AI活用では社内の“奥”にあるデータつなぐ必要がある【第9回】

アプローチ2：間にデータ連携を挟む

　もう1つの方法は、AIシステムと基幹システムの間にデータ連携の仕組みを挟むことです。AIシステムがデータに直接触れるのではなく、定義された処理を呼び出す形でデータを取得します（図3）。

図3：AIシステムは基幹システムのデータには直接触れず、定義された処理を呼び出してアクセスする接続方法

　この仕組みのメリットには以下があります。

●アクセスできるデータを制御できる
●業務ロジックを保ったままデータを扱える
●呼び出しの単位で責任を分離できる

　最近では、AIシステムが外部の機能を呼び出す、いわゆるツール呼び出しの仕組みも広がるなど、より現実的な手法になってきています。ここで重要なのは「どのように呼び出すか」よりも「何を呼び出せる状態にしておくか」です。多くの場合、その処理は業務に合わせて事前に用意します。例えば以下などです。

●特定条件でデータを取得する処理
●業務ロジックを含めた計算処理
●安全にアクセスできる形に整形する処理

　これらは、データ連携やETL（Extract：抽出、Transform：変換、Load：格納）の中で作り込まれてきた処理と本質的に同じです。AIシステムは、これらの処理を直接実装するのではなく、呼び出す形で利用するのです。

アプローチ3：意味検索と直接検索を使い分ける

　AI技術の活用では、データ間の意味の近さで探す手法である「ベクトル検索」がよく使われます。いわゆるRAG（Retrieval-Augmented Generation：検索拡張生成）の一部です。ただし、業務データの活用では別の側面も見えてきています。

　例えば、正確な数値、最新の状態、特定条件に基づく抽出といった場面では、構造化されたデータを直接検索するほうが適しているケースも多くあります。つまり（1）意味で探す＝ベクトル検索と（2）条件で取得する＝構造化データとを使い分ける必要があります。

　実務では、文書やナレッジの探索には意味検索を、数値や状態の取得には構造化データに直接アクセスするという役割分担が基本になります。

システムの距離は「なくす」のではなく「安全につなぐ」

　ここまで見てきた通り、アプローチはいくつかありますが、どれが正しいかは一概には言えません。判断の軸になるのは次のような観点です。

●リアルタイム性がどこまで必要か
●正確性や監査性がどの程度求められるか
●データの機密性
●運用コスト

　例えば、日次レポートや分析用途であればデータを持ち出すアプローチが適していますし、業務オペレーションの中で使う場合は、データ連携を挟む構成が適しています。重要なのは、技術選定ではなく、業務要件と責任の設計です。

　実務では、データの取り方は人間が設計し、その範囲の中でAIシステムが柔軟に使い分けるという分担になります。「どのデータにアクセスできるか」「どの条件まで許可するか」といった制御は固定し、検索条件や対象の選択など“揺らぎ”のある部分をAIシステムに任せる形です。このように分ければ柔軟性と統制を両立できます。

　AI活用において、よくある誤解は「AIをどこにつなぐか」を問題だと捉えてしまうことです。実際にはそうではありません。重要なのは「どのデータに、どのようにアクセスさせ、どこまでの操作を許可するのか」の設計です。

　AIシステムと基幹システムの距離は、なくすものではなく、意図して設計するものです。その中心にあるのがデータ連携です。AI技術を実業務に活用するためには、モデルやツールの前に、まずこの構造を整理しなければなりません。「社内の“奥”にあるデータをどう使うか」という問いに向き合うことが、AI技術活用を進めるための出発点です。