前回、AI Readyな組織の条件として「データが渡せる」「コンテクストが言語化されている」を挙げました。今回はその土台の技術的な中身です。DWH、ベクトルストア——業者との打ち合わせで頷くだけだった用語を、今日かみ砕いてしまいましょう。
器は2種類ある: 数字の倉庫と、文脈の倉庫
AIに渡す情報は、大きく2種類に分かれます。性質が違うので、器も2種類必要です。
DWH: 全社の数字を1か所に集めた倉庫
DWH（データウェアハウス）とは、各システムに散らばる数字を、1か所に集めて整理した倉庫です。
多くの会社では、売上は販売システム、顧客は顧客管理システム、経費は会計ソフト、とデータが縦割りに分かれています。「商品別の売上と、広告費と、リピート率をまとめて見たい」と思っても、3つのシステムからそれぞれ出力して、エクセルで突き合わせる手作業が発生する。DWHは、この突き合わせを最初からやっておく倉庫です。倉庫が1つなら、AIによる分析も「この倉庫を見て」の一言で済みます。
ベクトルストア: 文書を「意味」で探せる倉庫
もう一つの器がベクトルストアです。これは議事録・マニュアル・提案書・ノウハウ文書といった「文章」を、AIが意味で検索できる形にして貯める倉庫です。
普通のフォルダ検索は、ファイル名やキーワードが一致しないと見つかりません。ベクトルストアは「A社への提案で、価格交渉がうまくいった事例を探して」のような聞き方で、意味の近い文書を引き当てられます。つまりこれは、前回書いた「言語化されたコンテクスト」を貯めておく文脈の貯蔵庫の、技術的な実体です。
- DWH = 数字の倉庫。「いくら売れたか」に答える
- ベクトルストア = 文脈の倉庫。「どうやって売ったか」に答える
この2つが揃って初めて、AIは「自社を知っているAI」になります。
実例: 散在データの一元化から始めた会社
私たちが関わっている事例を一つ。ある消費財メーカーでは、複数の事業を展開する中で、データが事業ごと・システムごとに散在し、全社を横断した分析や迅速な意思決定の足かせになっていました。
この会社で最初にやったのは、高度なAI導入ではありません。AI活用を見据えて、散在するデータを一元化する基盤づくりです。順番が肝心で、倉庫が整っていないうちにAIを入れても、食わせるものがないからです。逆に、倉庫さえ整えば、その上での分析・レポート・AI活用は一気に進みます。
中小企業はどこから始めるか
「DWHやベクトルストアなんて大企業の話では」と思うかもしれません。半分正解で、半分違います。フル装備の基盤構築は確かに大きな投資ですが、始め方は段階的でよいのです。
- まず現状の棚卸し: どのデータが、どこに、どんな形であるかの地図を作る（これ自体AIに手伝わせられます）
- 優先データから小さく: 全部を一元化しようとせず、意思決定に一番効くデータ（多くは売上・顧客）から
- 文書はまず共有場所へ: ベクトルストアの前段として、Notionなどへの集約から始めれば十分
大事なのは、器の議論を「いつかやる大プロジェクト」にしないことです。小さな一元化でも、AIの働きは目に見えて変わります。
データ基盤・AI導入のご相談はこちらからどうぞ。
あわせて読みたい
- AI Readyな組織とは｜データだけでなくコンテクストマネジメントが肝
- 生成AIでできること①データ分析編｜専門部署ゼロで売上データを読み解く
- コンテクストをチームで共有したくなったら｜小規模チームはNotion、開発はGitHub
この記事の要点
- AIに渡す情報の器は2種類: DWH（数字の倉庫=いくら売れたかに答える）とベクトルストア（文脈の倉庫=どうやって売ったかに答える）
- ベクトルストアは、言語化したコンテクストを貯める「文脈の貯蔵庫」の技術的実体。2つ揃って「自社を知っているAI」になる
- 順番はデータ基盤が先、AI導入が後。倉庫が空のままAIを入れても食わせるものがない
- 中小企業は段階的に: データの地図づくり→優先データの一元化→文書の共有場所への集約から
OhEN Groupでは、熊本・九州を中心にAI導入支援・AI研修を提供しています。