【松尾研究所】RAG導入はなぜ失敗？ クレディセゾンに学ぶ「AI前提」の超・情報設計(3/3)

勝敗を分ける「3つの方向性」

　生成AIの活用が広まるにつれ、「どのモデルを使うか」という問いから「どのようなデータ環境を整えるか」という問いへと、企業の関心は移りつつある。本稿で論じてきたように、RAGを導入しても、基盤となる文書が整備されていなければ、AIの性能を十分に引き出すことは難しい。

　筆者が考える今後の重要な方向性は、大きく3点に整理できる。

　第1に、「AI前提設計」への発想の転換だ。 クレディセゾンの事例が示すように、文書や情報をAIが解釈しやすい形に整えるという発想は、単なる社内の整理整頓にとどまらない。それは、AIを真の意味でビジネスの基盤に組み込むための、戦略的な情報インフラ整備の一環といえる。こうした取り組みを通じて、組織の知識資産そのものを再定義することが、AI前提の設計の重要な論点となる。

　第2に、データガバナンスとAIガバナンスの統合だ。 前回（第4回）（注8）で論じたように、AIガバナンスの構築が重要になるなか、その前提として、どのデータをAIに参照させるか、そのデータの鮮度・正確性・一次情報としての位置付けを明確にする「データガバナンス」も重要となる。AIガバナンスとデータガバナンスは、車の両輪として整備されるべきである。ハルシネーションのリスクを語る前に、AIが参照する情報そのものの質を担保しているかを問い直すことが、ガバナンス整備の出発点となる。

　第3に、継続的な改善サイクルの構築だ。 AIに渡すデータ環境は、一度整備すれば終わりではない。業務の変化、制度改正、新商品の追加に伴い、常に更新・精査が必要となる。これはいわば「データを生き物として管理する」発想であり、担当チームの設置や、定期的なデータ品質評価のプロセスを組み込む必要がある。AIの精度劣化の多くは、モデルの問題だけではなく、参照データの陳腐化に起因することを忘れてはならない。


　翻って考えると、金融機関が長年にわたって積み上げてきた膨大な文書・データ資産は、AI時代において強みになり得る。ただし、それは「整備されたデータ」であることが条件だ。これまでは「情報量の多さ」自体が資産であったが、今後は「情報の質と構造」こそが競争力を左右する重要な要素となっていく。

　AIモデルはこれからも進化し続けるだろう。現在は限られた企業しか利用ができないClaude Mythos（クロード・ミュトス）級のモデルを誰でも使える時代もやがてくるだろう。

　しかし、どれほど高性能なモデルが登場しても、それを支えるデータ環境が整っていなければ、宝の持ち腐れに終わってしまう。「データ供給網の設計」という地道な取り組みこそ、生成AI活用の真の勝負どころではないだろうか。