積水化学の基幹刷新は「AIの前提」｜海外売上1兆円を支えるS/4HANA移行に学ぶ、AI-Readyデータ整備の順序

結論：基幹刷新の目的はコスト削減だけでは足りない。「AIを使える会社になるため」のデータ整備まで含めて設計する

積水化学工業のデジタル変革推進部長が、2026年6月11日の日経クロステックNEXT 関西 2026の基調講演で、SAP S/4HANA Cloudによる基幹システム刷新と業務標準化を「AI時代の前提」と位置づける取り組み を語ったと報じられている（日経クロステック・2026年6月12日）。報道によれば、同社は2030年度に海外売上高1兆円という目標を掲げ、ノンコア業務の標準化とデータ整備を進めながら、国内の会計領域から段階的に導入しグローバル展開を進めているという。

注目すべきは、大手化学メーカーの講演で 「一見地味な業務標準化や基幹刷新こそAI時代に重要」という順序論が語られた 点だ。生成AIの導入が「PoC止まり」になる最大の原因は、AIモデルの性能ではなく、基幹システムに散在する不統一なデータにある。つまり「AIを入れたいが基幹のデータが汚い」企業にとって、基幹刷新はAIと別の投資ではなく、AI投資の第1段階 である。

押さえるべき1点：AI導入の成否は「どのAIを選ぶか」より前の、「業務とデータが標準化されているか」でほぼ決まる。基幹刷新の稟議は、コスト削減ではなくAI活用の前提投資として書き直すべき段階に来ている。

報道の要点と「AI-Ready」整備の全体像

日経クロステックの報道（有料記事・二次情報）によれば、講演の骨子は次のとおりだ。

この構図は積水化学に限らない。EYと味の素が公表したAI-Readyデータ基盤の事例（味の素の「AI-Readyデータ基盤」事例で解説）でも、生成AI全社展開の鍵は「データの利用基準」だった。GENIACの製造業採択でも現場データのAI-Ready化が主題である（製造業データのAI-Ready化2026）。先行事例に共通するのは「AIの前にデータ、データの前に業務標準化」という順序である。

なぜ「AIの前に基幹刷新」なのか：順序を間違えた会社で起きること

順序論を一般化すると、AI-Ready化は次の5段階になる。

1. 業務標準化：拠点・部門ごとにバラバラな業務プロセスを標準に寄せる（Fit to Standard）。ここを飛ばすと、後続のすべてが「例外対応」で汚染される
2. コード・マスタ統一：取引先・品目・勘定科目などのマスタを全社で一本化する。同じ取引先が拠点ごとに別コードで登録されている状態では、AIは「同じもの」と認識できない
3. 基幹システム刷新：標準化した業務とマスタを載せる器を更新する。レガシーのまま残すと、紙・Excel・個別改修にデータが分散し続ける
4. データ基盤整備：基幹・周辺システムのデータを分析・AI利用可能な形で集約し、品質・権限・更新頻度の基準を決める
5. AI実装：ここで初めて、RAG・需要予測・エージェントなどのAIが「正しいデータ」の上で動く

順序を逆にして「まずAIを」と始めた会社で起きるのは、決まって同じ症状だ。RAGが古い規程と新しい規程の両方を引いて矛盾した回答を返す。需要予測が拠点ごとに異なる品目コードを別商品として学習する。 その後始末として結局データ整備に戻るため、トータルの期間と費用はむしろ膨らむ。

加えて2026年は、SAP ECCの2027年保守期限や国産メインフレーム撤退（富士通メインフレーム2030年度終了参照）など、基幹刷新の外部期限が重なっている。「いずれやる刷新」を「AI前提の刷新」として前倒しで設計できるかが、競争差になる。

自社診断：AI-Ready基幹刷新チェック5問

自社が「AIを入れられる状態」かを5問で確かめる。

1. 取引先・品目・組織のマスタは全社で一本化されているか？（拠点別・システム別に重複コードがあればNO）
2. 基幹システムの外（Excel・紙・個人フォルダ）で完結している基幹業務はないか？（受発注・在庫・原価のどれかが該当すればNO）
3. 「この数字の正本はどのシステムか」を即答できるか？（売上・在庫・原価それぞれで答えが割れるならNO）
4. 基幹刷新の計画に「データ移行・クレンジング」が工程として明記されているか？（「移行は現行どおり」ならNO）
5. 刷新の目的に、AI・データ活用が経営目標と紐づいて書かれているか？（コスト削減・保守期限のみならNO）

チェックの勘所：3問以上NOなら、AIのPoCを始める前に業務標準化とマスタ統一に投資した方が、AI投資の回収は確実に早い。逆に基幹刷新の計画が走っているのに4・5がNOなら、刷新を「AI前提」に設計し直す最後の機会である。

二次報道ベースの記事としての限界と使い方

本記事の積水化学に関する事実関係は、公開報道で確認できる範囲に限定している。したがって、同社の個別プロジェクトの詳細を断定するための記事ではなく、基幹刷新とAI-Readyデータ整備を結びつけて考えるための材料として読むべきである。

実務で使う場合は、自社の基幹刷新計画に置き換えて確認する。刷新目的が保守期限・コスト削減だけになっていないか。マスタ統一やデータ品質基準が工程化されているか。AIユースケースが要件定義に入っているか。この3点を確認すれば、記事の示唆を自社の投資判断に変換できる。

よくある質問（FAQ）

Q. 基幹刷新が終わるまでAIは何もできないのか？ A. そうではない。議事録要約・文書検索など基幹データに依存しないユースケースは先行できる。重要なのは、基幹データを使うAI（需要予測・原価分析・RAGの社内規程検索など）を刷新前に本番化しようとしないことだ。並行する場合も、マスタ統一の方針だけは先に固めておくと手戻りがない。

Q. 中堅企業はS/4HANAのような大型ERPでなければAI-Readyにならないのか？ A. ならない。重要なのは製品ではなく「業務標準化→マスタ統一→データ基準」の順序であり、中堅規模ならクラウドERP・国産パッケージでも同じ効果が得られる。むしろ身の丈に合わない大型ERP導入は標準化の失敗要因になる。自社規模に合う選択肢の見極めは外部の中立評価を使う価値がある。

Q. データ整備はどこまでやれば「AI-Ready」と言えるのか？ A. 完璧を目指す必要はない。AIユースケースから逆算し、そのAIが参照するデータ領域に限って「正本の特定・コード統一・更新ルール・アクセス権限」の4点が決まっていれば実用に入れる。全社一括ではなく、ユースケース単位で広げるのが現実的だ。

Q. 刷新を任せているSIerが「AI対応」と言っているので任せておけばよいか？ A. 鵜呑みは危険だ。「AI対応」の中身がツール接続の話なのか、マスタ統一・データ品質基準・権限設計まで含む話なのかで、刷新後にできることがまったく変わる。発注側として「刷新後にどのAIユースケースを動かすか」「そのために移行時に何を整備するか」を要件として明文化し、見積もりの工程に入っているかを確認すべきである。要件にない作業はやらないのが受託開発の原則だ。

自社の業務改善テーマに変換する確認観点

DX記事を読むときは、先進企業の事例をそのまま真似るのではなく、自社の業務制約に置き換える必要がある。確認すべきは、標準化できる業務、例外が多い業務、データが散在している業務、属人化している判断、紙・Excel・個人フォルダに残る工程である。

AIやデータ活用は、業務が標準化されていない状態では効果が出にくい。まず対象業務を1つ選び、入力、判断、承認、出力、記録の流れを書き出す。そのうえで、どこをシステム化し、どこをAIに補助させ、どこを人が判断するかを分ける。

GXOへ相談する前に整理しておくと早い情報

相談前には、改善したい業務、現在の所要時間、関係部署、使っているExcelやシステム、判断が属人化している箇所、月間件数、期待する効果をまとめる。数字が粗くても、現状の流れが分かれば改善余地を見積もれる。

90日で改善テーマを実装候補へ進めるロードマップ

最初の30日は、業務の見える化に使う。誰が、何を、どの順番で、どのシステムやExcelを使って処理しているかを書き出す。属人化した判断、二重入力、承認待ち、紙の転記、例外処理を分けて記録する。

31日目から60日目は、改善候補を絞る。AIで解くべきもの、システム化で解くべきもの、ルール変更で解くべきものを分ける。AI導入が目的化している場合は、まず業務標準化やデータ整備を先に行う方が効果が出ることも多い。

61日目から90日目は、小さな実装計画にする。対象範囲、必要データ、利用者、効果指標、概算費用、運用担当を決める。大きなDX構想よりも、1つの業務で効果を測れる計画に落とす方が、社内合意と次の投資につながりやすい。

よくある失敗パターン

第一の失敗は、現場の業務を見ずにツール導入から始めることだ。ツールは業務を置き換えるものではなく、整理された業務を支えるものである。現行業務が例外だらけのままでは、どのツールを入れても手作業が残る。

第二の失敗は、効果測定を後回しにすることだ。導入前の処理時間、件数、ミス、問い合わせ、残業を測っていなければ、導入後に成果を説明できない。DX投資は「便利になった」ではなく、数字で説明する必要がある。

第三の失敗は、現場教育を軽視することだ。新しい仕組みは、利用者が使い方と目的を理解して初めて定着する。現場が納得しないまま導入すると、Excelへの逆戻りや二重運用が起きる。

成果物として残すべきもの

改善テーマごとに、現行業務フロー、課題一覧、改善後フロー、効果指標、利用者教育計画、運用担当、改善後のレビュー日を残す。小さな改善でも、成果物として残すことで横展開しやすくなる。

判断表：読むだけで終わらせないための整理

この表を埋めると、記事の内容を「読んだ情報」から「社内で動かすタスク」に変えられる。特に重要なのはNGサインである。NGサインが1つでも出る場合、問題は個別ニュースではなく、社内の判断プロセスにある。

公開情報は日々更新されるため、記事本文の数値や期限をそのまま固定値として扱うのではなく、一次情報の最新版、社内の対象有無、実施記録をセットで確認する。これにより、速報記事を一過性の話題で終わらせず、監査・稟議・改善計画に使える材料へ変換できる。

いつGXOに相談すべきか

• 基幹システムの刷新を検討しているが、AI活用まで見据えた要件・順序の設計 ができていない
• AIのPoCが続くが本番化できず、原因がデータ側にあると疑っている
• マスタ統一・データ基盤の整備を、刷新プロジェクトとどう並行させるか を決めかねている

GXOは、レガシーモダナイゼーションによる基幹刷新の計画・実行支援、データ基盤構築によるマスタ統一・データ整備、AIアセスメントによるユースケースからの逆算設計を一体で提供している。「AIの前提としての基幹刷新」は、順序設計を誤ると数年単位の手戻りになる。構想段階での相談が最も費用対効果が高い。→ 相談はこちら

関連記事

• 味の素の「AI-Readyデータ基盤」事例に学ぶ｜生成AIが進まない原因はデータ側にある
• 製造業データのAI-Ready化2026｜GENIAC新採択に学ぶ進め方
• 富士通メインフレーム撤退と基幹システム刷新2026｜COBOL移行の進め方と費用
• 中堅製造業の基幹システム刷新費用2026

編集部注：公開後の更新方針

本記事は速報性のある公開情報をもとに、GXOの商談領域であるシステム開発、AI導入、セキュリティ、レガシー刷新、データ基盤構築の観点へ翻訳したものである。公開後に一次情報の更新、ベンダー側の追記、制度要件の変更、悪用状況の変化が確認された場合は、本文・参考資料・CTAの導線を更新する。

読者が実務で使う場合は、記事の数値や期限を固定値として扱うのではなく、必ず一次情報と自社環境を突き合わせることが重要である。特に、契約条件、対象バージョン、制度要件、提供リージョン、価格、悪用状況は短期間で変わり得る。この記事の役割は、最新情報を自社の判断項目へ変換することであり、最終判断は一次情報と社内の対象有無確認にもとづいて行う。

参考資料

• 日経クロステック「積水化学工業の基幹システム刷新」関連記事（2026年6月12日・有料記事・二次情報）

本記事は2026年6月12日時点の公開情報をもとに作成。積水化学工業の取り組みに関する記述は日経クロステックの報道（二次情報）に基づくものであり、講演内容の詳細・最新状況は一次情報の最新版を必ず確認すること。