1/25ページ
カタログの表紙 カタログの表紙 カタログの表紙
カタログの表紙

このカタログをダウンロードして
すべてを見る

ダウンロード(3.7Mb)

AIエージェントの成果を決めるのは、モデルではなくデータである|導入後に成果が出ない理由と、データの整え方【講演資料】

ホワイトペーパー

AIを導入しても成果につながらない理由を、経営に必要なデータ基盤の要件と、製造現場の点検データを使った検証例から解説します。

生成AIやAIエージェントの導入が進む一方で、「導入したのに、思うように成果が出ない」という声が増えています。その原因の多くは、AIの性能ではなく、AIに渡す「データ」の状態にあります。

本資料は、IT・DX部門の方を対象としたカンファレンスでの講演資料です。AI時代の経営に求められるデータ基盤の要件を整理したうえで、大企業426名への調査からAI活用が「導入後」につまずく理由をひもとき、製造現場の点検データを使った検証例で、データを整えるとAIの答えがどう変わるのかをご紹介します。

【この資料でわかること】
・AI時代の経営に求められる、4つのデータ基盤の要件(信頼性・網羅性・AI-Ready化・自律型改善)
・AI活用が「導入後」に進まない理由と、成果を測るためのデータの重要性
・製造現場の点検データ(摩耗写真とメモ)をAI-Ready化した前と後で、AIの答えがどう変わるか

【こんな方におすすめ】
・生成AIやAIエージェントを導入したものの、成果につながっていない方
・AI活用の効果を、どう測り、どう改善すればよいか悩んでいる方
・社内の文書や写真など、非構造化データをAIで活用したい方

※調査結果の詳細は、別資料「大企業426名調査で判明。AI活用を阻む6つのボトルネックと、業界・立場による認識差」でもご覧いただけます。

このカタログについて

ドキュメント名 AIエージェントの成果を決めるのは、モデルではなくデータである|導入後に成果が出ない理由と、データの整え方【講演資料】
ドキュメント種別 ホワイトペーパー
ファイルサイズ 3.7Mb
登録カテゴリ
取り扱い企業 株式会社フライウィール (この企業の取り扱いカタログ一覧)

このカタログの内容

Page1

AIエージェントの成果を決めるのは、 モデルではなくデータである 2026/11/6 株式会社フライウィール - FLYWHEEL, Inc. 1
Page2

会社概要 テクノロジーに精通した経営陣と共に、Big Tech をはじめとする外資系 IT 企業出⾝のエンジニアおよびビジネス 側の⼈材も参画し事業拡⼤中 [Mission] 「データを人々のエネルギーに」 会社概要 Facebook Japan にて新規事業開発及び パートナーシップ事業の執⾏役員。それ以 代表取締役 : 横⼭ 直⼈ 前は、Google Japan エンタープライズ事 業の⽴ち上げ等に従事。 設⽴ : 2018 年 2 ⽉ 9 ⽇(創業 9 年⽬) 代表取締役 CEO 横⼭ 直⼈ 所在地 : 東京都千代⽥区飯⽥橋3丁⽬10番10号   ガーデンエアタワー 31階 Microsoft Development にて検索及び⼈ ⼯知能事業の執⾏役員。それ以前は、 資本⾦ : 100,000千円 Google Japan でコマースや決済 Google Play の検索/クーポン等を担当。 従業員数 : 129⼈(2026 年 4 ⽉時点) 取締役 CTO 波村 ⼤悟 主要株主 : KDDIアイレット株式会社 IBM、アクセンチュアなどで事業開発を経   KDDI 株式会社 験、Google Japanにて国内のGoogle Cloud Platform事業の創始者として7年間 事業内容 : データ活⽤に関するプロフェッショナル サービス提供 従事、その後医療クラウド企業の執行役員   データ活⽤プラットフォーム Conata の開発/提供 執⾏役員Director of や戦略コンサルの取締役に従事。 Business Development 塩⼊ 賢治 © FLYWHEEL Inc. All Rights Reserved. 2
Page3

AI時代の企業経営と 求められるデータ基盤とは © FLYWHEEL Inc. All Rights Reserved. 3
Page4

AI時代の経営 The Flash-War Era — Why We Must Act Now 経営判断のサイクルは、四半期から⽇次‧時間単位へ。 ⼈間の会議ベースの意思決定では、もはや間に合わない。 SPEED SIGNAL INTELLIGENCE 意思決定のスピード 情報量の爆発 経営インテリジェンスへ 判断の速さそのものが競争優位。四半期 社内外データが指数関数的に増加。⼈間 AIに現状把握‧予測を譲り、経営者は意 PDCAでは勝てない時代へ。 だけでは兆候を捉えきれない。 思決定と実⾏に集中する。 「ツール」としての AIから経営 with AIへ © FLYWHEEL Inc. All Rights Reserved. 4
Page5

経営 with AIに求められる4つのデータ基盤要件 Four Requirements for Management-grade AI 「フラッシュ‧ウォー」時代を勝ち抜く経営 with AIは、次の4つの問いに答えられなければならない。 01 02 03 04 RELIABILITY COVERAGE AIREADINESS ACTIONABLE 信頼性 網羅性 AI-Ready化 ⾃律型改善 AIに正しい情報を 組織を越境した情報を AIが解釈可能な形で AI活⽤の改善 与えているか? 与えているか? 保持されているか? ループは回っているか? © FLYWHEEL Inc. All Rights Reserved. 5
Page6

426名への調査から⾒えたこと © FLYWHEEL Inc. All Rights Reserved. 6
Page7

BtoB 領域における AI 活⽤の実態や構造的な詰まりの把握 調査概要 調査対象‧サンプル数 426名 対象者 従業員数 1000 名以上の企業に 勤める会社員 調査⼿法 インターネット調査 調査時期 2026 年 3 ⽉ ※ 回答の構成⽐は⼩数点以下第2位を四捨五⼊し ているため、合計した数字が 100% にならな い場合があります。 © FLYWHEEL Inc. All Rights Reserved. 7
Page8

企業の AI 活⽤調査 6 セクション成熟度⽐較 ⽅針‧戦略 4.0 総合指標(全体平均) 3.13pt 定着‧改善 3.5 データ 3.0 ⽅針‧戦略 ⽬的は定義されているが、 ROI判断基準やロードマップが不⾜ 3.14 ルール‧ データ 全体最⾼⽔準。社内データのアクセス ガバナンス 基盤‧インフラ 権限やルール整備が進む 3.30 基盤‧インフラ セキュリティ対策は先⾏するが、 ⾃動化やコスト可視化に遅れ 3.09 ⼈材‧組織 ⼈材‧組織 深刻な⼈材‧スキル不⾜。 成功‧失敗事例の組織内共有も停滞 3.00 チャートの⾒⽅ ルール‧ガバナンス ガイドライン策定やツール管理は進む ⼀⽅、リスク管理に課題 3.29 各設問について「⾮常によく当てはまる(5)」〜「まったく当てはまら ない(1)」の5段階で評価した平均スコアを表⽰しています。 定着‧改善 全セクションで最もスコアが低く、 外側に広がるほどAI 活⽤の成熟度が⾼いことを⽰します。 評価指標と改善サイクルが未確⽴ 2.98 © FLYWHEEL Inc. All Rights Reserved. 8
Page9

企業の AI 活⽤調査 セクション別の壁① AI 活⽤の⽅針‧戦略 AI 活⽤の⽬的‧価値が、全社として明確に定義されている AI 活⽤に関する中⻑期( 2 〜 3 年)のロードマップが整 備されている 38.7% AI 活⽤を推進する組織‧責任者‧意思決定の仕組みが明確 である AI 活⽤に関する投資判断の基準(ROI‧優先度‧中⽌判断 など)が、組織として明確に定義されている 68.2% ⾮常によく当てはまる やや当てはまる どちらでもない あまり当てはまらない まったく当てはまらない(n=426) 「⽬的定義」や「推進体制」は⼀定⽔準に達しているが、ロードマップ整備や投資判断基準が不⾜ ⽬的定義や推進体制の整備は⽐較的進む⼀⽅、「中⻑期ロードマップ整備」に同意する層は 38.7% と 4 割以下にとどまっている状況で す。また、「投資判断の基準」は全体の 68.2% が「当てはまらない〜どちらでもない」と回答しています。 ⽬的や推進体制が⼀定⽔準に達している企業が AI 活⽤をさらに推進するためには、投資判断基準の定義が鍵になると考えられます。 © FLYWHEEL Inc. All Rights Reserved. 9
Page10

企業の AI 活⽤調査 セクション別の壁② AI 活⽤を⽀えるデータの状態 AI 活⽤に必要なデータの品質‧信頼性が確保されている 38.2% データが最新かつ容易に取得‧活⽤できる状態である 社内データへのアクセス権限や利⽤ルールが適切に整備 されている 55.7% ⾮構造化データ(⽂書‧PDF‧ログ等)の AI 活⽤に向 けた整備が進んでいる 43.0% ⾮常によく当てはまる やや当てはまる どちらでもない あまり当てはまらない まったく当てはまらない(n=426) 管理ルールは整備が進む⼀⽅、AI 活⽤に向けたデータの品質‧信頼性に課題 本セクションは 6 セクション成熟度⽐較で最も⾼い平均スコアを記録し、その中でも「社内データへのアクセス権限や利⽤ルールの整備」 に取り組んでいる層の合計は 55.7% と全体の半数以上にのぼりました。⼀⽅、「AI 活⽤に必要なデータの品質‧信頼性の担保」に関しては 同意する層が 38.2% にとどまっています。⾮構造化データの整備に関して同意する層も43.0% となり、ルール整備が先⾏する中、⾮構造化 データなど実際に活⽤できるデータの整備が追いついていない実態が明らかになりました。 © FLYWHEEL Inc. All Rights Reserved. 10
Page11

企業の AI 活⽤調査 セクション別の壁③ AI を動かすための基盤‧インフラ 利⽤者増加に応じて AI 基盤をスケールできる仕組みがある AI のデプロイ‧監視‧運⽤が⾃動化されている 34.7% AI 利⽤におけるセキュリティ‧リスク対策が⼗分である 44.9% AI 導⼊‧運⽤コストが可視化‧最適化されている 32.0% ⾮常によく当てはまる やや当てはまる どちらでもない あまり当てはまらない まったく当てはまらない(n=426) セキュリティ対策は進むものの、AI の監視‧運⽤の⾃動化とコスト可視化に遅れ 「AI 利⽤におけるセキュリティ‧リスク対策」については、同意する層が 44.9% と本セクション内で最も⾼く、AI 活⽤に向けたリスク対 策は⽐較的進んでいる状況です。⼀⽅、「AI のデプロイ‧監視‧運⽤の⾃動化」については当てはまらない層が 34.7%、「コストの可視 化」は 32.0% にのぼり、⾃動化とコスト可視化‧最適化の遅れが浮き彫りになっています。 AI 運⽤の⾃動化は業務効率化や省⼈化にもつながるため、今後 AI 活⽤を拡⼤するうえで重要な取り組みといえます。 © FLYWHEEL Inc. All Rights Reserved. 11
Page12

企業の AI 活⽤調査 セクション別の壁④ AI 活⽤を進める⼈材‧組織 AI 活⽤に関する役割分担や責任範囲が明確である AI 活⽤に必要な⼈材‧スキルが社内に⼗分ある 38.7% 社内で AI 活⽤に関する共通理解‧リテラシーが 浸透している 39.2% AI 活⽤の成功‧失敗事例が組織内で共有されている ⾮常によく当てはまる やや当てはまる どちらでもない あまり当てはまらない まったく当てはまらない(n=426) 回答者の 4 割近くが AI への理解浸透を実感。しかし、専⾨⼈材‧スキル不⾜がボトルネックに 「社内での AI 活⽤に関する共通理解‧リテラシー」が浸透していると回答した層の合計は全体の 39.2% と 4 割近くで、本セクション内で 最多の割合となりました。⼀⽅、「AI 活⽤に必要な⼈材‧スキルが社内に⼗分ある」は当てはまらない層の合計が 38.7% にのぼり、深刻な ⼈材‧スキル不⾜に陥っている可能性が明らかになっています。 AI 活⽤を本格的に推進するためには、⼈材の確保や育成、外部パートナーの活⽤など、実⾏体制の強化が求められるでしょう。 © FLYWHEEL Inc. All Rights Reserved. 12
Page13

企業の AI 活⽤調査 セクション別の壁⑤ AI 活⽤に関するルール‧ガバナンス AI 利⽤に関するルール‧ガイドラインが明確に定められて いる 49.8% AI 活⽤に伴うリスクが体系的に管理されている 35.5% 社内で利⽤されている AI モデル‧ツールが把握‧管理さ れている 51.4% 法令‧倫理‧規制への対応体制が整っている ⾮常によく当てはまる やや当てはまる どちらでもない あまり当てはまらない まったく当てはまらない(n=426) 「ツール管理」や「ガイドライン策定」という第⼀段階から、リスクの体系的管理へ 「社内で利⽤されている AI モデル‧ツールの把握‧管理」については過半数の 51.4% が取り組んでいると回答し、本セクションで最多の 割合となりました。次いで「AI 利⽤に関するルール‧ガイドライン」の策定が 49.8% で続く結果となっています。 ⼀⽅で、「AI 活⽤に伴うリスクが体系的に管理されている」と回答した層の合計は 35.5% にとどまり、AI 活⽤の拡⼤を⾒据えたリスク管 理が今後の課題といえます。 © FLYWHEEL Inc. All Rights Reserved. 13
Page14

企業の AI 活⽤調査 セクション別の壁⑥ AI 活⽤の定着‧改善 AI 活⽤プロセスが業務に組み込まれている AI の品質や成果を評価する仕組みがある 38.4% AI 活⽤を継続的に改善するサイクルが回っている 34.1% AI 活⽤に関するプロジェクトの知⾒やナレッジが、 組織として蓄積‧再利⽤できる形で管理されている ⾮常によく当てはまる やや当てはまる どちらでもない あまり当てはまらない まったく当てはまらない(n=426) 6 セクションの中で最もスコアが低く、評価指標や改善サイクルの不⾜が顕著 AI 活⽤の取り組みが⼀定の⽔準で進む⼀⽅、「AI の品質や成果を評価する仕組み」が不⼗分な層が 38.4% と本セクション内で最も⾼く、 評価体制の未整備が課題となっています。また、「AI 活⽤を継続的に改善するサイクル」が整備されていない層は 34.1% にのぼり、改善活 動が⼗分に定着していない可能性があります。 本セクションは 6 つの評価軸の中で平均スコアが最も低く、AI 活⽤が成果につながらないまま形式化してしまう恐れがあります。 © FLYWHEEL Inc. All Rights Reserved. 14
Page15

まとめ 真の AI 活⽤に向けて「導⼊後の壁」を越えることが成功の鍵 本調査では、ルール‧ガバナンスは⼀定程度整備されている⼀⽅で、 「定着‧改善」は6セクションの中で最も低い結果となりました。 AI 活⽤の定着には 「定着‧改善」が進まない真因は、現場の努⼒不⾜ではなく、AI の成果を測 「測る × 回す × 貯める」の設計が必要 れるデータが整っていないことにあると考えられます。 AI の出⼒品質やROIを評価するためには、前提となるデータの信頼性が不可⽋ です。とりわけ⾮構造化データの整備は、RAG をはじめとする全社的なAI 活 測る 回す 貯める ⽤の価値を⾼める先⾏投資であり、早期着⼿が求められます。 しかし本調査では、管理ルール等の整備が先⾏する⼀⽅、肝⼼の「データ品質 ‧信頼性の担保」が追いついていない実態が浮き彫りとなりました。その結 AIの成果を評価できる 信頼できる 知⾒を再利⽤可能な 果、改善判断に必要な客観的データが不⾜し、意思決定は依然として勘や経験 データ品質 成果指標 形で蓄積 に依存せざるを得ません。AIの成果を正しく評価‧運⽤できる状態には⾄って いないのが現状です。 すべての⼟台 = AI-Readyなデータ基盤 つまり導⼊後の「運⽤フェーズ」の壁を越える鍵は、 すべての⼟台である“AI-Readyなデータ基盤”にあると⾔えるでしょう。 フライウィールは、FAIR Assessment や FAIR Index 等のフレームワークを⽤い、貴社の 「現在地」を可視化。不透明なROIを明確なロードマップへと変換し、実利を⽣むAI 活⽤を 伴⾛⽀援します。 お問い合わせ 導⼊で終わらない、成果につながるAI 活⽤を実現したい企業様は、ぜひご相談ください。 © FLYWHEEL Inc. All Rights Reserved. 15
Page16

データのAI-Ready化と AI時代のアーキテクチャ © FLYWHEEL Inc. All Rights Reserved. 16
Page17

AI-Ready化とは:「探せる」から「考えられる」データへ AIが期待通りに使えない原因は、 AIの性能ではなく「データの状態」にあります 「AIを導入したのに、思うように検索できない …」 実は、データはそのままではAIに使えない 図表の意味 FLYWHEELのAI-Ready化 業務の高度化 社内用語 考えられる 一般的なAI-Ready化 示唆が得られる 判断の経緯 工程 部品 根拠・リスクを提示 ▼ AI 探せる 製品 に伝わらない 元データ ▶ 品質 判断 知見を継承 熟練の知恵を若手へ 読めない OCR・VLMで オントロジー メタデータ 画像・グラフを文字化 辞書 Decision Record 判断が速く正確に 検索はできるが スピードと質が向上 人が読む前提の資料 文脈は伝わらない 信頼度 FLYWHEELのAI-Ready化は、データを「検索の対象」から「業務を高度化する資産」へ変えます © FLYWHEEL Inc. All Rights Reserved. 17
Page18

現場の元データは、摩耗画像とメモ 1行のみ 3週間の点検で得られたのは 4段階の摩耗写真と1行のメモだけで、生成AIが使える形になっていない 元データ Before回答 AI-Ready化 After回答 現場メモ(3週間の点検記録) 「3週間にわたりアクチュエーターの摩耗が 酷くなっている」 生成AIから見たデータの状態 画像:写真のまま 摩耗の段階・部位を検索・参照できない メモ:記録は 1行のみ 程度・部位・症状の記述がない = 画像の情報は、生成 AIの回答にほぼ使われない © FLYWHEEL Inc. All Rights Reserved. 18
Page19

生データでは、メモ 1行だけを根拠に回答 同じ質問に対し、画像の情報が使えないため一般論にとどまる 元データ Before回答 AI-Ready化 After回答 質問 回答に使われた根拠 アクチュエーターの摩耗はどのように進行していますか。交換が必要か判 断したいです。 摩耗画像( 4枚) 検索・参照できない 生成AIの回答 未使用 メモによると、3週間にわたりアクチュエーターの摩耗が悪化しているとのことで す。一般に摩耗は潤滑不足、異物の混入、過負荷などによって進行します。た だし、提供された情報からは摩耗の程度や発生部位を特定できません。現物を 現場メモ( 1行) 点検したうえで、交換の要否を判断してください。 「摩耗が酷くなっている」のみ 使用 回答の限界 摩耗の段階・部位が特定できず、交換判断の根拠にならない © FLYWHEEL Inc. All Rights Reserved. 19
Page20

VLMで画像から摩耗状態を構造化データに変換 4枚の画像それぞれについて、部位ごとの状態と判定を Markdown形式のテキストとして抽出 元データ Before回答 AI-Ready化 After回答 actuator_wear_vlm.md VLM抽出結果 # 精密アクチュエーター 摩耗点検記録 - 対象期間: 3週間(現場メモより)  - 画像:4枚(①〜④、時系列順) ## ① 初期(ほぼ新品の状態) ## ② 軽度の摩耗 - **シャフト**:均一な鏡面光沢、傷なし - **シャフト**:軸方向の細い擦り傷が散在 元画像(4段階) - **ハウジング**:清浄、汚れなし - **ハウジング**:わずかなくすみ - **シール部**:異常なし - **シール部**:大きな変化なし - **判定**:正常 - **判定**:軽度 VLMで構造化 ## ③ 中程度の摩耗 ## ④ ひどい摩耗 - **シャフト**:擦り傷が密集、暗色の付着物 - **シャフト**:黒・茶色の付着物と荒れが広範囲 - **ハウジング**:点状の汚れが拡大 - **ハウジング**:茶褐色の汚れが全体に拡大 - **シール部**:黒色の付着 - **シール部**:汚れの堆積 - **判定**:要注意 - **判定**:交換検討 Markdownで出力 © FLYWHEEL Inc. All Rights Reserved. 20