一言で言うと
DatabricksとInfosysの専門家は、企業における人工知能（AI: Artificial Intelligence）の導入で最大の障害はデータの状態にあると指摘しています。現状の企業データは部門ごとに分かれ、形式もばらばらで、AIがそのまま使える形になっていません。AIの真価を引き出すには、まずこの土台を統合し、管理しやすい基盤へ作り直す必要があります。
何が起きているのか
DatabricksのシニアバイスプレジデントであるBavesh Patel氏と、InfosysのユニットテクノロジーオフィサーであるRajan Padmanabhan氏は、エンタープライズAI（企業向けAI）が高精度な出力を生み出すためには、より良いデータコンテキスト、統合されたアーキテクチャ、そして厳格な測定フレームワークが不可欠だと述べています。多くの企業にとって、AIを有意義に導入する上での最大の障害は、データの状態が整っていないことです。
Bavesh Patel氏は、AIの品質と有効性は、組織内の情報に大きく依存すると強調しています。しかし現実には、多くの企業で情報が古い基幹システム、部門ごとに閉じた業務アプリ、ExcelやPDF、個別のデータベースのような別々の形式に散らばっています。営業、会計、顧客サポート、人事がそれぞれ別の場所にデータを持ち、定義や更新タイミングもそろっていないため、AIが会社全体を見渡した一貫した回答を返しにくくなっています。
理想の形は逆です。社内データがオープンな形式で1つの基盤に集約され、どのデータが最新で、誰が見られて、どの用途に使ってよいかが明確に管理されている状態です。そのうえで、部門をまたいで検索でき、AIが必要な情報だけを正しく参照できるようにしておく必要があります。さらに、AIの回答がどのデータを根拠にしたかを追えること、出力の質を継続的に測れることまで含めて、初めて企業AIが安定して価値を出せる土台になります。
AI業界の文脈では
AI技術の進化が急速に進む中で、その導入効果はAIモデル自体の性能だけでなく、学習や推論に使うデータの質と管理体制に大きく左右されるという認識が広まっています。特に、大規模言語モデル（LLM: Large Language Model）のような汎用AIを企業で活用する際には、社内データをいかに効率的かつ正確にAIに供給するかが重要です。
これは、Retrieval-Augmented Generation（RAG: 検索拡張生成）のような技術が注目される背景でもあります。RAGは、AIが社内文書やデータベースから関連情報を検索し、それを基に回答を生成する仕組みですが、この機能も元となるデータが整理されていなければ十分に機能しません。データが断片化している状態では、AIが古い文書や不完全な情報を拾いやすくなり、誤った出力を生む「ハルシネーション（幻覚）」のリスクが高まります。
そのため理想のデータ基盤として重視されるのが、データレイクハウスのような仕組みです。これは、表形式データも文書データも同じ土台で扱い、権限管理、更新履歴、品質管理を一体で回せる形を目指すものです。AI時代のデータ戦略では、`データをためる場所` と `AIが安全に使える状態を保つ仕組み` を分けずに考えることが重要になります。
私の見立て
企業がAIの競争優位性を確立するためには、自社データとその管理体制こそが最も重要な差別化要因となります。AIモデルの性能がコモディティ化していく中で、独自のデータからどれだけ質の高いインサイトを引き出せるかが、企業の成否を分けるでしょう。
多くの企業では、過去のシステム構築の経緯からデータが部門ごとに分断され、形式もばらばらなままです。この「データのサイロ化」が、AI導入の大きな足かせとなっています。したがって、AI導入を検討する企業は、まずデータ基盤の再構築とデータガバナンス（データ管理の仕組み）の確立を最優先課題とすべきです。
→ 何が変わるか: AI導入の成功は、最先端のAIモデルを入れることよりも、そのAIに供給するデータの質と管理体制に大きく依存するようになります。データ戦略が、AI戦略の中心に位置づけられるでしょう。
→ 何をすべきか: 企業は、既存のデータがどこに、どのような形式で存在しているかを棚卸しし、まず `どのデータが正本か` を決めるところから始めるべきです。そのうえで、文書・表計算・業務データベースをオープンな形式で統合できるデータ基盤（例: データレイクハウス）に着手し、権限管理、更新履歴、品質管理を一体で回せるようにする必要があります。同時に、部門横断でAIが安全に参照できるよう、データガバナンス体制を確立することが求められます。