データ分析でAIに任せてはいけない5つのこと
「AIを使えば何でも効率化できる」——そんな空気が現場に広がっています。
実際、生成AIは驚くほど多くの業務を助けてくれます。しかしデータ分析・集計の領域では、AIに任せるべきでない仕事が明確に存在します。
なぜなら、生成AIの設計思想は「もっともらしい回答を生成すること」であり、「正確な計算を再現すること」ではないからです。
本記事では、現場のデータ担当者やアナリストがよくやりがちな「AI任せ」の落とし穴を5つ紹介します。心当たりがあれば、今すぐ運用を見直すことをおすすめします。
目次
- ①定期レポートの集計値をAIに出させる
- ②KPIの確定値の算出ブレる数値
- ③複数ソースのデータ突合・名寄せ
- ④監査や証跡が必要な数値の生成
- ⑤プロンプトを「集計仕様書」として引き継ぐ
- 「では、AIはデータ分析に使えないのか？
- 今すぐできるセルフチェック
- まとめ
- 次のステップ
①定期レポートの集計値をAIに出させる
なぜダメなのか
同じプロンプトを使っても、毎回まったく同じ数値が返ってくる保証がありません。LLMは確率的にトークンを選択するため、微妙なブレが生じます。「先月¥12,450,000だったのに今月は¥12,380,000」——こうした説明のつかない差異が、会議での信頼を損ないます。
やってはいけない運用の例
- ChatGPTにCSVを貼り付けて「月次売上を集計して」と依頼する
- 毎月同じプロンプトを使い回して数値を出す
- AI出力をそのまま経営報告に使う
正しい代替手段
ETLツールで集計ロジックを定義し、自動実行する。同一ロジックで毎回同じ結果が得られます。
②KPIの確定値の算出
なぜダメなのか
KPIは組織の意思決定の根拠です。「受注件数」「MRR」「解約率」といった数字は、定義が一つでも違えばまったく異なる値になります。AIはその定義をプロンプトから読み取ろうとしますが、曖昧な表現があれば独自に解釈します。
担当者Aが「受注件数」と言ったとき、それは「契約書を締結した件数」か「POを受領した件数」か「受注登録をした件数」か——AIには判断できません。
典型的な失敗パターン
- SFAのデータをAIに渡して「今月の受注件数を出して」と依頼
- 週によって集計範囲の解釈が変わり、数字が5〜8件ブレる
- 「数字が信用できない」という空気が社内に広まる
正しい代替手段
KPIの定義（どのフィールド・どの期間・どの条件で集計するか）をETLのフローとして明文化・固定化する。
③複数ソースのデータ突合・名寄せ
なぜダメなのか
「SFAの顧客名」と「MAの顧客名」が微妙に違う（「株式会社〇〇」vs「（株）〇〇」）場合、どちらが同一顧客かを判定するロジックは複雑です。AIはそれなりに判定してくれますが、毎回同じルールで判定する保証がありません。
結果として、同一顧客が重複カウントされたり、別顧客が同一顧客として扱われたりします。
特に危険なシーン
- SFA・MA・基幹DBの3ソースを横断して集計する
- 顧客マスターが統一されていない環境でのレポート
- 部署間でデータの持ち方が異なる場合
正しい代替手段
名寄せのルール（表記ゆれの吸収ロジック、統一キーの設定）をETLで明示的に定義する。ルールが可視化されるため、変更も追跡できます。
④監査や証跡が必要な数値の生成
なぜダメなのか
「この数字はどこから来ているのか」「どういうロジックで計算されたのか」——監査対応では、こうした問いへの回答が必須です。
しかしAIに集計させた場合、そのプロンプトと出力を保存していたとしても、同じプロンプトを再実行して同じ結果が得られる保証はありません。 数値の再現性がなければ、監査には対応できません。
実際に起きたこと（業界の典型例）
- 四半期の財務KPIをAIで集計・報告
- 監査法人から「集計根拠を説明してほしい」と依頼
- プロンプトは残っているが再現できず、過去データとの整合性も取れない
- 再集計に1週間かかり、内部統制上の指摘事項となる
正しい代替手段
ETLツールはデータリネージ（データの来歴）を自動記録します。「このKPIはどのテーブルのどの列を、どういうロジックで変換して算出したか」を証明できます。
⑤プロンプトを「集計仕様書」として引き継ぐ
なぜダメなのか
「このプロンプトを使えば毎月の集計ができる」——こう思っている担当者は多いです。しかしプロンプトは属人化しやすく、引き継ぎが非常に困難です。
- プロンプトに暗黙の条件が含まれていて、作者以外には意図が伝わらない
- 担当者が変わるとプロンプトの解釈が変わり、数値が変わる
- AIのモデルがアップデートされると、同じプロンプトでも挙動が変わることがある
これはシステムではなく「人の頭の中に手順がある」状態であり、知識の属人化・ブラックボックス化を引き起こします。
正しい代替手段
集計ロジックはETLのフロー（ノードと接続）として定義する。ロジックが可視化・共有され、変更履歴も残ります。担当者が変わっても、まったく同じ結果が再現できます。
「では、AIはデータ分析に使えないのか？」
そんなことはありません。AIが真価を発揮するのは、正確な数値が確定した後の工程です。
ETLツールで集計・確定した数値をAIに渡すことで、以下のような作業を任せられます。
- 数値の変化をわかりやすく自然言語でサマリーする
- 前月比・前年比のトレンドから傾向を読み解く
- 異常値のパターンを説明する
- レポートの文章を自動生成する
つまり、「数値を作る」のはETL、「数値から意味を作る」のはAI——この分業体制が、信頼できるデータ活用の正解です。
今すぐできるセルフチェック
あなたの現場はどうでしょうか。以下の問いで確認してみてください。
☐定期レポートの集計をAIに任せていないか？
☐KPIの確定値をAI出力からそのまま使っていないか？
☐集計ロジックがプロンプトのみで管理されていないか？
☐数値の再現性・監査対応について考えたことがあるか？
☐担当者が変わっても同じ数値が出る仕組みになっているか？
一つでも当てはまる場合、数値の信頼性リスクを抱えている可能性があります。
まとめ
AIに任せてはいけないデータ分析の5つの仕事
- 定期レポートの集計値 — 再現性がなく毎回ブレる
- KPIの確定値の算出 — 定義の解釈がプロンプト依存
- 複数ソースの突合・名寄せ — 名寄せルールが固定されない
- 監査・証跡が必要な数値 — 再現性がなく根拠を示せない
- プロンプトを仕様書として引き継ぐ — 属人化・ブラックボックス化する
これらはすべてETLツールが解決すべき仕事です。AIは確定した数値の上で「意味を作る」役割に徹することで、データ活用の価値を最大化できます。
次のステップ
本記事の内容をより詳しく解説したホワイトペーパー「数値化の信頼性を守る — AIに任せるべき仕事、ツールに任せるべき仕事」を無料配布しています。月次報告・KPI突合・監査対応の失敗シナリオや、業務別判断マトリクスを収録しています。
著者
