AI導入前のデータ整備｜名寄せ・表記ゆれ・形式のばらつきをどこまで直すか【2026年8月最新】

株式会社AIworker

2026年8月29日 01:01

AIの導入検討で、いちばん地味な工程の話をします。

対象業務は決まった。使う製品も見当がついた。ところが着手してみると、必要なデータが個人のフォルダに散っていて、同じ取引先が3通りの表記で登録されていて、過去の書類はPDFと紙とExcelが混在している。

ここで止まるプロジェクトは少なくありません。AIの性能が足りないのではなく、渡すものが揃っていない。

厄介なのは、この作業に終わりが見えないことです。どこまで整えれば始められるのか、誰も教えてくれない。完璧を目指すと永遠に終わらず、雑に始めると使えないものができる。

この記事では、その線引きの話をします。

この記事の要点

✅ データ整備は全部きれいにする作業ではなく、対象業務に必要な範囲だけ整える作業です
✅ 名寄せ、表記ゆれ、形式、権限、更新担当の5つを、この順で確認します
✅ 整備の前に対象業務を決めないと、どこまでやればよいかが決まりません

「データが汚いから無理」は、たいてい正確ではない

相談でよく聞くのが「うちはデータが汚いので、AIはまだ早い」という言葉です。

そのままでは、判断を先送りする言葉になりがちです。全社のデータを完璧にそろえる必要はありません。問題はデータが汚いこと自体ではなく、どの業務に何が必要かが決まっていないことにあります。

見積を作るAIを検討していて、過去見積が個人フォルダに散っている。これは深刻です。でも同じ会社の人事データが整理されていないことは、その業務には関係ありません。

だから最初にやるのは、データを触ることではありません。対象業務を1つに決めることです。業務が決まって初めて、必要なデータの範囲が決まり、どこまで整えればよいかが決まります。 業務の絞り込みは生成AIの業務棚卸しガイドで扱っています。

順序を逆にすると、全社のデータクレンジングという終わらない企画になりかねません。

整備の5項目

対象業務が決まったら、次の5つを順に見ます。上から順に確認するのは、後ろの項目が前の項目の結果に依存するためです。

1．所在

まず、必要なデータがどこにあるかを書き出します。基幹システム、共有フォルダ、個人のPC、メールの添付、紙のファイル。

ここで多いのが、担当者しか場所を知らないデータです。「あの案件の資料は田中さんのフォルダにあります」という状態では、担当者の異動や退職で使えなくなります。場所と管理者を明らかにすることが、最初の整備です。

書き出すときは、量も一緒に記録してください。過去3年分なのか、10年分なのか。全部を対象にする必要はほとんどありません。

2．名寄せ

同じ会社、同じ商品、同じ部品が、複数の名前で登録されている状態を揃える作業です。

株式会社と（株）、全角と半角、旧社名と新社名、支店ごとの別登録。AIが過去の類似案件を探すとき、表記が違うと別のものとして扱われます。

全部を統一する必要はありません。検索の起点になる項目だけでいい。取引先名で過去案件を探すなら取引先名、機種で部品を探すなら機種名です。担当者名や備考欄まで揃える必要はたいていありません。

3．表記ゆれ

名寄せが「同じものの別名」なら、こちらは「同じ意味の別表現」です。

「完了」「済」「クローズ」が混在している。日付が2026/8/28と2026年8月28日と20260828で書かれている。金額に円が付いたり付かなかったり。

ここも全項目を直す必要はなく、絞り込みや集計に使う項目だけで足ります。自由記述の本文を統一しようとすると終わりません。

4．形式

PDF、Excel、Word、紙、画像。どの形式で残っているかで、扱いやすさが変わります。

注意したいのが、PDFなら読めるとは限らないことです。文字情報を持つPDFと、紙をスキャンした画像のPDFは別物です。後者は文字認識の工程が要り、手書きや押印が重なると精度が落ちます。

Excelも油断できません。セル結合、複数シート、途中に挿入された小計行。人が読む前提で作られた表は、機械が読むと崩れます。

サンプルを10件ほど実際に読ませてみるのが早いです。仕様の議論より、試したほうが分かります。データ品質を持続的に保つには、データの意味をそろえ、管理の方法を決めることが重要だと、IPAのデータ環境整備に関する資料でも整理されています。

5．権限

見落とされやすいのがここです。文書そのものは整っていても、誰が見てよい情報かが記録されていないことがあります。

社内文書を検索させるAIを入れたとき、元のファイルにアクセスできない人が、AI経由で内容を読めてしまう。この事故は実際に起こり得ます。

整備の段階で、対象データに閲覧制限があるかを確認してください。あるなら、その情報も一緒に持たせる必要があります。権限区分が曖昧なデータは、AIへ渡す範囲に入れないのが基本です。個人情報を生成AIサービスへ入力する場合は、利用目的の範囲内か、提供者が入力データを機械学習に利用しないかなどの確認が必要だと、個人情報保護委員会も注意喚起しています。設計の考え方は生成AI・AIエージェントの権限設計、リスクの全体像は生成AI・ChatGPTの情報漏洩リスクと対策で扱っています。

どこまでやれば着手できるか

いちばん聞かれる質問です。目安はこう考えています。

検索の起点になる項目が揃っていること。取引先名で探すなら取引先名の表記が揃っている。それ以外は多少乱れていても始められます。

対象期間のデータが大半そろっていること。全件は要りません。抜けがある前提で、抜けたときにどう扱うかを決めておけば動きます。

権限の区分が分かること。誰でも見てよいのか、制限があるのか。ここだけは曖昧なまま進めないでください。

利用目的、責任者、利用時のリスクを整理し、継続的に見直す考え方は、AI事業者ガイドライン第1.2版でも示されています。

逆に言えば、この3つ以外は最初から完璧にしなくてよいと考えています。整備しながら使う、使いながら整備する。この順のほうが、何を整えるべきかが実際の使用から見えてくるぶん、結果的に速い。

整備しながら使う進め方

最初から全期間を整えようとせず、範囲を区切ります。

直近1年分だけを対象に、検索の起点になる項目だけ揃える。それで試してみて、精度が足りなければ、足りない原因を見てから次を整える。データが古くて役に立たないと分かれば、それ以前を整える必要はなくなります。

整備の途中で「これは要らなかった」と分かることは、珍しくありません。先に全部やっていたら、その分は無駄になっていました。

検証の設計は生成AIのPoCの進め方、精度が出ないときの切り分けはRAGの回答精度が上がらない原因は？を参照してください。

誰がやるのか

これが最大の論点かもしれません。データ整備は、外注しにくい作業です。

そのデータの意味が分かるのは、社内の人だけだからです。この取引先とあの取引先が同じ会社だと判断できるのも、この備考欄の記載が何を指すか読めるのも、現場の人しかいません。

一方で、名寄せの手順設計、変換の自動化、形式の統一処理は外部でもできます。意味の判断は社内、作業の仕組み化は外部という分け方が現実的です。内製と外注の線引きの考え方は見積作成AIは内製できるかで詳しく扱いました。

もう1つ、決めておくことがあります。整備した状態を維持する担当です。データは日々増えます。整備が一度きりの企画で終わると、日々追加されるデータによって、また探しにくい状態へ戻ります。

よくある失敗

全社のデータクレンジングとして始めてしまう。対象業務を決めずに着手すると、範囲が定まらず終わりません。

きれいにしてから使おうとする。完璧を目指すほど着手が遠のきます。使いながら直すほうが、直すべき箇所も見つかります。

自由記述まで揃えようとする。備考欄や本文の表現を統一する作業は、労力に見合いません。

紙のデータ化を先にやる。量が多く、効果が読めません。まず電子データで試し、紙が本当に必要だと分かってから着手してください。

担当を決めずに終わる。整備の完了報告で終わると、維持されません。誰が更新するかまで決めて完了です。

整備が終わらないまま検討が長引いている場合は、続けるかどうか自体を見直す必要もあります。判断の基準はAI導入をやめる判断で整理しました。

ベンダーの提案を受けるとき

外部に依頼する場合、見積書で確認すべき点があります。

データ整備の工数が含まれているか。ここが抜けている提案は、安く見えても後から膨らみます。着手後に追加費用として現れるか、社内が抱え込んで納期が延びるかのどちらかです。

どこまでを整備の範囲とするか。名寄せは含むのか、形式変換は含むのか、紙のデータ化は含むのか。曖昧なまま契約すると、認識の違いが後で出ます。

整備した結果は誰のものか。構造化したデータは、次の施策でも使える資産です。手元に残る形になっているか確認してください。

発注前に決める項目の全体像はAI開発の要件定義とRFP、提案書の用語の読み方はAIベンダーの提案書で確認したい5つのAI用語にまとめています。

よくある質問

Q. データ整備にどれくらいの期間がかかりますか

対象範囲、データの形式、紙資料の有無、人が確認すべき判断の量で変わります。最初に対象業務とデータ期間を決め、少量のサンプルで整備方法を試すと、必要な期間を見積もりやすくなります。

Q. AIに整備そのものをやらせられませんか

一部はできます。表記ゆれの検出、名寄せ候補の抽出、形式変換の下書きは支援できる範囲です。ただし、この2つが同じ会社かという最終判断は人が行う必要があります。候補を出させて人が確認する形が現実的です。

Q. 紙の資料しかありません

まず、その業務でAIを使う必要があるかを再検討してください。データ化の工数に見合う効果があるなら進めますが、電子データがある別業務から始めたほうが早いことが多いです。

Q. 整備してもAIがうまく動きませんでした

原因がデータ側とは限りません。検索の方式、文書の分割の仕方、指示の書き方など、切り分けるべき箇所が複数あります。RAGの回答精度が上がらない原因は？で、どこを疑うかの順序を整理しています。

Q. 社内AIを作る場合、どこまで整備が必要ですか

参照させる文書の範囲を決め、その範囲の権限区分がはっきりしていれば始められます。構築の全体像は社内AI（社内GPT・RAG）の作り方完全ガイドで扱っています。

Q. 整備の効果はどう説明しますか

整備だけでは売上や工数削減として見えにくく、稟議では説明しにくい工程です。対象業務で何を改善したいかとセットで示すか、PoCの前提工程として位置づけると、必要性を説明しやすくなります。

データ整備から一緒に進めるAIworkerの支援

データ整備は、外注しにくく、社内だけでも進めにくい工程です。AIworkerは、ツールを納めて終わりにせず、この地味な部分から現場に入って一緒に進めます。狭く始め、効果を確認してから横へ広げることを重視しています。

AIネイティブX研修｜自社のデータで何ができるかを見極める

自社の実際のデータを題材に、どこまで整えれば使えるのかを演習で確かめます。汎用ツールで試せる範囲が分かるため、開発すべきかどうかを社内で判断できるようになります。

AIネイティブX伴走｜整備の範囲決めと維持の仕組みづくり

対象業務の選定から、整備すべき項目の絞り込み、作業の進め方、維持の担当決めまで並走します。意味の判断は現場と一緒に行い、作業の仕組み化はこちらで用意するため、社内の負担を抑えながら進められます。

業務AIプロ｜整備したデータを業務システムへつなぐ

構造化したデータを、既存システムや権限管理と接続した形で活用できるよう開発します。権限、ログ、例外処理、更新の運用まで設計するため、整備した状態が保たれます。

自社のデータでどこまでできるか判断がつかない段階でも、対象業務とデータの持ち方を伺いながら、最初に整えるべき範囲を一緒に切り出せます。

▶️ サービス資料のダウンロード（資料請求）

▶️ 無料カウンセリング・AI活用診断のご予約

著者情報