ストーリー
田
田中VPoE
「成功パターンと失敗パターンを学んだ。では、NetShop社はAI活用に対してどの程度準備ができているのか、体系的に評価する方法を学ぼう。」
あなた
「自社の現在地を把握するということですね。」
あ
田
田中VPoE
「その通り。これをAIレディネス評価と呼ぶ。組織、データ、技術、人材の4つの軸で準備度を測る。現在地がわかれば、どこから手をつけるべきかが見えてくる。」
あなた
「いきなりAIを導入するのではなく、まず自分たちの立ち位置を確認するんですね。」
あ
田
田中VPoE
「そうだ。レディネスが低い状態でAIを導入しても失敗するだけだ。ギャップを特定し、埋めるための計画を立てることが先決だ。」
AIレディネス評価フレームワーク
4軸評価モデル
AI活用のレディネスを以下の4軸で評価する。
AIレディネス評価
├── 1. 組織レディネス（Organization）
│ └── 経営層のコミットメント、推進体制、文化
├── 2. データレディネス（Data）
│ └── データの量・質・アクセス性・管理体制
├── 3. 技術レディネス（Technology）
│ └── IT基盤、システム統合、技術スタック
└── 4. 人材レディネス（People）
└── AI人材、リテラシー、教育体制軸1: 組織レディネス
| レベル | スコア | 状態 |
|---|---|---|
| 未着手 | 1 | AI活用について議論されていない |
| 関心段階 | 2 | 経営層がAIに関心を示しているが具体的な動きはない |
| 計画段階 | 3 | AI活用の方針が策定され、予算が確保されている |
| 推進段階 | 4 | 専任チームが設置され、組織横断で推進している |
| 定着段階 | 5 | AI活用が企業文化として根付き、自律的に拡大している |
評価ポイント
| 評価項目 | 確認すべきこと |
|---|---|
| 経営層のコミットメント | AI活用が経営戦略に組み込まれているか |
| 推進体制 | 専任チームまたは兼任担当者がいるか |
| 予算 | AI関連の予算が確保されているか |
| 組織文化 | 新技術への挑戦を受け入れる風土があるか |
| 部門間連携 | 部門を超えたデータ共有・協力が可能か |
軸2: データレディネス
| レベル | スコア | 状態 |
|---|---|---|
| 未整備 | 1 | データがデジタル化されておらず紙や口頭が中心 |
| 部分整備 | 2 | 一部の業務データがシステムに蓄積されている |
| 基盤あり | 3 | データベースやDWHが構築されデータが一元管理されている |
| 高品質 | 4 | データ品質管理プロセスが稼働し高品質データが維持されている |
| データドリブン | 5 | データに基づく意思決定が全社で行われている |
評価ポイント
| 評価項目 | 確認すべきこと |
|---|---|
| データの存在 | AI活用に必要なデータが存在するか |
| データの量 | AI学習に十分な量があるか |
| データの品質 | 欠損・重複・誤りが少ないか |
| データのアクセス性 | 必要な人が必要な時にアクセスできるか |
| データの管理体制 | データオーナー、品質管理ルールが定義されているか |
軸3: 技術レディネス
| レベル | スコア | 状態 |
|---|---|---|
| レガシー | 1 | オンプレ中心、API連携なし、手動運用 |
| 基盤構築中 | 2 | クラウド移行中、一部のAPI整備 |
| クラウド活用 | 3 | クラウド基盤でAPI連携が可能な状態 |
| 統合基盤 | 4 | マイクロサービス化され柔軟な統合が可能 |
| AI基盤あり | 5 | MLOps基盤が構築されAIモデルの開発・運用が自動化 |
評価ポイント
| 評価項目 | 確認すべきこと |
|---|---|
| インフラ | クラウド環境が利用可能か |
| システム統合 | API連携やデータ連携の仕組みがあるか |
| セキュリティ | AI活用に必要なセキュリティ基盤があるか |
| 開発環境 | 実験・検証のための環境が整備されているか |
| 運用基盤 | モニタリングやアラートの仕組みがあるか |
軸4: 人材レディネス
| レベル | スコア | 状態 |
|---|---|---|
| 不在 | 1 | AI関連の知識を持つ人材がいない |
| 個人レベル | 2 | 一部の社員が個人的にAIを学習・活用している |
| チーム形成 | 3 | AI推進チームが形成され専門人材がいる |
| 組織的育成 | 4 | 全社的なAIリテラシー教育が実施されている |
| 自律的成長 | 5 | 各部門にAI活用の推進者がいて自律的に活用が拡大 |
評価ポイント
| 評価項目 | 確認すべきこと |
|---|---|
| 専門人材 | データサイエンティスト、MLエンジニアがいるか |
| AIリテラシー | 全社員のAI基礎知識のレベル |
| 教育体制 | AI関連の研修・学習プログラムがあるか |
| 外部パートナー | 不足スキルを補う外部パートナーがいるか |
| キャリアパス | AI人材のキャリアパスが設計されているか |
レディネス評価の総合判定
スコア算出
総合スコア = (組織 + データ + 技術 + 人材) / 4総合レベル判定
| 総合スコア | レベル | 推奨アクション |
|---|---|---|
| 1.0 - 1.9 | Level 1: 準備不足 | 基盤整備から着手。AI活用は時期尚早 |
| 2.0 - 2.9 | Level 2: 着手可能 | 小規模PoCから開始。並行して基盤強化 |
| 3.0 - 3.9 | Level 3: 推進可能 | 本格的なAI活用プロジェクトを開始 |
| 4.0 - 4.9 | Level 4: 成熟段階 | 全社展開と高度なAI活用を推進 |
| 5.0 | Level 5: 先進段階 | AIネイティブ企業として業界をリード |
レーダーチャートでの可視化
組織 (5)
↑
|
人材 ←----+----→ データ
|
↓
技術 (5)
4軸のバランスが重要。
1軸だけ高くても効果は限定的。
最も低い軸がボトルネックになる。ギャップ分析とアクション計画
レディネス評価の結果からギャップを特定し、アクション計画を策定する。
| ステップ | 内容 |
|---|---|
| 1. 現状評価 | 4軸それぞれのスコアを算出 |
| 2. 目標設定 | AI活用の目標に必要なレディネスレベルを定義 |
| 3. ギャップ特定 | 現状と目標の差を明確にする |
| 4. 優先順位付け | ボトルネックとなっている軸を最優先で対処 |
| 5. アクション策定 | ギャップを埋めるための具体的なアクションを計画 |
まとめ
| 項目 | ポイント |
|---|---|
| 4軸評価 | 組織・データ・技術・人材の4軸で総合的に評価 |
| スコアリング | 各軸1-5で評価し、総合スコアでレベル判定 |
| バランス重視 | 最も低い軸がボトルネック。4軸のバランスが重要 |
| ギャップ分析 | 現状と目標のギャップを特定し、アクション計画を策定 |
| 段階的改善 | 一度に全てを改善するのではなく、優先順位をつけて段階的に |
チェックリスト
- 4軸評価フレームワークを説明できる
- 各軸のレベル定義を理解した
- 総合レベル判定と推奨アクションを把握した
- ギャップ分析の手順を理解した
次のステップへ
次は演習として、NetShop社のAIレディネスを実際に評価してみよう。
推定読了時間: 30分