データ作業、AIに任せられること・任せられないこと

01 INTRODUCTION「データ整理は、もうAIでいいのでは？」

ChatGPTをはじめとする生成AIに、表計算のデータを貼り付けて「表記ゆれを直して」「重複をまとめて」と頼む。数年前には考えられなかったことが、いまは誰でもできるようになりました。実際、ちょっとした整理ならAIのほうが速く、手作業より正確なことも少なくありません。

一方で、キャンペーンや顧客管理の現場では、こんな声も聞こえてきます。

AIが変えたのは、データ整備の「作業」の部分です。逆に言えば、何を同じとみなすか、どこまでの誤りを許すか、結果をどう説明するか──という「判断」と「責任」の重みは、AIの登場でむしろ増しています。

この資料で使う言葉

02 AI CAN DOAIに任せられること ──「作業」と「候補出し」

AIが得意なことに共通するのは、ルールがはっきりしていて、結果を人が確かめやすい作業です。

数千件規模の一般的なデータを、一般的な生成AIで処理した場合の目安です。サービスや指示の仕方によって結果は変わります。

大切なのは、AIに「答え」ではなく「下書き」や「候補」を作らせるという考え方です。候補を人が確かめる形にしておけば、AIの速さを生かしながら、誤りを最終結果に持ち込まずに済みます。

03 PITFALL 1AIに表記ゆれを直させると、何が起きるか

ある会員データ（架空）の住所・氏名・会社名を、生成AIに「書き方をそろえて」と指示して整えさせた結果の一部です。

緑＝正しい、黄＝使い道によっては問題、赤＝誤り。6件中、そのまま使えるのは1件だけです。

AIの誤りが見つけにくい3つの理由

(1) もっともらしい。No.3のように、AIの誤りは「ありそうな値」の形をしています。入力ミスと違い、目で見ても違和感がありません。

(2) 何を変えたか報告しない。AIは頼まれない限り、「どの行の、どこを、なぜ変えたか」を記録しません。数万件になると、元データと見比べるのは現実的ではありません。

(3) 毎回同じとは限らない。同じデータに同じ指示を出しても、結果が少し変わることがあります。キャンペーンの抽選のように「同じ処理をすれば同じ結果になる」ことが求められる場面では、大きな弱点です。

04 PITFALL 2「同じ人かどうか」は、AIに決めさせない

まず、クイズです。次の4件は、ある会員データの一部です（架空のデータ）。

同じデータを生成AIに渡して「同じ人をまとめて」と頼むと、AIはF・Gも、H・Iも「同一人物」として1人にまとめました。AIは「似ているものをまとめる」のは得意ですが、どの項目の違いを重く見るべきかは、事業の目的によって変わるため、AIには判断できません。

同じデータでも、正解は場面ごとに変わります。これを決めるのは、事業の目的を知っている人です。

05 PRIVACY個人情報とAI ── ルールは「育っている途中」

顧客リストや応募者データを、AIに入れてよいのか。ルールが「ない」わけではありません。むしろ、法律、国のガイドライン、Pマーク、ISMSと、よりどころは複数あります。ただ、そのどれもが生成AIの登場より前に作られたか、生成AIへの対応を始めたばかりです。

出典：個人情報保護委員会、総務省・経済産業省、JIPDEC、ISMS-AC等の公表資料（2026年9月時点）をもとに当社で整理。

つまり、物差しは複数あるのに、「この使い方ならOK、ここから先はNG」という線は、どの物差しにもはっきりとは引かれていません。しかも、物差し同士はつながっていません。Pマークを持っていても、それだけでAIの使い方が保証されるわけではなく、ISMSも同じです。

なぜ「判断ライン」が引きにくいのか

(1) 同じ行為でも、契約と設定で結論が変わる

「顧客リストをAIに入れる」という同じ行為でも、法人向けか個人向けか、学習に使われる設定か、委託契約があるか、サーバーが海外か──で、問題のない使い方にも、避けるべき使い方にもなります。

(2) AIの変化に、ルールが追いつかない

AI事業者ガイドラインは2024年4月の初版から毎年改訂され、2026年にはAIエージェント（自分で判断して操作するAI）への対応が加わりました。2026年7月成立の改正個人情報保護法も、AI開発のためのデータ利用を条件付きで広げましたが、細かな条件は施行（公布から2年以内）までに規則で決まります。

(3) 「適法」と「信頼される」の間に、すき間がある

法律上は問題がなくても、会員や応募者が「自分のデータがAIに使われた」と知れば不信感を持つかもしれません。どこまで許すかは、顧客や取引先との約束の問題でもあります。

判断ラインの例 ── 迷いどころはどこにあるか

一般的な考え方の整理です。実際の判断は、データの内容、契約、利用するサービスの規約によって変わります。

ルールは成熟していくのか ── 待つより、自社の線を引く

方向としては、ルールは確実に具体的になっていきます。改正個人情報保護法の規則づくり、AI事業者ガイドラインの毎年の改訂、AIMS認証の広がり、そしてPマークやISMSの審査でのAIの扱いの具体化。数年のうちに、「標識」は少しずつ立っていくでしょう。

ただし、AIの進化も同じ速さで進みます。ルールが「完成」するのを待っていると、何も使えないまま取り残されるか、気づかないうちに線を越えてしまうか、どちらかになりがちです。

同じAIでも、契約プランで「学習」の扱いが違う

2026年8月時点の各社の公表情報をもとに整理。設定や規約は変わることがあるため、必ず最新の内容をご確認ください。

※一般的な注意点の整理であり、法的な助言ではありません。具体的な判断は、弁護士などの専門家にご確認ください。

06 PREPARATIONAIに入れる前に、データを整える

AIで顧客分析をしたい、AIのチャットボットに会員情報を参照させたい、AIで需要を予測したい。こうした「AIの活用」は、どれも元のデータが正しいことが前提です。データの世界には、「ゴミを入れれば、ゴミが出てくる（Garbage In, Garbage Out）」という言葉があります。AIは、入ってきたデータが重複していても、それを疑わずに分析します。

架空の会員データ1万件で、名寄せの前と後を比べてみましょう。

数値は説明のための架空の例です。重複の割合はデータの集め方によって大きく変わります。

名寄せ前のデータをそのままAIに分析させると、「優良顧客は120人」という誤った前提で施策が組み立てられます。AIの分析が高度になるほど、土台のデータの誤りは見えにくくなり、影響は大きくなります。

07 FRAUD不正する側も、AIを使い始めている

キャンペーンの重複応募や、ポイントの不正取得。AIは不正を見つける側の道具であると同時に、不正をする側の道具にもなっています。名前や住所の書き方を少しずつ変えた申込データを大量に作ることは、AIを使えば簡単です。

実際のデータでは、次のように見えます（架空のデータです）。

1件ずつ見ると、どれも普通の応募です。名前の書き方はすべて違い、メールアドレスも別々です。

4件を並べると、住所の番地が同じ、メールアドレスに連番がある、数分おきに応募しているという共通点が見えてきます。これは、表記ゆれを「直す」だけでは見つかりません。どんな組み合わせが不自然かという、不正の手口についての知識が必要です。

AI時代の不正対策で大切なこと

ルールは見破られる前提で。「同じ住所は1口まで」のようなルールは、知られればすり抜けられます。応募データの傾向を見ながら、判定の観点を見直し続けることが必要です。

AIは「怪しい候補」を出す役。不自然なパターンを探すのはAIの得意分野です。ただし、応募を無効にするかどうかの判断は、根拠を確かめたうえで人が行います。

判定の観点は外に出さない。何を手がかりに不正を見つけているかは、委託先と発注者の間だけで共有し、公開しないことが基本です。

08 ROLES人とAIの役割分担 ── 人が決め、AIが作業し、人が確かめる

黄色が「人が決める・人が責任を持つ」部分です。

AIの出力を「検品」する方法

09 CHECKLISTAIを使う前・委託する前に確認したい7つのポイント

社内でAIを使う場合も、AIを使う委託先に任せる場合も、同じ観点で確認できます。各項目に「聞き方」の例を添えました。

1. 目的と判断の基準が、言葉になっているか何を同じとみなすか、どこまでの誤りを許すかが文書になっていて、発注者と委託先で共有されているか。
   聞き方の例：「同じ人とみなす基準を、文書で見せてもらえますか？」
2. 個人情報をどのAIに、どこまで渡すか決まっているか学習利用・保存場所・利用目的を確認した会社契約のサービスだけを使い（社員個人のアカウントは使わない）、渡す項目を最小限にしているか。
   聞き方の例：「AIを使う場合、どのサービスに、どの項目を渡しますか？」
3. AIの出力を検品しているか件数の突き合わせと抜き取り確認を行い、誤りの割合を把握しているか。
   聞き方の例：「AIで処理した結果の誤りは、どうやって見つけていますか？」
4. 同じ人かどうかの最終判断を、誰がしているかAIの候補をそのまま採用せず、迷う例（F・G、H・I）を人が確かめているか。
   聞き方の例：「同名の親子や、同じ建物の同姓同名はどう扱いますか？」
5. 処理の経過を記録し、再現できるか何件を変更・統合・除外したかを記録し、同じ処理をすれば同じ結果になるか。
   聞き方の例：「もう一度同じ処理をしたら、同じ結果になりますか？」
6. 不正の手口の変化に合わせて、見直しているかAIを使った新しい不正の傾向をふまえ、判定の観点を更新し続けているか。
   聞き方の例：「最近の不正応募には、どんな傾向がありますか？」
7. 誤りが見つかったときの責任と手順が決まっているかAIによる誤りも含め、誰が・どこまで・どの手順で直すかが事前に決まっているか。
   聞き方の例：「AIの処理で誤りがあった場合、どう対応しますか？」

10 SUMMARYまとめ ── AIは道具、決めるのは人

生成AIによって、表記ゆれの統一や重複候補の洗い出しといった「作業」は、速く、安くなりました。これは歓迎すべき変化です。一方で、何を同じとみなすかという判断、個人情報の扱い、結果についての説明責任は、AIに任せることができません。AIが作業を担うほど、その判断の質が、データ活用全体の信頼を左右するようになります。

AIを使うかどうかではなく、AIの結果を確かめ、根拠をもって説明できる体制があるかどうか。それが、AI時代のデータ整備で問われることです。

「決まっていなかった」は、通用しません

個人情報保護法は、事業者に安全管理措置、従業者の監督、委託先の監督を義務づけています。

関連資料：第1弾『データクレンジング入門 ── 表記ゆれ・重複・名寄せをサンプルデータでわかりやすく解説』