ナレッジDB整備がAI精度を決める ー 「データが整っていない」という壁をどう越えるか
MITが2025年にまとめたレポートでは、企業の生成AI導入の約95%が本番運用の期待に届いていないとされ（一次出典はMIT NANDA「State of AI in Business 2025」。この数字の解釈には反論もある）、Salesforceも自社の検証基盤を紹介する文脈でエンタープライズのパイロットの95%が本番に到達していないと述べている。Gartnerは、生成AIプロジェクトの30%がPoC（概念実証）の後に放棄されると予測し、その理由として不明確な事業価値、脆弱なデータ、膨らむコストを挙げる。ここで問いたいのは、なぜPoCでは動いたものが本番で崩れるのか、である。本稿の立場は単純で、コンタクトセンターのAIが本番で精度を出せるかどうかは、モデルの賢さより先に、AIが参照するナレッジがどれだけ整っているかで決まる、というものだ。
1. PoCで止まる企業の規模と、その本当の理由
まず規模を数字で押さえる。S&P Global Market Intelligenceの2025年Enterprise AI Survey（北米・欧州の1,000社超を対象とした調査）は、2025年に大半のAIイニシアチブを断念した企業が42%に達し、これは2024年の17%から急増したと報告している。Gartnerの30%放棄予測とあわせて読むと、PoCの成功と本番化の成否は別物であることがはっきりする。国内でも同じ壁が語られていて、TechTargetの記事は、生成AIを全社展開できない85%の企業が「PoC貧乏」に陥っていると指摘する。現場でテスト導入したときは好評だったのに、本番環境へ展開しようとすると頓挫する、という見えない壁の話だ。
この壁の正体として、業界のリーダーたちが挙げるのがナレッジの未整備である。CMSWireがAIをCXでスケールさせる前に直すべき点を整理した記事では、AIプロジェクトが失敗する理由の一つとして「ナレッジのドキュメント化不足」を挙げ、企業の組織的知識がAIにとって整理され、アクセス可能で、正確で、構造化された状態になっていないことを問題視している。日本の調査も方向は同じで、FULLFACTの分析は、生成AIがさらに本領を発揮するために「自社独自データ・ナレッジの整備」と「AI前提の業務再設計」の二点が突出して必要とされている、と結論づけた。
当て馬として「モデルの性能が足りないから精度が出ない」という説明を置くと、輪郭がはっきりする。もちろん、業務によっては高性能なモデルが効く場面はある。ただ、PoCと本番でモデルは変わらないのに結果が割れるという事実は、ボトルネックがモデル側ではなく、本番で参照される実データ側にあることを示している。PoCは整った小さなサンプルで動かし、本番は分断され古びた実ナレッジに当たる。差が出るのは当然だ。もっとも、これらの95%や30%という数字は調査主体や測り方が揃っておらず、額面どおりの比較には留保が要る。押さえるべきは、失敗が「技術の失敗」ではなく「準備（レディネス）の失敗」として語られ始めた、という潮目の変化のほうだ。
