製造業のAI導入前に整えるデータ——3段階の棚卸し手順
「AI導入を検討しているんですが、まずデータを整備しないといけませんよね——と言ったまま、2年が経ちました」
あるプラスチック加工会社のDX推進担当者が言った言葉だ。データ整備が必要なことは分かっている。でも「どこから」「どの程度」手をつければいいのかが分からず、動けない。
PoC（概念実証）を一度外注したことがあるなら、「使えるデータが出てこなかった」という壁にぶつかったことがあるかもしれない。システム会社の提案通りに進めたはずなのに、現場のデータが思った形で使えなかった——あの経験の根本原因は、多くの場合、技術ではなくデータにある。
AI活用者の85%が、自社のデータに「分断・ノウハウの非デジタル化」など何らかの支障を実感している（CADDiによる製造業データ活用実態調査、2025年10月）。データを「使える状態」にすること——これが、AI導入の成否を決める最初の関門だ。
データが使えない状態のまま外注を始めると、PoCは失敗に終わる
製造業のAI導入でデータ整備が前提になる理由
AI活用に失敗する製造業に共通するのは、「データを持っていること」と「データが使える状態にあること」を混同していることだ。
製造現場にはデータが豊富にある。設備の稼働ログ、検査記録、生産実績——それ自体は存在する。問題は「形」だ。現場のデータが「使えない状態」になる原因は、大きく3つある。
フォーマットがバラバラ。ライン1は手書き日報、ライン2はExcel（列の順番が違う）、ライン3は設備メーカー独自のCSV——これでは、AIに学ばせる前にデータを「一本化」するだけで数ヶ月かかる。
欠損・異常値が放置されている。不良が出た日の記録が空白、設備が止まった時間帯のセンサーログが「0」——AIモデルは欠損や異常値に敏感で、このままでは正しく学習できない。
「なぜその数値か」のコンテキストがない。「不良率3.2%」という数値があっても、そのとき何の材料を使い、室温が何度で、誰が担当していたかが分からなければ、AIは因果関係を学べない。数値があっても「意味のないデータ」になる。
Gartnerは、2026年までに組織の60%がAI対応データ不足でAIプロジェクトを断念すると警告している（出典：Gartner、2025年2月）。データ問題は「うちだけの話」ではない。
AI導入前に動ける3段階のデータ棚卸し手順
では、どこから手をつければいいか。現場で実際に使える棚卸し手順を3段階で整理する。
ステップ1：今あるデータを「見える化」する
最初にやることは「どんなデータがどこにあるか」の一覧を作ることだ。以下の5項目をExcelに書き出す。
| 項目 | 書き出す内容 |
|---|---|
| データ名 | 「不良記録台帳」「稼働ログ（設備A）」など |
| 保存場所 | 紙・Excel・DBなど |
| 記録担当 | 誰が入力しているか |
| 更新頻度 | 日次・週次・都度など |
| 欠損の有無 | 穴が開いている期間や項目 |
ここでは「きれいにする」必要はない。「あるかないか」を確認するだけでいい。
データ棚卸しシートの5項目——「きれいにする」前にまず「見える化」する
ステップ2：フォーマットを揃え、欠損に対処する
一覧ができたら、次は「使う予定のデータ」だけに絞って整備を始める。
フォーマット整理の基本は「同じ意味の数値は同じ列・同じ単位・同じ名前で」だ。「不良数」「NG数」「リジェクト」が同じ意味なら、まず名前を統一する。これだけで後工程のデータ処理コストが大幅に下がる。
欠損への対処は「埋める」か「除く」かを判断する。センサーの一時的な通信エラーなら補間（前後の平均など）で埋められる。担当者が記録を忘れた空白は、埋めようとせず「欠損あり期間」として除外するほうが安全だ。
ステップ3：最初の1ユースケースに必要なデータだけを絞り込む
3ステップのうち、最も重要な判断がここだ。
「AI化したい業務・課題」を1つ決め、「その課題を解くために何のデータが何ヶ月分必要か」を特定する。たとえば「設備Aの予知保全をやりたい」なら、設備Aの稼働ログと過去の故障記録の2種類だけが最初に整備すべきデータになる。
このとき、設備BやCのデータには触れない。品質データも生産計画データも、最初のユースケースに不要なら後回しだ。
「全部きれいにしよう」とした工場が止まり続ける理由
中小製造業のDX推進担当から「データ整備を始めたが途中で止まった」という話をよく聞く。止まる理由はほぼ共通している——対象を絞り込まないまま動き始めたからだ。
「せっかく整備するなら全部やろう」という発想は理解できる。しかし現場の記録を全社で一斉に整備しようとすると、誰がどこまで担当するかが曖昧になり、片手間では進まず、数ヶ月で止まる。
もう一つの落とし穴は「先に完璧なデータ基盤を作ろう」という判断だ。DWH（データウェアハウス：社内の大量データを一元管理するデータ保管庫）やデータレイク構築を先行させると、数千万円の投資と1〜2年の期間が必要になり、その間に現場の課題は変わり、経営の優先度も変わる。
最初に必要なのはシステムではなく、「最初の1件を動かすためのデータ」だ。
整備コストを最小化しながらAI化の入口に立てるのは、「最初の1件に絞り込む」という判断をした組織だけだ。
中小製造業でこの3ステップを動かすとどうなるか
30〜40代のDX推進担当が1人で進めることを前提に、現実的なスケジュール感を示す。
- ステップ1（棚卸し）：2〜3日。現場の各担当者に聞き取り、Excelに書き出す
- ステップ2（整備）：2〜4週間。対象を絞ったデータに限定すれば、1人でも進められる
- ステップ3（絞り込み）：1〜2日。課題の優先度を経営者・現場リーダーと合意する打ち合わせ込み
合計1〜2ヶ月で「最初のAIプロジェクトに使えるデータ」が揃う。
外注先やAIベンダーに渡せるデータが手元にある状態になれば、見積もりの精度も上がり、PoCが「データ不足で止まる」リスクを大幅に減らせる。今まで「外注に頼んだのに使えるデータが出なかった」という経験があるなら、次回は渡す前の準備が変わる。
今週から動ける最初の一手
具体的に、今週何をするかを示す。
難しく考える必要はない。
今週中にやること：データ棚卸しシートを作る
- Excelを1枚開く
- 「データ名」「保存場所」「記録担当」「更新頻度」「欠損の有無」の5列を作る
- 思いつくデータを10件書き出す
これだけだ。10件のリストがあれば、「最初のユースケースに何が使えるか」を判断できるようになる。
最初に決めるべきは「何のためにデータを整備するか」だ。整備が先、用途が後——この順番で動くと、たいてい迷子になる。「この課題のためにこのデータを整える」という順番で進めること。
まとめ
AI導入に失敗する工場の多くは、「データを全部きれいにしてから」という発想で止まっている。正しい順番は逆だ。最初の1ユースケースを決め、そのために必要なデータだけを3段階で整備する。
データ整備は「完成させるもの」ではなく「使うたびに育てるもの」だ。最初の1件を動かすことが、次のデータ整備の優先度を教えてくれる。
まず棚卸しシートを作ることから始めてほしい。
「これ、AIでできない？」
業務の流れに落とし込みます。
相談内容をもとに、
AIで支援できそうな工程と、
人が確認すべきポイントを整理します。
まずは、分かる範囲で構いません。