AIエージェントを入れる前に、揃えるデータは何か

結論：先に揃えるのは、その用途に対する「AI readyなデータ」

AIエージェントを入れる前に揃えるのは、その用途に対して「AI ready」なデータです。どのエージェントを入れるかは、その後で決められます。Gartnerの2025年調査（マーケティングテクノロジーリーダー413名・2025年6〜8月実施）では、回答者の半数が、AIエージェントの導入に必要な技術とデータの基盤が自社に整っていないと答えています（Gartner、2025年10月29日発表。根拠の節で引用します）。日本の企業を対象にした調査ではなく、回答者の国・地域の構成は発表に記載がありません。

AIエージェントの導入を検討し始めると、ツールの比較から入ることが少なくありません。それは自然な順番です。エージェントは画面で動いて見え、その下にあるデータの準備は目に見えないからです。AIエージェントとは、Anthropicの定義では、LLMが自らの処理とツールの使い方を動的に決めていくシステムのことです（原文［8］）。LLMとは大規模言語モデルのことで、文章を扱うAIの土台です。

AI readyなデータ（AI-ready data）とは、その用途に対して代表的で、そのAIモデルを学習させる、または動かすのに必要なあらゆるパターン・誤り・外れ値・想定外の出現を含んだデータのことです（Gartner「Lack of AI-Ready Data Puts AI Projects at Risk」、2025年2月26日発表。訳は私たちのものです）。同じリリースは、AI readyであることを証明するのは、メタデータが揃っていることを土台に、用途に合わせ（align）・品質を確かめ（qualify）・扱いを決めていく（govern）取り組みだ、と書いています（原文［2］）。メタデータとは、データについての説明書きのことで、「この列は何を意味するか」「いつ更新されたか」がその中身です。

具体：問い合わせ対応のエージェントで、何が欠けると何が起きるか

身近な例は、問い合わせ対応です。「注文した商品はいつ届くか」「返品したい」に答えるエージェントは、注文と配送の状況、問い合わせてきた人の会員情報、返品の規定を読みに行きます（作例です）。

答えの質は、部品が読みに行く先（文書・システムの値・履歴）が用途に対して揃っているかで決まる、というのが私たちの見立てです。検索は文書を読み、ツールは外部のシステムから値を取り、記憶は過去のやりとりを持ちます。

揃っていないと何が起きるかを、作例で表にします。

5行のどれも、データの量が足りないから起きるのではありません。用途に対して、鮮度・結びつき・意味・例外・扱いの決めごとが揃っていないから起きます。見る場所は、配信の出し分けを扱った出し分けができないのは、データが足りないからではないと同じです。違うのは、エージェントは欠けがそのまま答えの誤りとして外に出る点です（私たちの見方です）。

打ち手1　用途を1つ書いて、読みに行くデータを列挙する

Gartnerの解説記事は、AIの用途ごとに必要なデータを記述するものとし、それは最初から完全に定まっているとは限らず、使われる中で見えてくる、と書いています（根拠の節で引用します）。だから最初の用途は1つに絞ります。「配送状況の問い合わせに答える」なら、注文・配送・会員の3つ。「返品の可否に答える」なら、返品規定と購入時の条件（セール品かどうか）が加わります。列挙して初めて、何が欠けているかが見えます。

打ち手2　自分の画面で、1人分を「今日の値」でめくる

手順は5つです。①顧客管理やMA（マーケティングオートメーション）ツールの管理画面で、顧客を1人選ぶ。②打ち手1で列挙した項目が、その人の画面で埋まっているかを見る。③埋まっている項目の更新日時を見て、今日の値か、前日以前の値かを確かめる。④「status」「区分」のように番号で入っている項目は、意味を書いた定義書が社内のどこにあるかを探す。⑤同じことを10人分やる。③で前日以前の値しか無ければ鮮度が、④で定義書が見つからなければメタデータが揃っていません。手元に残るのは「この用途には、この項目が揃っていない。それ以外は揃っている」という一覧です。次にやることが、その一覧で決まります。

打ち手3　誰の情報を、誰に、どこまで見せてよいかを1行で決める

「本人確認が済むまで、注文の中身は出さない」のように、1行で書けるところから決めます。用途を2つめに増やしたときに、この1行も見直します。

先に揃えるのはデータ側です。エージェントを先に選んでいても、データ側はあとから揃え直せます。エージェントの費用がどこで動くかはAIエージェントの費用は、何で決まるのかで扱いました。

根拠：Gartnerの調査と定義は、何と書いているか

要点を先に書いてから引用します。日本語はすべて私たちの訳で、原文は末尾にまとめました。

半数が「技術とデータの基盤が整っていない」と答えている

要点は「回答者の半数が、技術とデータの基盤の準備ができていないと答えている」です。Gartnerの2025年調査（マーケティングテクノロジーリーダー413名・2025年6〜8月実施）の発表は、こう書いています。

回答者の半数が、AIエージェント導入に必要な技術スタックとデータスタックの準備が自社にできていないと報告し、半数はまた技術人材の不足を挙げています

── Gartner「Gartner Survey Finds 45% of Martech Leaders Say Existing Vendor-Offered AI Agents Fail to Meet Their Expectations of Promised Business Performance」（2025年10月29日発表／2026年8月28日取得）。原文は原文［1］に置きました。

技術スタック・データスタックとは、システムやツールと、データの置き場所や流れの組み合わせのことです。

AI readyなデータの定義

要点は「AI readyかどうかは、データ単体ではなく、用途に対して決まる」です。Gartnerは2025年2月26日のプレスリリースで、こう定義しています。

まず、リーダーはAI readyなデータとは何かを定義しなければなりません。データは、その用途に対して代表的でなければならず、特定の用途向けにAIモデルを学習させる、または動かすのに必要な、あらゆるパターン、誤り、外れ値、想定外の出現を含んでいる必要があります

── Gartner「Lack of AI-Ready Data Puts AI Projects at Risk」（2025年2月26日発表／2026年9月8日取得）。原文は原文［3］に置きました。

誤りや外れ値を「取り除く」ではなく、それらも含めて「用途に対して代表的」であることを求めている点が、この定義の特徴です（原文は representative of … errors, outliers）。返品対応なら、セール品や再配達の注文まで含めて初めて、その用途に対して代表的になります（この例は私たちのものです）。同じリリースは、AI readyなデータは「一度やれば終わり」ではない、とも書いています。既存の、そしてこれからのAIの用途に基づいて、データ管理の基盤を絶えず改善していく取り組みだ、という書き方です（原文［4］）。

揃っているかは、用途に合わせる・品質を確かめる・扱いを決める、で示す

要点は「AI readyであることは、用途に合わせ、品質を確かめ、扱いを決めることで証明できる」です。Gartnerの解説記事はこう書いています。

データがAIの要件を満たす準備ができていることは、データを用途に合わせ、品質を確かめ、適切なガバナンスを示すことで証明できます

── Gartner「AI-Ready Data Essentials to Capture AI Value」（ページに発表日の表記なし／2026年9月8日取得）。原文は原文［5］に置きました。

ガバナンスとは、誰がどのデータを、どう扱ってよいかの決めごとのことです。私たちはこれを「扱いを決める」と言い換えています（原文の語はガバナンス、governanceです）。同じ記事は、用途ごとに必要なデータを記述するものとしています。それは最初から完全に定まっているとは限らず、データが使われ、AIの要件が満たされていく中で見えてくる、とも書いています（原文［6］）。打ち手1の順番は、この一文が根拠です。

エージェントの土台は、検索・ツール・記憶などで拡張されたLLM

要点は「エージェントの部品は検索・ツール・記憶などで拡張されたLLMで、それぞれに読みに行く先がある」です。AIモデルを作っているAnthropicの記事は、こう定義しています。

エージェント的なシステムの基本的な構成部品は、検索・ツール・記憶といった拡張によって強化されたLLMです

── Anthropic「Building effective agents」（2024年12月19日公開／2026年9月5日にブラウザで確認）。原文は原文［7］に置きました。

検索（retrieval）とは、文書から関係する箇所を探して読み込むこと。ツール（tools）とは、外部のシステムを呼び出して値を取ったり操作したりすること。記憶（memory）とは、過去のやりとりを保持しておくことです（この言い換えは私たちのものです）。

よくある質問

AIエージェントを入れる前に、データの何を確認すればよいですか？

用途を1つ決めて、その用途でエージェントが読みに行くデータ（文書・システムの値・過去のやりとり）が揃っているかを確認します。Gartnerの解説記事は、AIの用途ごとに必要なデータを記述するものとしています。手順は、管理画面で顧客を1人選び、必要な項目が今日の値で埋まっているか、番号の項目の意味が定義書にあるかを、10人分見ることです。分け方も手順も私たちの整理です。（出典：Gartner「AI-Ready Data Essentials to Capture AI Value」、2026年9月8日取得）

AI readyなデータとは何ですか？

AI readyなデータ（AI-ready data）とは、Gartnerの定義では、その用途に対して代表的で、そのAIモデルを学習させる、または動かすのに必要なあらゆるパターン・誤り・外れ値・想定外の出現を含んだデータのことです。同じデータでも、用途が変わればAI readyかどうかは変わる、というのが私たちの読み方です。（出典：Gartner「Lack of AI-Ready Data Puts AI Projects at Risk」、2025年2月26日発表）

データを全部揃えてから、AIエージェントを始める必要がありますか？

Gartnerの解説記事は、AIの用途ごとに必要なデータを記述するものとしています。それは最初から完全に定まっているとは限らず、データが使われる中で見えてくる、という書き方です。用途を1つ決め、その用途で読みに行くデータから揃える、というのが私たちの進め方です。（出典：Gartner「AI-Ready Data Essentials to Capture AI Value」、2026年9月8日取得）

AIエージェントが期待どおりに動かないのは、ツール側の問題ですか、データ側の問題ですか？

Gartnerの2025年調査（マーケティングテクノロジーリーダー413名・2025年6〜8月実施）では、両方が挙がっています。発表の表題は、既存のベンダー提供AIエージェントが約束された事業成果への期待に届かないと答えた人が45%だった、と伝えています。本文では、回答者の半数が技術スタックとデータスタックの準備不足を、半数が技術人材の不足を挙げたとしています。ツールを見比べる前に、自社側で確かめられるのはデータの側です。これは私たちの整理です。なお、この調査は日本の企業を対象にしたものではなく、回答者の国・地域の構成は発表に記載がありません。（出典：Gartner「Gartner Survey Finds 45% of Martech Leaders Say Existing Vendor-Offered AI Agents Fail to Meet Their Expectations of Promised Business Performance」、2025年10月29日発表）

データの誤りや外れ値は、全部取り除いてからでないとAIに使えませんか？

この2つの資料には、取り除くことが条件だとは書かれていません。Gartnerのプレスリリースは、AI readyなデータは、用途に必要な誤りや外れ値まで含めて代表的でなければならない、と定義しています。またGartnerの解説記事は、誤りや外れ値を含んでいても、データはそのAIの用途に固有の品質基準を満たさなければならない、としています。用途が求める品質基準を先に決め、それに照らして確かめる、というのが私たちの読み方です。（出典：Gartner「Lack of AI-Ready Data Puts AI Projects at Risk」、2025年2月26日発表／Gartner「AI-Ready Data Essentials to Capture AI Value」、2026年9月8日取得）

出典と、書けなかったこと

引用した原文