投資が大切です。
よくある質問（FAQ 10問）
Q1. AIを入れれば、多少データが整っていなくても、賢く処理してくれるのではないでしょうか？
A. 実は逆です。AI は与えられたデータをもとに出力するため、品質の低いデータはそのまま（むしろ影響が大きくなって）出力に表れます。「Garbage In, Garbage Out」は AI 時代でも変わりません。
Q2. データ品質の改善は、どこから手を付ければよいでしょうか？
A. 「AI に使いたいデータ」を最初の対象にするのが現実的です。全社のデータを一気に整えるのではなく、AI チャットボットや分析で使う範囲から、最新性・重複・表記ゆれを点検していきます。
Q3. RAG の精度が低いのですが、モデルを変えれば直りますか？
A. モデルの変更では直らないことが多くあります。参照している社内文書が古い・重複している・画像 PDF になっているなどの場合は、まずデータ側を整えるほうが効果的です。
Q4. データ品質の「6 観点」は、全部やる必要がありますか？
A. 必須ではありません。まずは **最新性・一意性（重複なし）・一貫性（表記の統一）**の 3 点から始めると、AI の出力品質が目に見えて変わりやすくなります。
Q5. 画像でスキャンした PDF は、AI で使えないのでしょうか？
A. そのままでは検索・参照の精度が下がります。テキスト化（OCR など）して、AI が読める形にすると精度が上がります。データ整備の「構造化」ステップに当たります。
Q6. データ整備は、一度やれば終わりでしょうか？
A. 終わりではありません。データは業務とともに増え・変わるため、放っておけば品質はまた下がっていきます。AISI ガイドブックも 継続的なマネジメントを強調しています。更新フローと点検の仕組みを持っておくことが大切です。
Q7. 機密情報や個人情報を AI に渡しても大丈夫でしょうか？
A. 渡してよいデータと渡してはいけないデータを区別することが前提です。RAG を組む際は、参照する範囲の権限設計が必要になります。セキュリティ設計とセットで考えておきたい論点です。
Q8. 中小企業でも、専門の人がいないとデータ品質管理はできないのでしょうか？
A. 専門部署がなくても始められます。まずは「AI に使うデータ」に絞って、最新版の管理・重複の整理・表記の統一から進めます。外部のパートナーに伴走してもらうのも現実的です。
Q9. AISI のガイドブックは、中小企業にも役立ちますか？
A. 役立ちます。データ品質の考え方は規模を問わず通用します。「データは AI の基盤」「目的に応じた品質」「継続的なマネジメント」という原則は、中小企業の AI 活用にもそのまま当てはまります。
Q10. 結局、AI 導入の前に一番やっておくとよいことは何でしょうか？
A. **「AI に使いたいデータを棚卸しし、最新・重複なし・表記統一の状態に整える」**ことです。AI モデルの検討より前に、ここに手を付けることが、成果への近道になります。
参考一次ソース
- AISI（AIセーフティ・インスティテュート）「データ品質マネジメントガイドブック」（第1.02版、2026-05）
- AISI（AIセーフティ・インスティテュート）公式サイト
- 経済産業省「AI事業者ガイドライン」
- NIST「AI Risk Management Framework（AI RMF）」
まとめ
- AI で成果が出ない原因は、モデルではなくデータ品質にあることが少なくありません。AI は「料理人」、データは「食材」です
- AISI は 2026 年 5 月に **「データ品質マネジメントガイドブック（第1.02版）」**を公開しました。「データは AI の基盤」であり、データが適切でないと適切な出力は得られないと示しています
- 「データ品質が低い」とは、古い・重複・最新版不明・表記ゆれ・欠損・誤り・所在不明・権限不明といった具体的な状態を指します
- データ品質は 正確性・完全性・一貫性・最新性・一意性・妥当性の 6 観点で評価できます。まずは最新性・一意性・一貫性の 3 点から始めましょう
- RAG・AI チャットボットが期待どおり動かない原因の多くは、参照する社内データの品質にあります
- AI 導入前の社内データ整備チェックリスト 10 項目で、在処・品質・権限・運用を確認しましょう
- データ整備は 棚卸し → クレンジング → 構造化 → 権限整理 → 運用のステップで、継続してマネジメントしていきます
「良い AI」を入れる前に、「良いデータ」を整える。これが、AI 投資の効果を出すための、いちばん確実な順番です。
AI導入前のデータ整備・RAG開発を相談したい方へ
AI チャットボットや RAG、業務での AI 活用を検討している方は、**「AI に使うデータが、最新で・重複なく・AI が読める形になっているか」**を導入前に整えておくことで、成果の出る AI 活用に近づけます。
GXO株式会社では、中小・中堅企業向けに次のようなご相談を承っています。
- AI導入前のデータ棚卸し・整備：どのデータをどう整えれば AI で使えるかの可視化
- RAG・AIチャットボット開発：社内データを安全・正確に活用する設計
- データの構造化・クレンジング支援：画像 PDF のテキスト化、表記の統一、重複の整理
- データ運用体制の設計：データを最新に保ち続ける更新フロー・点検の仕組みづくり
あわせて読みたい
- AIシステムの中身、説明できますか？｜AI SBOM（AIBOM）で考えるAI開発・発注時の新チェックポイント
- AIエージェントに業務を任せる前に｜権限・ログ・暴走リスクと導入前セキュリティチェックリスト
- AI-Readyなデータ管理の進め方｜エンタープライズ向けガイド
著者: GXO株式会社 初回公開: 2026 年 5 月 23 日