Skip to Content
Docs05. 運用AI のためのデータガバナンス
中級data-governancedata-quality更新: 2026-09-10この記事の誤りを報告

この記事の音声は準備中です。

音声の一覧・再生リストへ

AI のためのデータガバナンス

この記事の目的

知識源の品質が RAG外部の知識ソースを検索し、結果を LLM の入力に加えて回答の根拠にする手法。検索の判断を Agent に任せる構成は Agentic RAG と呼ばれる。・ナレッジ Agent の品質を制約する問題を、組織の仕組みで扱えるようになります。データオーナーシップ・AI 向けデータカタログ・品質基準・AI 利用可否の分類を設計し、AI 導入をデータ衛生の改善につなげる運用を作れる状態がゴールです。

対象読者

  • 社内の RAG・ナレッジ Agent を運用し、「知識源が古い・間違っている・責任者不明」に繰り返し悩んでいるエンジニア・リード
  • AI 導入を機に、社内データの品質・管理体制を整えたい立場の人

前提知識

本文

概要: 分担と本記事の射程

対象正本本記事
会話データ(AI が生むログ)の管理会話データの管理基盤—
規制・コンプライアンス統制(AI ポリシー・監査)コンプライアンスとガバナンス—
知識源の取り込み技術(抽出・前処理)LLM 向けデータ前処理パイプライン—
知識源データを組織で担保する仕組み本記事オーナーシップ・カタログ・品質基準・AI 利用可否

本記事が扱うのは、AI に食わせる知識源データ(社内文書・データセット)の組織的な管理です。AI が生む会話ログの管理は 会話データの管理基盤 が、規制・法務面は コンプライアンスとガバナンス が正本です。

AI 品質はデータ品質に律速される

RAG・ナレッジ Agent では、誤った・古い知識源を使い続けると、検索や生成だけの改善では誤答を解消できない場合があります。以下はその問題を考えるための例です。ケーススタディ: 社内ナレッジ Agentも架空の設計例として参照できます。

  • 古い規定が検索に載れば、Agent は自信を持って古い答えを返します
  • 責任者不明の文書は、間違いを見つけても誰も直せません
  • 重複した版が混在すれば、回答が版によって矛盾します

これらは技術で回避しきれません。知識源そのものを健全に保つ組織の仕組みが要ります。AI の品質改善は、ある地点からデータガバナンスの問題になります。

データオーナーシップ

最初の仕組みがオーナーシップ — 各文書・データセットに責任者を割り当てることです。

  • 責任者を決める: 「この規定文書のオーナーは法務部の誰」を明確にします。オーナー不在の文書は、更新も廃止も判断できず、腐っていきます
  • 更新義務を持たせる: オーナーに、鮮度の維持(改定の反映・古い版の廃止)の責任を持たせます。「AI に載っているのに誰も更新しない」を防ぎます
  • メタデータに埋める: オーナー情報を、取り込み時のメタデータ(LLM 向けデータ前処理パイプライン)に含めます。問題のある回答から、原本と責任者へ遡れるようにします

AI 向けデータカタログ

カタログは、どんな知識源が・どこに・どんな状態であるかを一覧化する仕組みです。汎用のデータカタログに、AI 特有のメタデータを足します。

  • 所在: どのシステム・どのインデックスに載っているか
  • 鮮度: 最終更新日・更新頻度・次回見直し日
  • 権限: 誰が閲覧できるか(検索の権限反映の元になります。データ漏えい対策)
  • オーナー: 責任者(前述)
  • AI 利用可否: 学習・検索に載せてよいかのタグ(後述)

カタログがないと、「何が AI に載っているか」を誰も把握できず、古い・機微・権利上問題のあるデータが紛れ込んでも気づけません。

品質基準とその計測

「品質を上げよ」では動きません。測れる基準にします。

  • 鮮度: 最終更新からの経過・見直し期限の超過率。「更新期限切れの文書が知識源の何%か」を測ります
  • 正確性: サンプリングした文書の内容が正しいか。フィードバック(フィードバックループの運用)で見つかった誤りの件数も指標になります
  • 一意性: 重複・版違いの割合。同一内容の多重登録は矛盾の元です(LLM 向けデータ前処理パイプラインの重複排除)
  • 計測を運用に乗せる: これらを定期的に測り、基準を割った知識源をオーナーに差し戻す運用にします

AI 利用可否の分類

すべてのデータを AI に載せてよいわけではありません。利用可否をデータに分類・タグ付けします。

AI 導入をデータ衛生のフォーシング関数にする

見方を変えると、AI 導入は社内データを整理する好機です。

既存のデータガバナンス組織との協働

多くの組織には、すでにデータガバナンスの部門・仕組みがあります。AI のために別建てで作らないのが原則です。

  • 既存のデータカタログ・品質管理に、AI 特有のメタデータ(AI 利用可否・検索インデックス所在)を足す形にします
  • 規制・法務面は既存のコンプライアンス組織と、技術面は取り込みパイプラインのチームと役割分担します
  • AI チームだけでデータガバナンスを抱えると、権限も一貫性も足りず破綻します。既存の仕組みに乗せ、AI 固有の要件を追加するのが現実的です

実務での注意点

アンチパターン

  • モデル・プロンプトの改善だけで品質を上げようとする → 知識源が古い・誤っている限り頭打ちになる → データオーナーシップと品質基準で知識源側を健全に保つ
  • オーナー不在の文書を知識源にする → 誤りを見つけても誰も直せず腐る → 各知識源に責任者と更新義務を割り当てる
  • 分類なしで「とりあえず全部インデックス」 → 機微・権利上問題のあるデータが混入する → AI 利用可否を分類し、未分類は載せないを既定にする
  • 品質を「基準なし」で語る → 誰も動かず改善しない → 鮮度・正確性・一意性を測れる指標にし、割ったら差し戻す
  • AI のためにデータガバナンスを別建てで作る → 既存の仕組みと二重管理になり破綻する → 既存のカタログ・品質管理に AI 固有のメタデータを足す

チェックリスト

  • 主要な知識源にオーナー(責任者)と更新義務が割り当てられている
  • AI 向けデータカタログ(所在・鮮度・権限・オーナー・AI 利用可否)がある
  • 品質基準(鮮度・正確性・一意性)を測れる指標にし、定期計測している
  • AI 利用可否(検索に載せてよいか・学習に使ってよいか)を分類し、未分類は載せない
  • フィードバックで見つかった知識源の問題を、オーナーへの改善タスクに変換している
  • 既存のデータガバナンス・コンプライアンス組織と役割分担し、二重管理を避けている

関連トピック

参考資料

TODO・未確認事項

なし

会話データの管理基盤AI 品質の SLO 設計