情報はあるのに、答えが出てこない——「理解の負債」という見えないコスト
デモでは完璧だったAIが、現場の質問で黙り込む
「AIを、業務に使えないか」。経営会議でそう言われたところから、多くの情報システム部門の仕事は始まります。
きっかけは、たとえばこんな一日かもしれません。設計変更のため、ある部品の耐熱仕様が「なぜこの値に決まったのか」を確かめる必要が出た。図面管理システムを開くと、値はある。けれど、根拠は書かれていない。過去の稟議書を検索すると、それらしい文書は出てくるものの、決め手にはたどり着けない。共有フォルダを三十分ほどさかのぼって、ようやく分かったのは——その判断を下したのは十年前に退職した技術者で、根拠はどこにも文書化されていなかった、ということでした。
情報は、社内のどこかに「あったはず」なのに、たどり着けない。この感覚こそ、多くの企業が「AIに解いてほしい」と願ったものでした。
高性能なAIアシスタントを用意し、社内のFAQでデモをしてみる。結果は上々です。整った質問に、なめらかに答える。関係者もうなずきます。ところが、本番に近い質問を投げた瞬間、様子が変わります。
「この部品の耐熱仕様は、なぜこの値に決まったのか」「この検査手順が今の形になった経緯は」「この案件に適用されるのは、どの社内規程か」——現場が本当に知りたいのは、こうした問いです。そしてAIは、多くの場合、当たり障りのないことしか言えないか、もっと悪ければ、それらしい嘘を自信たっぷりに返してきます。
奇妙なのは、その答えが、社内のどこかに必ず存在していることです。ある技術文書のPDFに、ある稟議書に、ある設計図面の注記に、あるいは、あるベテランの頭の中に。情報はある。にもかかわらず、AIはそこに手が届かない。
ここで多くの担当者が、「モデルの性能が足りないのでは」と考えます。より高性能なモデルを試す。けれど、結果はあまり変わりません。それもそのはずで、これはAIの性能の問題ではないからです。問題は、AIの手前——AIに渡す前の、文書のほうにあります。
導入は、もう難しくない。難しいのは「その先」だ
まず、現在地を数字で確認しておきます。
NRIの調査によれば、日本企業の生成AI導入率は57.7%に達しました（NRI 2025年）。総務省の白書でも、何らかの業務で生成AIを利用している企業は55.2%にのぼります（総務省 令和7年版 情報通信白書）。導入そのものは、もはや珍しいことではありません。
分かれ道は、その先にあります。同じNRIの調査で、最も多くの企業が課題として挙げたのは、「リテラシー・スキル不足」でした——70.3%の企業がそう答えています（NRI 2025年）。白書でも、企業が最も気にしているのは「効果的な使い方が分からない」ことでした（総務省 令和7年版 情報通信白書）。
つまり、差がつくのは「導入したかどうか」ではありません。導入したAIを、自社の知識で、実際に役立つものにできたかどうか。多くの企業がつまずくのは、まさにこの一点です。
「理解の負債」——技術的負債によく似た、見えないコスト
なぜ、こんなことが起きるのか。ひとつの言葉で捉えると、見通しがよくなります。理解の負債です。
理解の負債とは、企業が持っている情報の量と、その情報を実際に理解し、活用できる能力との間にある差のことです。文書は年々増えていく。けれど、それを「必要なときに、必要な人が、根拠つきで引き出せる」状態には、なっていない。この差が、理解の負債です。
エンジニアにはおなじみの「技術的負債」を思い浮かべると、性質がよく分かります。両者はよく似ています。
- 見えにくい。 日々の業務は回っているので、負債があること自体に気づきにくい。
- 積み上がる。 文書が増え、担当者が入れ替わるたびに、静かに増えていく。
- 利息がつく。 誰かがベテランを探して質問し、同じ文書を何度も作り直し、過去の経緯が分からず判断を誤る——その一つひとつが、負債の利息です。
- AIを足しても、減らない。 ここが最も重要です。技術的負債が新しいフレームワークの導入では消えないのと同じで、理解の負債は、高性能なAIを買っても減りません。むしろ、土台のないままAIを載せると、負債の上に建物を建てることになります。
このシリーズは、突き詰めれば、この理解の負債をどう返済していくか、という話です。そして各記事は、負債の中でもどの部分を返すのかを、はっきりさせながら進みます。
なぜ「文書」でつまずくのか
では、理解の負債は、具体的にどこに潜んでいるのか。答えは「文書」——正確には、非構造化データです。
企業のデータには、大きく二種類あります。構造化データは、行と列に整理され、データベースや表に収まっているもの——販売実績、在庫、取引記録などです。機械が扱いやすい。一方、非構造化データは、決まった形を持ちません。PDF、Word、スライド、メール、チャット、設計図面、スキャンした書類。企業が持つデータの大半は、実はこちらです。
そして厄介なことに、業務の本当の知識は、たいてい非構造化データの側に眠っています。 なぜその仕様に決めたのか。どの規程が効くのか。過去に似た事例をどう処理したのか。こうした「文脈」や「判断の根拠」は、きれいな表には収まらず、文章や図の中に埋もれています。
つまずきの構造は、三つに整理できます。
形式が、機械に読めない。 PDFの中の表、スキャンされた図面、画像として貼られた文書——人間の目には読めても、AIがそのまま使える「テキスト」にはなっていません。読めないものは、答えようがありません。
意味が、つながっていない。 仮にテキストにできても、それがバラバラの文字列のままでは、「この部品」と「この規格」と「あの不具合事例」が互いにどう関係するのかを、機械は知りません。文書はあっても、意味の地図がないのです。
知識が、人に張りついている。 そして日本企業では、ここに固有の事情が重なります。次のとおりです。
日本企業で実際に起きること — 属人化
「それは、○○さんに聞けば分かる」。この一言が、多くの現場を支えています。ベテランの経験と勘に頼る属人化は、短期的には効率的です。しかしその知識は、文書にもシステムにも残らず、その人の異動や退職とともに失われます。理解の負債が、最も見えにくく、最も高い利息で積み上がるのが、この領域です。AIに任せたいことの多くは、実は「あの人の頭の中」にあります。
よくある誤解：「全文書を読ませれば、あとはAIが答える」
ここで、最もよく耳にする誤解を一つ、正しておきます。
神話: 「社内の全文書をAIに読み込ませれば、あとは何でも答えてくれる」
現実: AIに文書を“読ませる”こと自体に、土台が要ります。読めない形式を抽出し、意味の単位に分割し、関連するものを検索して取り出す——この土台がなければ、AIは文書を渡されても、関係のない箇所を拾うか、何も見つけられずに“それらしい嘘”を作ります。
文書を渡すことと、文書を使えるようにすることの間には、この「土台」という距離があります。本シリーズは、その距離をどう詰めるかをたどっていきます。
アシスタントは、氷山の一角にすぎない
ここで、視点を一段引き上げます。
多くの議論は「どのAIアシスタントを入れるか」「RAGをどう組むか」から始まります。しかし、それは氷山の一角です。チャットボットも、AIエージェントも、社内検索も、分析ツールも——これらはすべて、同じ土台の上に載る“出口”にすぎません。
その土台こそが、知識層（ナレッジ層）です。非構造化データを、抽出し、意味づけし、関係を結び、いつでも引き出せる状態にした、企業の知識の基盤。アシスタントは、その知識層に接続された、一つのインターフェースにすぎません。
この見方には、実務上の大きな意味があります。アシスタントもモデルも、来年には別のものに置き換わります。けれど、いちど築いた知識層は残り、次に来るどんなAIにもそのまま使えます。 つまり、いまLLMやアシスタントに投じている労力の多くは、来年には資産として残りません。一方で、知識層に投じた労力は、出口が何度変わっても効き続けます。
投資すべきは、流行りの「出口」ではなく、その下の「層」です。出口は毎年入れ替わり、層だけが資産として残ります。
昨年RAGに費やした構築が、今年のエージェント移行でほとんど作り直しになった——多くの企業が、すでにこれを一度経験しています。作り直しになるのは「出口」を資産だと思い込んだからで、知識層を先に築いていれば、出口の乗り換えは接続を替えるだけの話になります。
（この「一つの知識層、多くの出口」という考え方は、本シリーズ第7回で正面から扱います。）
あなたの組織は、いまどこにいるか——知識成熟度モデル
とはいえ、いきなり完成形を目指す必要はありません。理解の負債の返済は、段階的に進みます。自社が今どの段階にいるかを知ることが、最初の一歩です。
- L1・属人化 — 知識は個人の頭、ローカルのドライブ、メールの中。何かを探すには「誰に聞けばいいか」を知っている必要がある。
- L2・集約 — 文書はSharePointやファイルサーバーに集約され、キーワード検索はできる。だが、返ってくるのは“文書”であって“答え”ではない。「この中にあるはずなのに」。
- L3・意味理解 — 文書が抽出・意味づけ・埋め込みされ、意味での検索が効く。AIが根拠つきの答えを返し、ベテランへの問い合わせが減り始める。
- L4・知識連結 — オントロジーやナレッジグラフによる知識層が存在し、一つの土台を多くの用途（アシスタント、エージェント、分析）が共有する。部門をまたぐ問いにも答えられる。
- L5・知識インテリジェンス — 知識層が「信頼でき（評価・統制）」「自ら育つ（フィードバックで進化）」状態。エージェントが安全に動き、知識の価値が、時間とともに目減りせず複利で増えていく。
多くの日本企業は、いまL1からL2のあたりにいます。目指すのはL5ですが、飛び級はできません。一段ずつ、対応する負債を返しながら上がっていく——このシリーズは、その階段の登り方を示します。
このシリーズが歩く道のり
冒頭のヒーロー図（図解1）を、もう一度見てください。これは、非構造化データが「答え」に変わるまでの、全体像です。
左から、ソース（非構造化データ）→ 抽出・正規化 → メタデータ → 意味処理 → 知識層 → 検索 → 活用。そして全体を貫くように、ガバナンスと評価・フィードバックループが横断しています。
これは、全工程を一枚に収めた地図です。本シリーズは、記事を追うごとに、この地図の一区画ずつを深掘りしていきます。次回は「検索か、構造化か」という分岐を、その次は「汚いファイルを、使えるテキストに変える」最初の一区間を——というふうに。読み終えるころには、この一枚の全体像が、あなたの頭の中で自然に組み上がっているはずです。
明日から始める、三つのこと
最後に、読んで終わりにしないために。明日から着手できる、小さな三つを挙げます。
- 自社の位置を、階段の上に置いてみる。 L1〜L5のどこにいるか。多くの場合、部門ごとにばらつきがあります。それも含めて把握することが出発点です。
- 文書の“ありか”を、上位5つ挙げる。 業務知識が最も集まっている文書リポジトリはどこか（共有フォルダ、SharePoint、図面管理システム…）。まずは5つ、名前を挙げてみてください。
- 「ベテラン頼み」の頻度を数える。 直近1か月で、「文書のどこかにあるはずのこと」を、結局は人に聞いて解決した回数を、ざっくり見積もってみてください。それが、いま支払っている理解の負債の“利息”です。
理解の負債は、新しいツールを一つ買っても減りません。減らせるのは、土台を——知識層を——一区画ずつ、着実に築いたときだけです。次回は、その最初の分かれ道、「検索で十分なのか、それとも構造化が要るのか」を扱います。
日本市場のプリセールスを担当。エンタープライズのデジタル変革を、構想から実装まで支援。
Cubastionは、日本で事業を営む企業が、散らばった非構造化データを「使える知識層」へと変えるお手伝いをしています。「理解の負債」がどこに、どれだけ積み上がっているか——その現在地の把握から、はじめてみませんか。
用語集（本記事で導入した言葉）
- 理解の負債（Knowledge Debt） — 企業が保有する情報量と、それを理解・活用できる能力との差。技術的負債と同様に、見えにくく、放置すると利息をともなって積み上がる。
- 非構造化データ（Unstructured Data） — 決まった形式を持たないデータ。PDF、メール、スライド、図面、チャット、スキャン文書など。企業データの大半を占め、業務知識の多くがここに眠る。
- 属人化（Person-dependence） — 業務知識が特定個人の経験・記憶に依存し、文書やシステムに残らない状態。異動・退職とともに知識が失われる。
- ナレッジ層／知識層（Knowledge Layer） — 非構造化データを抽出・意味づけ・関連づけし、いつでも引き出せる状態にした企業知識の基盤。アシスタントやエージェントは、この層の“出口”にすぎない。