開發並提供AI數據平台及AX解決方案的XAION DATA公司(總部:東京都澀谷區,代表董事:佐藤 泰秀,以下稱本公司)針對全國員工數1,000名以上企業中,參與AI・DX推動的200名相關人員,實施了「AX(AI轉型)推動現況調查」。 隨著生成AI等AI投資加速,企業關注的焦點正從「是否導入AI」轉移至「如何將投資的AI應用於提升業務成果與決策」。 關鍵在於建立一個AI能理解所需數據並用於判斷的環境,即「AI Ready」環境。無論導入多麼先進的AI,若內部數據分散、格式與品質不一,且無法與外部數據連接,AI的判斷依據將受限,難以產生實質成果。 本新聞稿將透過調查結果,探討AI投資日益增加的企業中,為何傳統數據基礎設施不足,以及為何「AI Ready數據平台」成為下一項重要投資主題。 ▍調查概要 本次調查將依序探討企業級市場中AI投資的進展狀況,以及阻礙其成果產生的數據環境與「AI Ready」化的課題。 79.0%的企業級市場企業已將AI導入業務,AI投資邁向部門與全公司層級 74.5%已導入DWH、數據湖等,但「以AI為前提」的設計面臨挑戰 逾七成企業面臨「AI Ready」的瓶頸。數據分散、品質、外部數據整合為主要課題 外部數據應用逐漸普及,但與內部數據的連接面臨挑戰 透過外部數據整合,76.0%受訪者表示「AI判斷精確度提升」 ▍調查結果 79.0%的企業級市場企業已將AI導入業務,AI投資邁向部門與全公司層級 關於公司內部AI的業務導入階段,最多人選擇「已將AI整合至全公司業務流程的階段」,佔39.0%。其次為「已將AI整合至部分部門業務的階段」,佔30.5%;「部分員工個人使用生成AI等的階段」,佔17.5%;「AI能自主進行決策與業務執行的階段」,佔9.5%。 合計「部門單位將AI導入部分業務的階段」、「全公司橫跨將AI導入業務流程的階段」與「AI能自主進行決策與業務執行的階段」,佔比達79.0%,顯示AI投資已超越個人使用與評估階段,正朝向部門與全公司層級的業務導入邁進。 74.5%已導入DWH、數據湖等,但「以AI為前提」的設計面臨挑戰 關於公司內部數據整合基礎設施(DWH、數據湖、數據網格等)的導入狀況,74.5%的受訪者表示已在某種程度上導入並運行。其中,「已導入並運行於全公司規模」佔28.0%,「已導入並運行於部分部門、部分領域」佔46.5%。 然而,這些數據基礎設施多數是為了推動DX、BI報表或部門業務效率化而建置。因此,導入DWH或數據湖,並不等同於數據已整備至AI能用於業務與決策的狀態。 AI的成果不僅取決於模型或演算法的性能,更在於企業能否將擁有的數據整備成AI易於理解與利用的形式,並能在需要時加以運用。換言之,要讓AI投資產生實質成果,「AI Ready」化,即重新設計現有數據基礎設施以符合AI需求,變得至關重要。 傳統數據基礎設施在AI投資方面,尤其容易產生四大阻礙性課題: 數據孤島化:若數據依業務流程或部門獨立管理,將難以進行跨部門分析與協作,導致AI缺乏進行全面判斷的材料。 整合與轉換成本增加:若數據格式、粒度或單位不一致,需進行大量預處理與調整,才能使其達到AI可利用的狀態。 即時性不足:傳統基礎設施的數據更新常僅限於定期批次處理,導致AI與自動化工具難以即時利用最新資訊。 外部數據利用受限:若設計未充分考慮整合Open Data或外部API,將難以將市場、產業動向等僅靠內部數據無法掌握的資訊納入AI的判斷材料。 總之,傳統數據基礎設施雖在推動DX與業務效率化方面扮演一定角色,但在將數據整備至AI能用於判斷與分析的狀態上,仍存在課題。為使AI投資產生實質成果,必須以AI為前提重新審視現有數據基礎設施,並進化至能橫跨內外部數據使用的「AI Ready」狀態。 接著,我們將探討企業實際面臨的數據整備課題。 七成企業面臨「AI Ready」的瓶頸。數據分散、品質、外部數據整合為主要課題 關於推動AI投資的數據整備狀況,76.5%的受訪者表示「內部數據因部門、系統而分散,未能整合」。 此外,72.5%的受訪者表示「數據格式、品質、更新頻率不一致,AI難以利用」;65.0%表示「數據鮮度不足,未能反映最新的市場、產業動向」;73.5%表示「未能與外部數據(開放數據、市場數據等)整合」。 這些結果顯示,儘管AI投資與數據基礎設施整備已達到一定程度,但仍有許多企業未能將數據整備至AI能在實際業務中用於判斷與分析的狀態。部門間分散的數據、格式或粒度不同的數據、更新頻率不足的數據,都會限制AI的判斷依據,阻礙業務成果的產生。 特別是,若未能將外部數據與內部數據整合,將難以將市場動向、產業變化、外部環境變化納入AI的判斷材料。為使AI投資持續產生成果,不僅要整備內部數據,也要將外部數據納入AI可利用的狀