AIを導入したのに、現場が使ってくれない。理由をたどると、たいてい入り口でつまずいています。最新の図面がどれか分からない、原価計算はベテランの頭の中、品番の書き方は部署ごとにバラバラ。この状態でAIに社内データを載せても、返ってくるのは古い寸法や重複した部品情報です。AIの出力は、元になったデータの質を超えられません。いわゆるGarbage In, Garbage Out（質の悪いデータからは質の悪い結果しか出ない）です。この記事では、AI活用の土台になるデータガバナンスを、製造業の設計・営業が自分ごととして読める粒度で整理します。
この記事でわかること
- データガバナンスとは何か（データマネジメントとの違い）
- なぜ2026年に「待ったなし」なのか（最新調査とGoverned AIの潮流）
- データ品質を測る6つの要素（図面・品番・BOMの具体例つき）
- RAG・GraphRAG時代に固有のガバナンス論点
- 体制を作る4つのステップ（製造業の文脈で）
- 2026年の規制環境（日本のAI推進法・AI事業者ガイドライン、EU AI Act、ISO/IEC 42001）
- よくある誤解と、よくある質問への回答
データガバナンスとは何か
データガバナンスとは、組織のなかでデータをどう集め、どう管理し、どう使ってよいかのルールと責任分担を決めることです。「誰がこの図面の最新版に責任を持つのか」「協力会社の見積もりデータは誰まで見てよいのか」を明文化する営みだと考えてください。
似た言葉にデータマネジメントがあります。こちらはルールに沿って実際にデータを整備・運用する実行の側面です。ガバナンスが方針を決める上位概念、マネジメントがそれを日々回す実務、と役割が分かれています。方針だけあって運用されなければ絵に描いた餅ですし、運用だけで方針がなければ現場ごとにやり方が割れます。両者は車の両輪です。
AI活用でこの土台が効いてくる理由は単純です。たとえばベテランの図面検索をAIに任せたいとします。過去の類似図面を瞬時に引き当て、そこから見積もりのたたき台を作らせたい。ところが元の図面フォルダに旧版と最新版が混在していれば、AIは平気で廃番の寸法を引っぱってきます。AIの賢さの問題ではなく、渡したデータの問題です。だからこそ、AIを入れる前にデータを整える順番が大切になります。
なぜ今、データガバナンスが「待ったなし」なのか
背景には三つの流れがあります。
一つ目は投資の動きです。インフォマティカが2026年1月に発表した「CDOインサイト2026」によると、2026年にデータマネジメント投資を増やす予定の日本企業は86%にのぼります。主な投資先はデータプライバシー・セキュリティの強化が39%、データ・AIガバナンスの改善が33%、従業員のデータリテラシー向上が33%でした。一方で日本のデータ担当責任者の43%が「データの信頼性」をAI本番運用の障壁に挙げ、71%が「従業員のAI活用に自社のガバナンスが追いついていない」と答えています。投資は増えるのに現場は追いつけていない、という緊張がそのまま数字に出ています。
二つ目はGoverned AIと呼ばれる設計思想の広がりです。機密データを社外に出さず、統制の効いた社内データの上でAIエージェントを動かす考え方で、2026年6月にはSnowflakeとAnthropicをはじめとする大手データ基盤とAIベンダーの提携が相次いで発表されました。SnowflakeはCortex AI上でClaude Sonnet 5のプライベートプレビューを始めています。ここで問われるのは、データの来歴を記録できるか、操作の監査ログが残るか、権限に応じてアクセスを制御できるか、という運用の作り込みです。AI活用とデータガバナンスが一体のものとして語られる時代に入りました。
三つ目は規制です。日本では2025年9月にAI推進法が全面施行され、EUのAI Actは域外適用を持つため日本企業も無関係ではありません。詳しくは後半で整理しますが、規制の側からもデータの扱い方を問われるようになりました。
データ品質を構成する6つの要素
AIに載せるデータの質は、次の6つの観点で測れます。B2Cの顧客名簿ではなく、製造業の図面とBOMに引き寄せて例を挙げます。
| 要素 | 意味 | 図面・品番でよくある破綻例 |
|---|---|---|
| 正確性 | 内容が事実と一致しているか | 改訂で寸法が変わったのに、旧版の寸法が残った図面が流通している |
| 完全性 | 必要な項目が欠けなく揃っているか | 図面に品番・材質・改訂番号などのメタデータが入っていない |
| 一貫性 | システム間でデータが矛盾していないか | PDMとERPで同じ部品の品番表記が食い違っている |
| 適時性 | 最新の状態に保たれているか | 改訂後も旧版がフォルダに残り、どれが最新図面か分からない |
| 一意性 | 同じものが重複していないか | 同一部品が複数の品番やレコードで二重登録されている |
| 有効性 | 決めたルールに従っているか | 材質コードやねじ規格の書き方が部署ごとにばらばら |
この6要素は互いに絡み合います。改訂履歴が管理されていない適時性の問題は、そのまま「どれが正か分からない」正確性の問題に化けます。品番の表記ゆれという有効性の問題は、名寄せができず重複が残る一意性の問題を生みます。そしてメタデータの欠損は、後述するGraphRAGでの図面検索の精度を直接下げます。地味な話に見えて、AIが使い物になるかどうかはここで決まると考えています。
図面PDFをCADデータに変換して見積もりや原価計算まで自動化する流れについては、図面PDFをDXFに変換し見積もり・原価計算まで自動化する方法で具体的に触れています。あわせて読むと、データ品質が最終的なアウトプットにどう効くかが見えてきます。
AI時代に固有のデータガバナンス論点
従来のデータ管理に加えて、AIに載せる前提で考えると新しい論点が出てきます。とくにRAGやGraphRAGで社内データをAIに検索させる構成では、次の五つが勘所になります。RAGとGraphRAGの仕組みそのものはRAG・ナレッジグラフ・GraphRAG入門で解説しています。
一つ目はデータの来歴（リネージ）です。AIが返した回答が、どの図面のどの改訂版に基づいているのかを追える状態にしておきます。根拠図面までたどれないAIの回答は、製造現場では使えません。
二つ目は権限のAI継承です。ある協力会社向けの図面を見られるのは特定の担当だけ、という元データのアクセス権を、AIの回答が飛び越えてしまわない設計が必要です。AIに聞けば見られない図面まで見えてしまう、という状態は情報漏えいと同じです。
三つ目は入力データの管理です。社員がAIに投げるプロンプトに、未公開の新製品図面や取引条件が混じることがあります。何をAIに渡してよいかのルールを決めて周知します。
四つ目は出力の人間検証です。AIが作った見積もりのたたき台や技術文書を、そのまま客先に出す前に、人が確かめる工程を残します。
五つ目はハルシネーション統制です。存在しない部品や誤った公差をAIがもっともらしく答えるリスクを、根拠提示や信頼度の明示で抑えます。Governed AIの発想は、まさにこの五つを運用に組み込むためのものです。
データガバナンス体制を作る4つのステップ
ステップ1 データ資産を棚卸しする
まず、社内のどこに何があるかを洗い出します。図面や仕様書、議事録、社内規程が、専用のPDMやPLM、共有ファイルサーバー、紙をスキャンしたPDF、個人PCのどこに眠っているか。製造現場では想像以上に散らばっているのが普通です。棚卸しでは、データの種類、格納場所、管理責任者、更新頻度、機密レベルを台帳に整理します。この段階で「最新図面がどこにあるか誰も断言できない」という現実に直面することが多く、そこが出発点になります。
ステップ2 データポリシーを決める
棚卸しの結果をもとに、扱い方のルールを決めます。機密レベルに応じてデータを分ける分類ポリシー、誰がどの図面にアクセスできるかを定めるアクセスポリシー、保存期間と廃棄を定める保持ポリシー、そして品番や改訂番号の記法を統一する品質ポリシー。とくに品質ポリシーは、表記ゆれと重複を根から断つ効果があります。
ステップ3 推進体制を整える
データガバナンスはIT部門だけの仕事ではありません。設計、製造、調達、法務が横につながる体制が要ります。専任組織を作れなくても、最低限の役割を決めておくと運用が回ります。各データ領域の最終責任を持つデータオーナー（設計部門の管理職などが担う）、日々の品質維持を受け持つデータスチュワード、全社でポリシーの更新と教育を進める推進者、の三つです。
ステップ4 継続的にモニタリングする
決めて終わりにしないことが肝心です。重複率や旧版の混在率といった指標を定期的に測り、崩れたら直す仕組みを回します。ベテランの原価見積もりの根拠を少しずつメタデータとして残していけば、退職で失われがちな技術伝承をデータに移していけます。時間はかかりますが、これがいちばん効きます。
2026年の規制環境への対応
規制は日本と海外、そして国際規格の三層で押さえると整理しやすくなります。
日本では、正式名称「人工知能関連技術の研究開発及び活用の推進に関する法律」、通称AI推進法が2025年5月28日に成立し、同年9月1日に全面施行されました。国のAI戦略本部の設置や基本計画の策定を定める法律ですが、罰則を持たないイノベーション促進型のソフトロー、いわば理念法です。ここを「ハードな規制が始まった」と誤解しないことが大切です。実務の中核はむしろ、経済産業省と総務省が策定するAI事業者ガイドラインにあります。2024年4月の1.0版から、1.1版、そして第1.2版（2026年3月31日）へと、内容を更新し続けるリビングドキュメントとして運用されています。AIの開発者、提供者、利用者の3区分ごとに求められる責任が異なる点が特徴です。ガイドライン自体に罰則はないものの、個人情報保護法や不正競争防止法、外為法といった既存法令に触れれば従来どおり処分の対象になります。国内対応の実務は国内AI事業者ガイドライン対応の実務で詳しく扱っています。
EUのAI Actは、EU域内で使われるAIに広く効く域外適用を持つため、EUに製品や出力を届ける日本の製造業も対象になり得ます。適用日を組み替えたDigital Omnibusは、すでにRegulation (EU) 2026/1744として成立しています。2026年7月8日に採択され、EU官報（OJ L 2026/1744）に同年7月24日に掲載、7月27日に発効しました。これにより、雇用や与信などの独立型高リスクAI（Annex III、Article 6(2)）に対するChapter III Section 1〜3の適用は2027年12月2日、製品組込み型（Annex I、Article 6(1)）は2028年8月2日となりました。EU域内代理人（Article 22）、バリューチェーンの責任分担（Article 25）、利用者（deployer）の義務（Article 26）、基本権影響評価（Article 27）も、同じ日付で発動します。
ここで混同しやすいのが2026年8月2日の位置づけです。AI Actの一般適用日は2026年8月2日のまま変わっていませんが、この日から始まるのは高リスクAIの実体義務ではありません。適用が始まるのは、生成コンテンツの透明性を定めるChapter IV（Article 50）、整合規格・適合性評価・CEマーキング・登録を定めるChapter III Section 5（Article 40〜49）、そして欧州委員会が汎用AIモデル提供者に制裁金を科す権限を定めるArticle 101などです。汎用AIモデル（Chapter V）とガバナンス（Chapter VII）、罰則規定のArticle 99・100はすでに2025年8月2日から、禁止AI行為（Article 5）とAIリテラシー（Article 4）は2025年2月2日から適用されています。「2026年8月2日に高リスクAIが完全適用される」という理解は誤りで、日付ごとに何が動くかを分けて押さえるのが実務的です。
2026年12月2日には、新たに追加された禁止行為（同意のない性的ディープフェイクの生成と児童性的虐待素材の生成、Article 5(1)(ba)・(bb)）の適用が始まります。あわせて新設されたArticle 111(4)により、2026年8月2日より前に上市された合成コンテンツ生成AIの提供者は、この日までにArticle 50(2)に適合させる必要があります。高リスクAIの既存上市品については、Chapter IIIの適用日以降に設計へ重大な変更を加えた場合にのみ対象となる形に整理され、基準日は固定日ではなくChapter IIIの適用日（2027年12月2日と2028年8月2日）に連動します。この日付の整理はEU AI Act 2026年8月2日に何が始まるのかの整理で詳述しています。なお、高リスクAI向けのデータガバナンス義務（Article 10。学習・検証・テストデータの品質や代表性、バイアス管理を求める規定）はChapter III Section 2に置かれているため、適用は2027年12月2日以降になりますが、求められる考え方は本記事で扱ってきた内容そのものです。日付が先でも、整備は前倒しで進めておく価値があります。
国際規格では、AIマネジメントシステムの規格であるISO/IEC 42001:2023が拠り所として台頭しています。リスク管理やデータ管理、記録・監視といったマネジメント体制の骨格を定めるため、体制設計の国際的な物差しになりつつあります。ただしEU AI Actが求める適合性評価や技術文書などのEU固有の要件は別途上乗せが必要で、この規格一本で要件を満たせるわけではありません。
規制はまだ動いています。だからこそ、特定の条文に固めた体制ではなく、変化に追随できる柔軟な体制にしておくのが賢明だと考えています。
よくある誤解とミス
現場でよく見かけるつまずきを挙げておきます。
「データが多いほど資産になる」という思い込みは、その代表格です。整っていないデータは資産ではなく、むしろAIの精度を下げる負債になります。次に多いのが「ツールを入れれば解決する」という期待です。PDMやデータカタログは強力ですが、命名規則や責任分担というルールがなければ、散らかった倉庫に高性能な棚を増やすだけで終わります。三つ目は、ガバナンスをIT部門だけの仕事にしてしまうこと。図面の正しさを判断できるのは設計者であって、情報システム担当ではありません。最後に、最新版管理を後回しにする癖です。ここを放置したままAI導入だけ先行させると、旧版を引くAIができあがり、現場の信頼を一度で失います。
よくある質問
データガバナンスとデータマネジメントの違いは何ですか。 ガバナンスはデータの扱い方の方針とルール、責任分担を決める側面です。マネジメントはそのルールに沿って実際にデータを整備・運用する側面です。方針と実行、どちらか一方では機能しない車の両輪だと考えてください。
小さな製造会社でも必要ですか。 必要です。図面や見積もりがベテラン個人に依存している中小の現場ほど、退職による断絶リスクが大きく、整備の効果も出やすい傾向があります。最新図面の版管理とアクセス権限を決めるところから始めれば十分です。
AIに社内データを渡す前に、まず何をすべきですか。 棚卸しです。図面や仕様書、見積もり履歴がどこにあり、どれが最新版かを確定させてから載せます。散在したまま載せても精度の低い回答しか返りません。
図面や品番の表記ゆれはどう直せばよいですか。 品番や材質コード、改訂番号の記法を全社で統一する命名規則を決め、既存データを名寄せして重複を統合します。以後の入力はシステム側のチェックで表記ゆれが生まれない仕組みにすると、再発を防げます。
ガイドライン違反に罰則はありますか。 AI推進法とAI事業者ガイドラインに直接の罰則はありません。ただし個人情報保護法や外為法など既存法令に触れれば処分対象です。EU AI Actは域外適用と高額罰則を持つため、罰則の有無だけで対応の要否を決めないほうが安全です。
業務効率化とZEROCK
ここまで整理してきたデータガバナンスの考え方は、そのまま図面AIの導入手順と重なります。散らばった図面や技術文書を棚卸しし、最新版と権限を先に整えてからAIに載せる。この順番を守ると、AIは現場で本当に使えるものになります。
TIMEWELLのZEROCKは、製造業の設計・営業向けに作られたAIエージェントです。図面PDFからDXFやDWGへの変換、2D図面から3D STEPの生成、図面をもとにした見積もり作成や原価計算、そして過去図面の検索を支えます。ベテランの原価感覚や設計判断といった暗黙知を、GraphRAGで技術伝承として引き継げる形にしていくのも狙いです。クラウド基盤はAWSの国内リージョンです。ClaudeはAmazon Bedrock経由で国内リージョンを指定できます。一部の最新モデルはグローバルリージョンで推論します。再学習はありません。データ主権を守りながらAIを効かせる、まさにGoverned AIの発想に沿った設計です。
まず自社の準備状況を確かめたい方は、AI活用度診断で現在地を把握できます。図面AIの機能や導入イメージはZEROCKのサービスページで確認できます。自社の図面環境に合うか具体的に相談したい場合は、個別相談からお気軽にご連絡ください。
まとめ
最後に、次の一手として持ち帰ってほしい鉄則をまとめます。
- AIの前に、まず図面と文書の棚卸しから始める
- 最新版の管理とアクセス権限を、AI導入より先に整える
- 品番・材質・改訂番号の記法を統一し、重複を名寄せする
- 規制はソフトローでも、契約や取引の現場では実質的な要件になる
- データを整えることが、AI活用への最短距離になる
データガバナンスは派手さのない仕事です。それでも、AIを現場で機能させられるかどうかは、ここでほぼ決まります。整ったデータの上でこそ、AIははじめて戦力になります。
参考文献（一次情報）
本記事は一部にAIを用いて作成し、公開前に人間が一次情報の確認と編集を行っています。
このカテゴリの他の記事
エンタープライズAIとは？消費者向けAIとの違い・活用事例・導入の要点【2026年版】
エンタープライズAIとは何かを、消費者向けAIとの違い、2026年の主役であるエージェント型AI、製造業などの活用事例、ガバナンスやコストを含む導入の要点まで、一次情報を交えてわかりやすく解説します。
RAG・ナレッジグラフ・GraphRAG入門｜社内情報検索の仕組みと選び方
RAG（検索拡張生成）・ナレッジグラフ・GraphRAGの仕組みを、製造業の図面検索や見積もりの例を交えて解説します。ベクトル検索の限界、GraphRAGが多ホップ質問に強い理由、2026年のエージェント型RAG、導入時の権限制御まで、社内AI検索の選び方がわかります。
企業のAIセキュリティ入門｜生成AIの情報漏洩リスクと対策
企業が生成AIを業務に使うときのセキュリティ課題を実務目線で網羅解説します。シャドーAIやプロンプトインジェクションなど生成AI固有のリスク、データレジデンシーや権限管理の基本、AI事業者ガイドラインへの対応まで、情報漏洩を防ぐ具体策を整理します。