AI を使う企業でも、データ分析に使う企業は文書の作成に使う企業の半分ほどにとどまる
AI の用途を企業に尋ねた調査を見ると、データ分析に使う企業の割合は、文書の要約や作成に使う企業の半分ほどです。
2026年4月から6月に実施され、国内企業1,799社が回答した2025年度の調査では、AI の利用用途(n=1,191)で最も多かったのが「文書・音声の要約・翻訳・校正」の82.5%で、「文書・レポートの作成(社内・社外)」の80.5%が続きます。「データ分析・予測・インサイト抽出」は40.3%、「経営・事業計画・マーケティング・意思決定支援」は17.0%でした。AI 導入による効果の内容(n=853)でも、「業務が効率化したり迅速化した」の91.6%に対して、「経営層等の意思決定が迅速化した」は8.8%にとどまっています(IPA「国内企業の DX 動向・AI 活用動向のポイントを公開」2026年7月16日)。
文書の作成と比べてデータ分析で使われにくい理由の1つは、誤りの見つけ方の違いでしょう。文章の誤りは読めば気づけるのに対し、集計の誤りは元のデータと照らさない限り見つからない。指標の定義が人によって違えば、AI がどれほど速く集計しても、会議の場で数字の意味が食い違います。
分析の結果を経営や現場の判断に使える形で届けるには、何を人が決め、何をどう確かめるかを、AI を入れる前に決めておくことが先です。
データ分析を4つの工程に分け、AI に任せる作業と人に残す判断を表にする
データ分析は、問いを決める、データを集めて整える、集計と可視化、結果の解釈と報告の4つの工程に分け、工程ごとに AI に任せる作業と人に残す判断を決めます。人に残すのは、間違えたときに数字の意味や会社の判断が変わってしまうものです。
| 工程 |
AI に任せる作業 |
人に残す判断 |
守ること |
| 問いを決める |
問いの言い換え、確かめる観点の洗い出し、必要なデータの候補の列挙 |
何を判断するための分析か、指標の定義、結論が出たら何をするか |
指標の定義を1枚に固定する |
| データを集めて整える |
列名の対応表や整形の手順の下書き、欠損と表記ゆれの洗い出し |
使うデータの範囲と期間、除外の条件、AI に渡さない列 |
伏せる範囲を渡す前に決める |
| 集計と可視化 |
集計の式・SQL・プログラムの下書き、グラフの下書き |
集計の結果を確定させるか、どのグラフで見せるか |
元のデータと突き合わせる |
| 結果の解釈と報告 |
結果の文章化、要因の仮説と想定質問の列挙 |
因果として読んでよいか、施策を実行するか |
仮説と確認済みを書き分ける |
表の「AI に任せる作業」は、どれも人が読んで確かめられる下書きです。集計の数字そのものを AI に答えさせず、数字を出す手順を書かせる点が、文書の作成に AI を使うときとの大きな違いです。
アンケートの自由記述や問い合わせの本文のように、表の行と列に収まらない非構造化データを分類して数える方法は、顧客の声(VOC)の分析に AI を使う前に決めることで扱いました。AI に読ませる社内のデータを、権限や更新の持ち主まで含めて整える手順はAI のデータ整備の進め方にまとめています。ここから先は、人事や売上の記録のような表の形をしたデータを扱うときの決めごとです。
指標の定義は、分析を始める前に1枚で固定する
指標の定義は、分析を始める前に分子・分母・対象の範囲・期間を1枚に書いて固定し、AI に頼むたびにその1枚を添えます。同じデータを使っても、定義や分析の選び方が違えば結論まで変わるからです。
29チーム・61人の分析者が同じデータを使い、サッカーの審判は肌の色の濃い選手に退場(レッドカード)を多く出すかという同じ問いに答えた研究があります。チームごとに分析の進め方は大きく異なり、推定された効果の大きさはオッズ比で0.89から2.93まで開きました。統計的に有意な正の効果を見つけたのが20チーム、有意な関係を認めなかったのが9チームです。結果の違いは、分析者の事前の見込みや統計の専門性では説明できなかったと報告されています(R. Silberzahn ほか「Many Analysts, One Data Set」Advances in Methods and Practices in Psychological Science・2018年)。
専門家どうしでも結論が分かれるのですから、AI に「離職率を出して」とだけ頼めば、頼むたびに違う定義で計算されても不思議はないでしょう。
社内でよく使う離職率も、定義を書かなければ数字がそろわない指標の1つです。公的統計の離職率は「離職者数 ÷ 1月1日現在の常用労働者数 × 100」で出し、離職者には他企業への出向者・出向復帰者を含め、同じ企業の他の事業所への転出者を除くと定められています(厚生労働省「令和6年雇用動向調査結果の概況」2025年8月26日)。分母を期首の人数にするか期中の平均にするか、出向者や有期契約の社員を含めるかで、同じ会社の同じ年でも離職率の値は変わります。
1枚に書く項目は次の7つです。
| 項目 |
書くこと |
例(離職率) |
| 指標名と目的 |
何を判断するために見る数字か |
若手の定着の施策を続けるかの判断に使う |
| 分子 |
数える対象と条件 |
期間中に退職した正社員。グループ会社への転籍を含む |
| 分母 |
基準の日と対象 |
期首時点の正社員数 |
| 対象の範囲 |
含める雇用形態・会社・事業所 |
国内の全事業所。出向者は出向元で数える |
| 期間と抜き出す日 |
集計の期間と、データを抜き出す日 |
4月1日から翌年3月31日まで。翌月の第1営業日に抜き出す |
| データの出どころ |
どのシステムのどの表か |
人事システムの在籍と退職の記録 |
| 変更の記録 |
定義を変えた日、変えた中身、決めた人 |
分母を期首の人数から期中の平均に変えた日と、決めた人 |
定義を変えると、過去の数字と比べられなくなります。先の雇用動向調査も、集計に使う母集団の情報が更新された影響で、前の年の公表値と単純に比べるには注意が要ると利用上の注意に書いています。
定義を変えるかどうかは、AI が提案しても指標の持ち主が決め、変えた日を1枚に書き足してください。社外に開示する人的資本の指標の定義と検算は、人的資本開示の数字を AI で集める記事で扱っています。
集計は AI に手順を書かせ、数字は手順を動かして出す
集計の数字は AI に直接答えさせず、表計算の式・SQL・プログラムといった集計の手順を AI に書かせて、その手順を動かして出します。手順が残っていれば、誰がいつ動かしても同じ数字になり、誤りがあっても手順のどこかを指して直せるためです。
言語モデルに計算の過程をプログラムとして書かせ、計算そのものは外の実行環境に任せる方法を試した研究があります。考えの筋道を文章で書かせる方法と比べると、算数の文章題や、財務報告の表と文章を読んで答える金融の質疑応答など8つのデータセットの全体で、成績の伸びは平均約12%でした(W. Chen ほか「Program of Thoughts Prompting」TMLR・2023年)。
一方で、手順を書かせれば十分というわけではありません。データ分析の競技会から集めた466件の課題で AI エージェントを評価した研究では、最も成績の良いエージェントでも正しく解けたのは34.12%でした(L. Jing ほか「DSBench」ICLR・2025年)。評価した時点の AI による結果で、その後の改良で数字は変わり得るものの、AI が書いた手順は人が読んで確かめる前提で使うのが安全です。
手順を確かめるときに見るのは、次の3つです。
- 読み込んだ表と列が、依頼書に書いたデータの出どころと同じか
- 除外の条件と、欠損値の扱い(0として数えたか、対象から外したか)
- 定義の1枚と同じ分子・分母・期間で計算しているか
グラフも同じ考え方で、AI には下書きを任せ、縦軸の始まり、単位、比べる期間が報告の目的に合っているかを人が確かめます。確かめた手順は保存しておき、次の月も同じ手順を動かす。毎回 AI に一から書かせないことが、月ごとの数字を比べられる状態を保つ近道です。
AI の出した数字は、元のデータと突き合わせてから使う
AI の書いた手順で出した数字は、元のデータの件数と合計に照らして確かめてから報告に載せます。生成 AI は元のデータに無い値や誤った値をもっともらしく示すことがあり(ハルシネーション)、手順の小さな誤りも数字の見た目からは分からないからです。
突き合わせは、次の5つの手順で行います。
- 件数: 元のデータの行数が、集計の対象にした行数と除外した行数の合計と一致するか
- 合計: 会計や人事のシステムが出す帳票の値と一致するか
- 定義: 1枚に書いた分子・分母・期間と、手順の中身が同じか
- 抜き出し日: いつ抜き出したデータか、月の締めの前か後か
- 検算: 1つの部署や1か月分など小さな範囲を人が手で数え、結果と合うか
5つ目の検算は全件を数え直すためではなく、手順の誤りを見つけるための抜き取りです。小さな範囲で合わなければ、全体の数字も疑ってください。確かめた人と日付を数字の横に残しておくと、会議で数字の根拠を問われたときにすぐ答えられます。
経営会議に出す予実や KPI の数字を資料に載せる前の4つの確認は、経営企画の AI 活用は調べものから始める記事で整理済みです。
因果の解釈と施策の決定は、人に残す
数字の動きを因果として読んでよいか、その結果を受けてどの施策を実行するかは、人が決めます。データから分かるのは多くの場合「2つの数字が一緒に動いている」ところまでで、「片方が原因でもう片方が動いた」かどうかは、データの外の事情を知る人でないと判断できないからです。
たとえば「研修を受けた社員は離職率が低い」という集計が出たとき、AI は「研修が定着につながった」という説明をもっともらしく書けるでしょう。けれども、研修の対象にもともと定着しやすい部署や年次の社員が選ばれていたなら、研修の成果とは言えません。
AI に書かせた要因の文には「仮説」か「確認済み」かを書き分け、確認済みにする前に、人が次の3つを確かめます。
- 比べる相手: 研修を受けなかった社員のうち、部署・年次・職種が近い人と比べたか
- 時期: 原因と考えるできごとが、数字の変化より前に起きているか
- 同じ時期の別のできごと: 制度の変更、組織の再編、繁忙期など、数字を動かし得るほかの事情が無いか
施策を実行するかどうかは、数字のほかに費用、期間、担当部署の事情を合わせて決めるもので、分析の担当者ではなく施策の責任者が決めてください。AI には、比べた結果の表、関連する過去の施策の記録、施策案の下書きといった判断の材料をそろえる役を任せます。施策を実行した後は、同じ定義の1枚と同じ手順で次の期間の数字を出し、変化があったかを確かめるところまでを1つの流れにしておきましょう。
Offers AX は、人事データの集計と分析を動くもので確かめながら作る
Offers AX は、コンサルティング・AI エージェント開発・内製化支援の3つを組み合わせ、業務固有の文脈を織り込んだ AI エージェントを設計・構築し、引き継ぎまでを最初から設計するサービスです。扱う人事の領域のうち、人事企画では「人的資本開示の指標収集」「人事データの統合と分析」を、組織開発では「サーベイ自由記述の分析」を業務の例に挙げています。
進め方は、業務の現場に近い距離で戦略立案と実装を一体で進める FDE(Forward Deployed Engineer)型です。要件定義書ではなく動くもので合意し、初回から動くものを出して数週間で試し、実際の業務で確かめてから本実装に進みます。指標の定義の1枚や突き合わせの手順も、自社のデータで動くものを前に置いて話すと、決めておくべき点が早く見えてきます。
構築はお客様の既存の環境(GCP・Azure・AWS のいずれにも対応)で行い、当社の環境には顧客データを持たない形です。クラウドの LLM を使えない高機密の人事の案件では、処理を貸与 PC の中で完結させる構成で対応した実績もあります。AI の出力は下書き・参考情報として扱い、事実の認定や処遇の判断は人が行う設計です。効果の実測で出た数字をもとに続けるかを判断し、効果が出なければ中止を選べることも、最初から契約の前提に含めています。
複数のデータの突き合わせを自動化した例では、JT の人事部と進めた健康管理の業務で3系統のデータの突き合わせを自動化し、15時間ほどかかっていた作業が数十分で終わるようになりました。人事部を AX の起点に選んだ経緯とあわせて、Forbes JAPAN の記事に載った事例です。
支援の範囲と進め方は Offers AX のサービスページ にまとめています。どの集計から AI に任せるかが決まっていない時点でも相談できるので、無料相談を申し込む からご連絡ください。
個人情報や機密を含む表は、AI に渡す前に伏せる範囲を決める
人事や顧客のデータを分析するときは、AI に渡す前に、どの列を伏せ、どの粒度まで集計してから渡すかを決めておきます。氏名や社員番号、健康診断の結果のような情報は、分析の目的によっては渡さなくても結論を出せるからです。
生成 AI のサービスに個人情報を含むプロンプトを入力するとき、事業者は、特定した利用目的を達成するために必要な範囲内かを十分に確かめるよう求められています。本人の同意を得ずに個人データを入力し、それが応答の出力以外の目的で扱われる場合は個人情報保護法に違反する可能性があるため、サービスの提供者がそのデータを機械学習に使わないことなどを十分に確かめる必要があります(個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」2023年6月2日)。
渡し方の選択肢は次の3つです。
| 渡し方 |
向く分析 |
先に決めること |
| 集計した表だけを渡す |
部署別・月別の件数や割合の比較 |
人数の少ない区分を表示しないか、ほかの区分とまとめる決まり |
| 氏名や社員番号を伏せた個票を渡す |
1人ずつの推移を追う分析 |
伏せる列と、仮の ID と本人の対応表を持つ人 |
| 元の個票を自社の環境の中で扱う |
健康管理のように、個人を特定することが業務に要る集計 |
AI を動かす環境と、データを見られる人の範囲 |
集計した表で足りるなら、それが最も扱いやすい渡し方です。複数人の情報から共通の項目を集計した統計情報は、特定の個人との対応関係が排斥されている限り、個人情報に該当しないと考えられています(個人情報保護委員会「「個人情報の保護に関する法律についてのガイドライン」に関するQ&A」Q1-17・2026年10月30日更新)。
ただし、人数の少ない部署の平均年収のように、集計しても誰の値か推測できる区分は、表示しないか、ほかの区分とまとめる決まりを作っておきましょう。
1人ずつ追う分析では、氏名や社員番号を伏せるデータマスキングを手順に組み込み、社内での分析に使いやすい区分として法律が定める仮名加工情報にするかも検討します。健康診断の結果は、病歴と同じく取扱いに特に配慮を要する要配慮個人情報に含まれます(個人情報保護委員会「個人情報の保護に関する法律についてのガイドライン(通則編)」2-3・2026年6月一部改正)。健康管理や休職に関わる集計では、元の個票を社外のサービスに渡さず、自社の環境の中で処理する設計を先に検討してください。
外部の生成 AI サービスに個人データを入力するときの提供と委託の見分け方は、生成AIに個人情報を入れてよいかの記事で整理しています。
分析の依頼書には、問い・使うデータ・指標の定義・確認する人を書く
AI に分析を任せるときも、人が分析の担当者に頼むときも、依頼書には問い・使うデータ・指標の定義・確認する人の4つを書きます。4つがそろっていれば、AI に任せた作業と人が決めた判断を、後から1枚でたどれるからです。
| 項目 |
書くこと |
例 |
| 問い |
何を判断するための分析か、結論が出たら何をするか |
若手の定着の施策を来期も続けるかを、3月の経営会議で決める |
| 使うデータ |
出どころ、期間、抜き出す日、AI に渡さない列 |
人事システムの在籍と退職の記録を過去3年分。氏名・社員番号・健康に関する列は渡さない |
| 指標の定義 |
定義の1枚を添え、前回から変えた点を書く |
離職率の定義の1枚を添付。前回からの変更なし |
| 確認する人 |
数字を突き合わせる人、解釈と施策を決める人、期限 |
突き合わせは人事企画の担当者、解釈と施策の判断は人事部長、期限は2月末 |
依頼書を AI への指示文にそのまま添えられる形にしておくと、頼むたびに書き方が変わるのを防げます。確認する人の欄が空いたままの依頼は受けない、と決めておくのも1つの方法です。
始めるときは、毎月繰り返している集計を1つ選び、最初の1か月は人の手順と AI の手順を並べて動かすのが確実です。2つの数字が食い違った件と原因を記録し、食い違いが続く集計は人の手順に戻し、合う状態が続いた集計から突き合わせを抜き取りに切り替える。やめる判断も、この期間の成果の1つです。
試行を本番の業務につなげるために前もって決めておくことは、AI の PoC で止まらない進め方で整理しています。AI エージェントを業務に入れるほかの例は、AI エージェントのカテゴリの記事から探せます。