Databricksのブログ記事では、Krakenのデータ変革グローバル責任者Kristy Mayer-Mejiaが、AI戦略におけるデータの基盤的役割について語っています。Krakenは世界最大級の公益事業向けAIオペレーティングシステムで、27カ国、9000万以上の顧客アカウントを管理し、EDF、E.ON、ナショナルグリッド、東京ガスなどのクライアントを持つ。Mayer-Mejiaのチームは、クライアントがKrakenから提供されるデータを理解し、採用し、価値を引き出すことを支援しています。彼女の主張は明確です：AIの成功は、より優れたモデルだけでなく、強固なデータ基盤にかかっているのです。
Mayer-Mejiaは、低品質でサイロ化されたデータが、組織が投資から価値を引き出す際の最大の障害であると指摘します。彼女の経験では、データチームは時間の80％をデータクリーニングに費やしており、これは本質的な価値を生み出していません。データ統合は「参加費」のようなもので、すべてのデータを1つの場所にまとめることで、セルフサービス分析、AI、迅速な意思決定が可能になります。また、データへの信頼不足は意思決定の麻痺を引き起こします。たとえば、統合前は「顧客数は何人か」という基本的な質問にすら正確に答えられず、経営陣が数字の正しさをめぐって数週間も議論する事態が発生します。
興味深いことに、AI自体がデータ品質改善の「強制力」として機能しています。Mayer-Mejiaによれば、AIが必要とするデータ入力は人間と同じで、明確なドキュメント、カラムの意味、テーブル間の関連性です。データが使いにくい場合、セルフサービス分析の価値は定量化しにくいですが、AIはその価値を可視化し、クリーンデータとドキュメント化を必須事項にします。同時に、AIは自然言語インターフェースなどのツールを提供し、SQLを書かずにデータを照会できるようにします。
メタデータの重要性は過小評価されています。従来、データドキュメントはPDFやWebページとして存在し、人間には十分ですが、AIには効果がありません。Mayer-Mejiaは、クライアントが現在、メタデータをデータと一緒に共有することを求めていると述べています。これにより、AIがコンテキストを理解できるようになります。DatabricksのUnity CatalogとDelta Sharingは、このコンテキスト共有をサポートし、AIがデータを推論できるかどうかの差を生みます。
実際の例として、ある公益事業クライアントは、月次のコールボリュームレポートから、数時間ごとに更新されるダッシュボードに移行し、予測モデルを重ねました。これにより、運用は月次レビューからほぼリアルタイムの最適化へと変わりました。製品イノベーションの面では、クリーンデータにより、クライアントは料金プランを迅速にテストし最適化できます。
自然言語インターフェース（Databricks Genieなど）は分析のボトルネックを解消しています。Mayer-Mejiaは、これらのツールがデータへのアクセス開始時間を数週間から数分に短縮し、文化的障壁を低くすると述べています。データアクセスが直感的になれば、データ駆動型文化が自然に生まれます。
彼女が経営幹部によく見られる誤りとして挙げるのは、データをITプラットフォームと見なし、IT部門に準備を任せることです。彼女は、データはビジネス資産であり、深いビジネスコンテキスト（データがどのように生成、使用、解釈されるか）が必要だと強調します。技術基盤が整った後、最も難しいのはビジネスコンテキストであり、その作業の大部分はデータチームではなくビジネス部門にあります。したがって、AIのためのデータ準備のロードマップは、ビジネスと技術が共同で策定すべきです。
将来を見据え、Mayer-MejiaはAIがクライアントの可能性の上限を急速に引き上げていると述べます。早期にデータ能力（技術、スキル、文化）に投資した組織は最も速く動いており、その差は今後さらに広がるでしょう。彼女はクライアントに対し、データ統合から始め、ビジネスコンテキストを埋め込み、データリテラシー文化を育成するようアドバイスしています。
この記事は、AIロードマップを構築中の組織に貴重な洞察を提供します。詳細については、Databricksは「AIエージェントの状態」レポートをダウンロードして投資をベンチマークすることを推奨しています。