データの相談相手がゼロだったので、年間5,000万のデータ部門を月3,000円のAIで作ってみた
「あなたの提案は『作業を速くすること』であって、『判断を速くすること』ではない。本質的な課題に届いていない。」
金曜の夜、Claudeの画面にその文字列が並んだとき、正直、背筋が冷たくなった。
これは上司の言葉じゃない。同僚のフィードバックでもない。
私がAI上に作った「仮想データ部門」——5人の専門家チームが議論した末に出してきた、プロジェクトへの反対意見書の一節だ。しかも架空のシナリオじゃない。私が今まさに推進している実際のプロジェクトに対して、だ。
AIに図星を突かれるって、こんなに痛いのか。
「聞ける人がいない」は、会社の規模と関係ない
1年前に、大手企業のデータ部門に転職した。
部門の規模は大きい。周りには私より優秀な人がほとんど。なのに、中途入社の私には「入社した企業のデータに関することを気軽に相談できる相手」がいなかった。
周囲はプロパーのベテランばかりで、社内の暗黙知を共有する関係がすでに出来上がっている。技術的な質問はできる。でも「この方針、本当にこれでいいんですかね？」みたいな、ちょっと弱みを見せる系の相談が、できない。
転職前はもっとひどかった。前職では月150時間残業して2回壊れている。そのあたりの話は所信表明に書いたので、興味があればそちらを。
で、気づいたんですよね。この「聞ける人がいない」って、会社の規模の問題じゃないんだ、と。
大企業の中途は「人はいるけど聞ける人がいない」。中小企業の担当者は「そもそも人がいない」。理由は違うけど、行き着く先は同じ。毎月の集計で1日が終わる。Excelの関数が壊れて半日潰れる。「この数字の読み方、合ってるのかな」と思っても、確認する相手がいない。
その孤独から、月3,000円で5人の専門家チームに壁打ちできるようになった話をする。
データ活用で成果を出せている企業は、わずか3％
話の前に、1つだけ数字を見てほしい。
データを活用して全社的な成果を出せている日本企業は、わずか3％（Gartner, 2024）。残りの97％は「重要だとわかっている。でもできていない」。
特に中小企業の状況は深刻だ。社内にIT人材がいる企業は4社に1社しかない（中小企業基盤整備機構, 2025）。高度なデータ分析——統計や機械学習を使った予測——ができている中小企業は約1割にとどまる（総務省, 2020）。
「じゃあデータサイエンティストを雇えばいい」と思うかもしれない。でも、求人倍率は全国平均で2.8倍、東京では4.9倍（厚労省, 2024）。年収のボリュームゾーンは700〜900万円。一部の大企業やデータ関連企業を除いてこの給与水準を、雇える企業はどれだけあるだろうか。
中小企業庁の調査では、中小企業の約7割がITデジタル人材を採用すらしていない（中小企業白書, 2023）。採用していないんじゃなくて、採用できない。
X（旧Twitter）にはこういう声が溢れている。
「一人情シスで手一杯なのに、データ分析もやれと言われた。物理的に無理」
「社長に突然『AIで何かできないか』と言われたけど、何から始めればいいかすらわからない」
「相談相手がいないから、ChatGPTに課金しようか本気で悩んでいる」
データの相談相手がゼロ。でも、データを見ないと判断を間違える。この矛盾を抱えたまま、毎日の業務を回している人が、たくさんいる。
年間5,000万。それがデータ部門の値段。
きっかけは、ある数字だった。
データを読み解く人（アナリスト）、データの基盤を作る人（エンジニア）、分析手法やAIのモデルを組む人（サイエンティスト）、データの安全管理をする人（ガバナンス担当）、プロジェクトや事業戦略の要件を整理する人（ビジネスコンサルタント）。この5職種をフルタイムで揃えると、年間5,000万円前後かかる。
どれほどの企業がこのコストをかけれるかというとかなりの企業が難しいと思う。
一方で、Claude ProやChatGPT Plusの月額は約3,000円（月20ドル）。年間にしても3.6万円。
1,000倍以上のコスト差。
もちろんAIが人間の専門家と同じわけがない。でも、「相談できる人がゼロ」の状態と比べたら？ AIに専門家の役割を演じさせて壁打ちした方がマシなんじゃないか。
そう考えて私は、Claudeで「仮想データ部門」を作ることにした。
最初の失敗：5人がバラバラだと「チーム」にならない
最初にやったのは、5つのAIプロジェクトを個別に作ること。アナリスト用、エンジニア用、ガバナンス担当用——それぞれに専門家のプロフィールと判断基準を設定した。
で、同じ課題を5人に投げてみた。
返ってきたのは、5つの独立した回答。当たり前だ。互いの発言を踏まえた議論にならない。「チーム」じゃなくて「5回の個別相談」になっただけ。
正直、「あ、これダメだな」と思った。普通ならここでやめる。
でも、方針を変えた。1つのプロジェクトに5人全員を入れて、1チャット内で議論させる。
5人分の役割・判断手順・口癖・禁止事項を全部書いて、議論の進行ルールまで組み込んだ。ビジネスコンサルタントが議長役で議論を仕切り、各専門家が順番にコメントし、自由討論で対立点を洗い出し、最後に議長が提案書にまとめる——という流れ。
ちなみに最初は4人だった。アナリスト、エンジニア、ガバナンス担当、サイエンティスト。
テスト運転してすぐ気づいた。データの専門家だけ集めても「何を解くべきか」を決める人がいない。 技術の話ばかりで「で、結局それやるとビジネスにどう効くの？」と聞く人が不在。
それで5人目を追加した。ビジネスコンサルタント——「で、結局これやると売上いくら増えるの？」「社長に30秒で説明するとしたら？」と問い続ける役割。
この1人を足しただけで、議論の質がまるで変わった。
架空の雑貨店で回したら、AIに「AI要らないです」と言われた
5人統合版を、まず架空のシナリオでテストした。
サクラ雑貨店。 従業員45名、年商8億円。EC＋実店舗3店舗。定期購入の解約率が前年比3.7倍に悪化。顧客データはShopifyとPOSに分散。解約アンケート800件が未分析のまま放置。データ専任者なし。
投げてみた。
5人の議論が始まる。議長が「解約3.7倍の原因特定→打ち手実行→効果測定」とゴールを設定。アナリストが解約を因数分解し、3仮説を提示。サイエンティストがアンケート800件のテキスト分類手法を提案し——
ここでエンジニアが言った。
「それ、Excelでよくないですか？」
Shopifyから注文データをCSVエクスポートして、ピボットテーブルで「獲得チャネル×継続月数×解約有無」を集計すれば、仮説の大半は翌日検証できる。初期投資ゼロ。AIが本当に必要なのは800件の自由記述テキスト分類だけで、それもAPI利用で500円かからない——と。
「AIデータ部門」の記事を書こうとしているのに、AIデータ部門に「AI要りません」と言われた。
正直、ちょっと困った。いや、かなり困った。
でも冷静に考えたら、これが正しいんですよね。「AIで何かしたい」が先に来ると、Excelで十分なことに毎月お金を払い続ける罠にハマる。
あなたの会社はどうだろう。「AI導入」が目的になっていないだろうか。
ガバナンス担当からも鋭い指摘が飛んできた。「45人の会社で、顧客データ入りのExcelがメール添付で社内に回ったら、退職者経由で流出しますよ。パスワードとアクセス制限、3分で決められることです。やってください。」
地味だけどありがたい。こういう「うっかり忘れがちだけど致命的なリスク」を指摘してくれる人、あなたの周りにいますか。
実プロジェクトで回したら、次元が変わった
サクラ雑貨店で動作確認ができたので、次は本番。自分が実際に推進しているプロジェクトのデータと課題を投げ込んだ。
大手企業で、業務の判断スピードをAIで大幅に短縮するプロジェクト。チーム7名、クラウド基盤を使い、AIツールの試作は成功済み——だが本番運用への壁がいくつも残っている状態。
プロジェクトの議事録や資料をアップロードした上で、5人に議論させた。
出力の質が、架空シナリオとは完全に別物だった。
アナリストは「AIの出力品質を3つに分解して測定すべき」と提案し、具体的な評価指標まで設計してきた。エンジニアは議事録を読み込んで「データ基盤の方針が決まらないまま次のフェーズに進むと、後で大幅なやり直しになる」と、プロジェクト固有のリスクを名指しで指摘した。
最大の違いは、議論の「深さ」。
架空シナリオでは「この手法が有効です」レベルの一般論が多かった。実データを入れると「この議事録のこの発言から判断すると」という根拠付きのコメントが出てくる。
社内の情報を入れれば入れるほど、AIの出力品質が上がる。
頭ではわかっていた。でも目の前で見せつけられると、正直ゾッとした。「この精度の壁打ちが月3,000円で手に入るのか」と。
「リーダーが見落としている論点を3つ挙げてください」
提案書が出てきた後、試しに聞いてみた。
「この議論の中で、リーダーである私が見落としていた可能性が高い論点を3つ挙げてください。なぜ見落としやすいかの理由も添えて。」
返ってきた3つが、どれも痛かった。
1つ目は、試作で成功した「型」をそのまま信じていたこと。2つ目は、AIツールの乗り換えコストを甘く見ていたこと。3つ目は、「作る側」の進捗管理に集中して「使う側の離脱」を見落としていたこと。
3つとも、指摘されるまで完全に死角だった。
「言われてみればそうだ」じゃなくて、「言われるまで絶対に気づかなかった」。この差は、地味に大きい。
なぜ見落としていたのか。それぞれに構造的な理由がある。
詳細の記事は明日2月12日（木）18：30～公開する。
そして、プロジェクトの存在意義に疑問を投げてきた
さらに「反対する立場で、提案の最大の弱点を3つ遠慮なく指摘してください」と聞いた。
返ってきた3つ目の疑義が、冒頭の言葉だった。
「あなたの提案は『作業を速くすること』であって、『判断を速くすること』ではない。」
胃がキュッとなった。
私はツールの改善に没頭していて、「判断の仕組み全体」を見失っていた。リーダーとして致命的な視野の狭さだ。
——で、ここに気づいてから、私の中で仮想データ部門の位置づけが変わった。
これはデータ部門の「代替」じゃない。
自分の思い込みに気づくための「セカンドオピニオン・チーム」だった。
なぜAIがここまで踏み込んだ指摘をできたのか。反対意見書の残り2つの疑義は何だったのか。
こちらも詳細の記事は明日2月12日（木）18：30～公開する。
「AIに専門家を演じさせる」だけでは、ここまでの出力は出ない
「AIに専門家の役割を与える」手法自体は知られている。Xでも「3人の専門家にシミュレーションさせるプロンプト」が232いいねを集めていたりする。
でも大半は「1人のAIに1つの役割を与えて回答をもらう」で止まっている。
この記事でやったのは、5人をチームとして議論させ、対立を設計し、議長が提案書にまとめるところまで。しかも架空シナリオと実プロジェクトの両方で検証している。
なぜそこまでやったか。
1人に聞いただけでは「いい回答」が返ってくるだけで、「自分の思い込みに気づく」ところまでは行かない。5人がぶつかり合って初めて、穴が見える。
原則①：「Excelでよくないですか？」を許容せよ
5つの原則のうち、最も重要な1つ目だけ先に書いておく。
AIに「AIを使うべきかどうか」の判断まで委ねること。設定にAI推進バイアスをかけない。
サクラ雑貨店のエンジニアは「ピボットテーブルで十分」と言い切った。それが正解だった。中小企業のデータ活用で最も危険なのは、「AIで何かしたい」が目的化すること。
Xで「たかがExcelだけど長時間労働の源泉」って投稿が5,000いいね以上集めていた。多くの中小企業にとって本当に必要なのは、最新のAIツールじゃなくて「今あるExcelの使い方を誰かに相談する」こと。
そして、AIはその「誰か」になれる。
仮想データ部門に投げたとき、「AIを使うべきです」ではなく「Excelでよくないですか？」と返ってくるなら、そのチームは正しく機能している。
残り4つの原則は明日2月12日（木）18：30～公開記事に書く予定。
データの知見がないと、5人の議論についていけないんじゃないか問題
ここまで読んで、1つだけ引っかかっていることがあるんじゃないか。
「5人の専門家がいい感じに議論してくれるのはわかった。でも、「
その議論の中身を理解できなかったら意味なくないか？」
私はデータ部門にいるから、正直5人の議論はだいたいわかる。でもそれを社内のビジネス部門——営業やマーケティングの人に見せたらどうなるか。「多変量解析」「クラスター分析」「データ基盤の正規化」——こういう言葉が普通に出てくる。わかる人にはわかるけど、わからない人には全文が暗号に見える。
で、ここがAIの本当の強みだと思っている。
試しに、5人の議論が終わった後にこう聞いてみた。
「今の議論を、データのことを全く知らない営業部長に5分で説明するとしたら、どう言い換えますか？」
返ってきた説明が、びっくりするほどわかりやすかった。「クラスター分析」は「お客さんを似た者同士のグループに分ける作業」に。「データ基盤の正規化」は「バラバラの場所に散らばっている顧客情報を、1つの棚に整理すること」に。専門用語がゼロになった。
さらに踏み込んで「この内容をExcelの操作手順として、1ステップずつ教えてください」と頼むと、スクリーンショットの代わりに「A列の2行目を選択→データタブ→ピボットテーブル→…」と、クリック単位の手順を出してきた。
つまり、仮想データ部門は「専門家に相談する」だけのツールじゃない。相談した後に「で、私は具体的に何をすればいいの？」まで、自分のレベルに合わせて教えてもらえる。
人間のコンサルタントなら「ちょっとレベル落として説明してもらえますか」と何度も言うのは気が引ける。AIは何回聞いても嫌な顔をしない。「もう少し簡単に」「もっと具体的に」「Excelでやるならどうすればいいか」——何度でも、何時間でも付き合ってくれる。
ベテランのコンサルタントを雇ったら時給数万円。AIなら月3,000円で、自分のペースで、自分のレベルに合わせて、実務を一緒にやりながら学べる。任せるだけじゃなく、OJTにもなる。
明日2月12日（木）18：30～公開記事では、この「レベル別チューニング」のやり方も設定テキストに組み込んでいる。「専門用語を使わず説明して」と毎回手動で頼む必要がないよう、最初から設定に入れておく方法だ。
この先に何があるか
ここまで読んでくれた人は、たぶん2つのことを感じている。
「面白い。でも自分で作るのは無理そう。」 「5人の設計って、具体的に何をどう書けばいいの？」
明日の記事では、以下をそのまま渡す。
コピペで動くプロンプト9本。
5人の専門家チーム設定プロンプト、サクラ雑貨店シナリオ、自社置き換えテンプレート、レベル別チューニング設定に加え、議論を深掘りする質問プロンプト5本。Claude・ChatGPT・Gemini、どれでも動く。貼るだけで5分で仮想データ部門が立ち上がる。
今回の記事ではまだ出ていない全容。
見落とし3つの構造的理由。反対意見書の全文。大企業vs中小企業で出力がどう変わるか。5原則の残り4つ。
あなたの会社に、データのことを相談できる人は何人いますか。
もしゼロなら、まずAIに5人のチームを作ってみてほしい。
AIが返してくる最も価値のある言葉は、答えじゃない。
「本当にそれでいいの？」という、問いだ。
📱 noteに書ききれない日々の記事の裏側（試行錯誤・TIPS・速報）は
「X」で毎日公開中→ https://x.com/data_ai_labo
（フォローすると毎日AIの実践Tipsが流れてきます）
この記事が参考になったらスキ（♡）をお願いします。
試してみた方は、ぜひ感想をXで教えてください。
ハッシュタグ #AI仮想データ部門 でポストしてもらえると、私も必ず読みに行きます。
📌 関連記事
AI壁打ち・組織知シリーズ
AI×業務効率化シリーズ
AIエージェント入門シリーズ
AIツール比較・レビュー
X（@data_ai_labo）でもAI活用のリアルな気づきを発信中。
