生成AI導入前のデータ整理はどこまで必要？中小企業向け「最小データセット」の作り方
公開日：2026年8月6日
最終更新日：2026年8月6日
※生成AIの機能、料金、対応ファイル、データ利用条件はサービスやプランによって異なり、変更されることがあります。本記事の「最小データセット」は公的な規格ではなく、AIよろず室が中小企業の初期検証向けに提案する整理方法です。個人情報、機密情報、契約、権利関係は、自社の規程、契約条件、責任者、必要な専門家へご確認ください。
結論：全社データの整理完了を待つ必要はありません
生成AIを導入したいと考えたとき、「社内データが整理されていないから、まだ無理だ」と止まる会社があります。
しかし、最初から全社のファイル、顧客情報、メール、表計算、業務システムをすべて整える必要はありません。
先に決めるのは、最初に試す1業務と、その業務の合否を判断するために必要な最小範囲です。
AIよろず室では、最初の検証に使うデータを次の4つの箱へ分ける方法を提案します。
実際の入力：普段その業務で受け取る資料や記録
判断ルール：規程、基準、用語、例外、禁止事項
良い完成例：人が確認した望ましい成果物
評価用ケース：標準例、材料不足、例外、失敗しやすい例
この4つがあれば、「AIに何を渡すか」「何を正解とするか」「どこで人へ戻すか」を試せます。
反対に、最初の業務と関係のないデータは、整理対象から外します。全社データ整備を終えてからAI導入を始めるのではなく、1業務の検証を通じて、必要なデータ整備だけを明らかにするのが現実的です。
この記事で分かること
生成AI導入前にデータ整理が必要な場合・不要な場合
最初の検証に使う「4つの箱」
データを直す・除く・保留する判断基準
コピペできるデータ準備カードと30日間の進め方
どの業務から始めるか未定の場合は、「中小企業の生成AI活用例12選」から、頻度が高く、人が正しさを確認できる業務を一つ選んでください。
そもそも、社内データが不要な生成AI活用もある
「生成AIを使うには、大量の学習データが必要」という理解は、すべての使い方には当てはまりません。
既存の生成AIを使って、次のような仕事を補助するだけなら、自社でAIモデルを学習させる必要はありません。
公開済みの文章を短く要約する
一般的なメール構成を考える
会議で確認すべき質問を洗い出す
自社で作った文章の誤字や分かりにくい箇所を指摘する
公開情報を分類するための案を出す
この場合も、入力してよい情報と人の確認は必要ですが、全社データベースを作る必要はありません。
一方、次の用途では、自社データの準備が必要になります。
自社の規程や製品情報に基づいて回答する
過去の実績から案件を分類する
表計算や業務システムの数値を集計する
自社の良い成果物に近い文書を作る
複数システムをつないで処理を自動化する
回答品質を代表例で継続評価する
「生成AIを導入するからデータを全部集める」のではなく、選んだ用途が何を根拠に動くかを確認します。
用途によって、準備するデータは変わる
要約・下書き
必要なのは、要約対象の原文、読み手、目的、完成条件、入力禁止情報です。
大量の過去資料より、今回の回答に必要な正しい材料を渡すことが重要です。
分類・抽出
問い合わせ分類、項目抽出、タグ付けなどでは、入力例、分類基準、正しい分類例、判断できない例を用意します。
分類名だけでなく、各分類の境界と「その他」「人へ確認」の条件が必要です。
社内文書検索・RAG
正式な根拠文書、版、更新日、閲覧権限、実際の質問、正しい回答を準備します。
RAGへ登録する文書を選ぶ具体的な手順は、「RAGとは？社内文書検索AIを中小企業が導入する前に確認したい7項目」から確認できます。
集計・レポート
項目名、単位、期間、欠損、重複、集計ルール、締め時点を確認します。
同じ「売上」でも、受注日、請求日、入金日で数字が変わります。AIに計算させる前に、人が定義を決めます。
業務自動化
入力と出力だけでなく、正常な流れ、例外、承認、再実行、重複防止、処理記録が必要です。
「AIが判断したら自動送信する」のように、誤りを回収しにくい処理ほど、テストと停止条件を厚くします。
AIよろず室の「最小データセット・4つの箱」
箱1：実際の入力
普段の業務で使う入力を、機密情報や個人情報の扱いに注意して集めます。
標準的な入力
情報が多い入力
情報が不足した入力
誤記や曖昧さを含む入力
添付や形式が異なる入力
きれいな見本だけでは、実務のばらつきを確認できません。
箱2：判断ルール
AIが従う基準と、人へ戻す境界を集めます。
現行の規程・手順
用語の定義
必須項目
分類・計算・作成の基準
例外
禁止事項
承認者と相談先
担当者の頭の中にしかない判断は、聞き取って文書にし、業務責任者が確認します。
箱3：良い完成例
人が「この状態なら使える」と確認した成果物を用意します。
完成例から、文章そのものをコピーするのではなく、次を抽出します。
必須項目
項目の順序
詳しさ
判断に必要な根拠
含めない情報
人が確認した箇所
過去の成果物には、古い条件、顧客情報、個人情報、第三者の著作物が含まれる場合があります。現在も使ってよいかを確認します。
箱4：評価用ケース
AIがうまくいった例だけでなく、失敗しやすい例を含めます。
標準例
材料不足
ルール同士が矛盾する例
例外処理が必要な例
AIが処理せず人へ戻すべき例
誤りの影響が大きい例
評価用ケースは、開発会社だけが使う技術資料ではありません。生成AIのプランや使い方を変えたときに、以前より良くなったかを同じ条件で確かめる社内資産になります。
AWSの公式ガイダンスでも、生成AIの検証初期に、実務を代表する質問と正しい回答・期待事実を人が確認して用意し、標準例だけでなく複雑・曖昧な例を含める考え方が示されています［3］。
データ準備で確認する6つの条件
1. 関連性
最初の業務と、その判断に必要なデータかを確認します。
「いつか使うかもしれない」データまで集めると、整理範囲と権限確認が広がります。使わないデータは最初の対象から外します。
2. 正確性
元データに誤りがないか、正しいと判断できる責任者や根拠があるかを確認します。
AIへ渡す前にすべての誤字を直す必要はありませんが、結論、金額、日付、分類、権利、承認へ影響する誤りは放置できません。
3. 鮮度
どの時点の情報か、現在も有効か、いつ更新されるかを確認します。
古いデータがすべて不要とは限りません。過去比較に使うのか、現在の判断には使わないのかを区別します。
4. 一貫性
名称、単位、日付形式、分類、IDがデータ源ごとに違っていないかを確認します。
例：「株式会社A」「（株）A」「A社」が同じ会社を示すなら、集計前に共通IDを決めるか、変換ルールを作ります。
5. 権限・利用可否
誰が見られる情報か、生成AIへ入力できるか、検証環境へコピーしてよいかを確認します。
AWSの生成AI PoCガイダンスは、プライバシーとセキュリティを優先し、実データを使う場合には組織の承認や保護を確認する考え方を示しています［1］。実務では、自社規程、秘密保持契約、個人情報、利用サービスの条件へ落とし込みます。
6. 検証可能性
AIの出力が正しいか、人が何と照合するかを確認します。
正解が一つでない文章作成でも、必須事実、禁止表現、構成、承認者を決められます。正しさを確認できない業務は、最初の検証対象にしない方が安全です。
社内データが散らばり、どこから整理すればよいか決められない場合は、AIよろず室の30分の無料相談で、最初に試す1業務と、集めるデータ・集めないデータの境界を整理します。相談後に契約する必要はありません。
どこまで直すか｜「直す・除く・保留」で決める
データに問題が見つかったとき、すべてを修正対象にしません。
直す
次のように、検証結果や業務判断へ直接影響する問題です。
数値の単位が混在している
必須項目が空欄で処理できない
同じ案件が重複して集計される
正式名称とIDの対応が不明
現行ルールと旧ルールが混ざっている
人が正解を確認できない
除く
今回の用途に不要、または安全に使えないデータです。
対象業務と関係がない
利用権限を確認できない
個人情報や機密情報を除去できない
正しさや出所を確認できない
古い草案で、正式な判断根拠にできない
削除が必要とは限りません。検証対象から外し、元の管理ルールに従って保管します。
保留
価値はありそうでも、初回検証に必須ではないデータです。
別部門の資料
低頻度の例外
読み取りに追加費用がかかる画像・音声
連携が必要な外部システム
所有者の確認に時間がかかる過去データ
最初の結果を見て、追加すると改善が見込める場合に範囲を広げます。
Microsoft Azureの公式資料でも、生成AIへ根拠を与えるデータ設計は、実際の質問と用途を見ながら反復し、関連性を高めるために低品質・不要なデータを選択的に除く考え方が示されています［2］。最初から最大量を集めることが目的ではありません。
最小データセットを作る7ステップ
ステップ1：対象業務と利用者を一つ決める
「営業部のAI活用」では広すぎます。「商談記録から週次営業報告の下書きを作る」のように、入力と完成物が見える単位にします。
ステップ2：現在の入力から完成までを書く
誰が、何を受け取り、どの資料を確認し、何を作り、誰が承認するかを書きます。
AIを入れる場所だけでなく、前後の準備、確認、保存まで含めます。
ステップ3：4つの箱へ候補を集める
実際の入力、判断ルール、良い完成例、評価用ケースへ分けます。
この段階では大量にコピーせず、保存場所、所有者、対象期間、情報区分を一覧にします。
ステップ4：6条件で確認する
関連性、正確性、鮮度、一貫性、権限、検証可能性を確認します。不明な項目はAIに判断させず、所有者へ確認します。
ステップ5：直す・除く・保留を決める
初回検証を止める問題だけを優先して直します。全社統一のデータ基盤づくりへ無断で範囲を広げません。
ステップ6：安全な環境で代表例を試す
会社が許可したサービス、プラン、アカウントを使います。実データを使えない場合は、匿名化した例や、構造を保った説明用データから始めます。
入力可否と社内の責任分担は「生成AIの社内ルールはどう作る？中小企業向け12項目とひな形」も参照してください。
ステップ7：結果から次に直すデータを決める
失敗をすべて「AIの精度が低い」で終わらせず、原因を分けます。
必要な入力がなかった
判断ルールが曖昧だった
完成例が古かった
例外をテストしていなかった
プロンプトや設定の問題だった
人の確認基準がなかった
原因がデータにある場合だけ、次の整備対象を増やします。
コピペして使える「生成AIデータ準備カード」
【生成AIデータ準備カード】
対象部門：
対象業務：
回答・成果物を使う人：
改善したいこと：
現在の入力：
現在の判断ルール：
現在の完成物：
確認者・承認者：
【箱1：実際の入力】
データ名・保存場所：
所有者：
対象期間：
標準例：
不足・曖昧・例外を含む例：
【箱2：判断ルール】
正式な規程・基準：
用語・分類・計算の定義：
禁止事項：
人へ戻す条件：
【箱3：良い完成例】
人が確認した完成例：
必須項目：
含めてはいけない内容：
【箱4：評価用ケース】
標準ケース：
材料不足ケース：
例外ケース：
処理を止めるケース：
期待する結果・必須事実：
関連性：問題なし／要確認
正確性：問題なし／要確認
鮮度：問題なし／要確認
一貫性：問題なし／要確認
権限・利用可否：問題なし／要確認
検証可能性：問題なし／要確認
直すデータ：
初回検証から除くデータ：
次回以降に保留するデータ：
試行期間：
測定する数字：
データ準備の責任者：
最終確認日・次回見直し日：
記入例：週次営業報告の下書き
以下は説明用の架空例であり、実在企業のデータやAIよろず室の支援実績ではありません。
対象業務：商談記録から週次営業報告の下書きを作る
利用者：営業責任者
改善したいこと：案件の変化、停滞、翌週の支援対象を短時間で確認する
箱1・実際の入力：対象週のCRM出力と、担当者が確認した商談記録。通常案件、記録不足、日付誤りを含む例を用意する
箱2・判断ルール：案件段階の定義、活動日の扱い、重要案件の条件、未確認を表示する条件
箱3・良い完成例：案件別に、前週からの変化、顧客の確認済み発言、次の行動、担当者、期限を記載した報告
箱4・評価用ケース：標準案件、活動記録なし、期限なし、別週データ混入、未承認の受注確率を含むケース
直す：顧客IDの表記揺れ、日付形式、重複行、金額単位
除く：担当者の私的メモ、利用許可がないメール、別部門の案件
保留：過去3年分の全案件、通話音声、外部ニュースとの自動連携
測定：材料準備から承認までの総時間、重大修正、記載漏れ、利用できなかった件数
この例では、過去の営業データをすべてきれいにしていません。対象週の報告を正しく作れる範囲から始め、過去比較が必要になった段階で対象期間を広げます。
ファイル種類別の確認項目
文書・PDF
正式版、旧版、草案を区別できるか
本文を文字として読み取れるか
見出し、ページ、表、注記の関係が分かるか
所有者、版、施行日、権限があるか
社内文書検索を目的にする場合は、RAG向けの正本・鮮度・権限・質問性を別途確認します。
表計算・CSV
1行と1列が何を表すか
項目名、型、単位、コードが統一されているか
空欄、ゼロ、未該当を区別できるか
重複と訂正履歴を見分けられるか
数式の結果だけでなく、集計定義を確認できるか
メール・チャット
個人情報、顧客情報、秘密情報を含まないか
雑談、署名、引用、重複返信をどう扱うか
発言を会社の正式見解として扱ってよいか
利用目的と権限を確認できるか
画像・スキャンPDF
文字を正しく読み取れる解像度か
手書き、印影、図、表の意味を失わないか
OCR結果を人が確認できるか
画像・資料の権利と利用可否を確認したか
音声・動画
録音・利用の許可があるか
誰が話したかを区別する必要があるか
固有名詞や数字の文字起こしを確認できるか
元データ、文字起こし、要約の保管期限を決めたか
30日間でデータ準備と検証を回す
1週目：1業務と4つの箱を決める
対象業務、利用者、完成物を決め、候補データの保存場所と所有者を一覧にします。まだ全データを移動しません。
2週目：初回検証を止める問題だけ直す
正しさ、単位、重複、権限、旧版など、合否へ影響する問題を修正します。保留データは別に記録します。
3週目：標準・不足・例外で試す
良い入力だけでなく、情報不足や処理停止のケースを含めます。AIが無理に回答せず、人へ戻せるかも確認します。
4週目：データ追加の必要性を判断する
次を記録します。
準備から人の確認までの総時間
重大な誤りと軽微な修正
利用できなかったケースと理由
不足していたデータ
整理したが使わなかったデータ
次に追加すると改善が見込めるデータ
生成AI導入初期の測定は、「AI導入の最初のKPIを『売上増』にしてはいけない理由」で詳しく解説しています。
よくある質問
Q. データが汚い会社は、生成AIを導入できませんか？
すべての用途で不可能になるわけではありません。公開情報の要約や文章の確認など、自社データをほとんど使わない業務から始める方法があります。自社データを使う場合も、最初の1業務に必要な範囲を切り出して検証できます。
Q. 過去データは何年分必要ですか？
用途によります。今回の文書を要約するだけなら過去データは不要です。季節性や長期傾向を比較するなら複数期間が必要です。先に行いたい判断と比較期間を決め、必要な範囲を逆算してください。
Q. 最低何件のデータを用意すればよいですか？
一律の件数はありません。件数だけでなく、標準、材料不足、例外、処理停止など、実務の重要な違いを含むかが重要です。少数で流れを確認した後、結果が安定するかを見るために代表例を追加します。
Q. AIにデータの誤りを自動で直してもらえますか？
重複候補、形式違い、空欄などの発見や修正案には使えます。ただし、どの値が正しいか、どの文書が正式版か、例外をどう扱うかは、元資料と業務責任者が確認します。修正前のデータと変更履歴を残してください。
Q. 最初からデータベースやデータ基盤を作るべきですか？
複数部署・大量データ・継続連携が必要なら検討価値があります。しかし、1業務の仮説検証で表計算や限定フォルダから始められる場合もあります。必要な更新頻度、権限、量、連携、監査を確認して判断します。
Q. データ整理だけを相談できますか？
相談できます。月額39,800円（税別）の伴走プランは入口の一つで、ほかにも課題やご希望に応じた支援があります。対象業務、データの種類、利用可否、成果物、対応範囲、費用を事前に整理して進めます。
まとめ
生成AI導入前に、全社データの整理完了を待つ必要はない
最初の1業務について、実際の入力・判断ルール・良い完成例・評価用ケースを集める
関連性、正確性、鮮度、一貫性、権限、検証可能性を確認する
問題データは、全部直すのではなく、直す・除く・保留へ分ける
検証結果から、次に追加・整備するデータを決める
AIよろず室の30分の無料相談では、生成AIを試したい業務を伺い、最初に必要なデータと、今は整理しなくてよいデータの境界を一つ整理します。売り込みや、その場での契約のお願いはいたしません。
この記事を書いた人
AIよろず室。
中小企業を対象に、業務診断、AI活用ロードマップ、実装、社内定着までを支援しています。代表は、IT業界20年以上のエキスパートです。
参考資料
［1］Amazon Web Services「Architecting a successful generative AI proof of concept」
［2］Microsoft「Grounding Data Design for AI Workloads on Azure」
［3］Amazon Web Services「Evaluating quality and reliability in generated outputs」
ハッシュタグ
#生成AI #ChatGPT #AI導入 #データ整理 #データ準備 #データ品質 #社内データ #生成AI活用 #ChatGPT活用 #AI活用 #中小企業DX #中小企業 #DX #DX推進 #業務効率化 #業務改善 #データ活用 #データガバナンス #AIデータ #RAG #社内文書 #データクレンジング #PoC #AI検証 #情報セキュリティ #個人情報保護 #AI担当者 #AI導入支援 #生産性向上 #AIよろず室
