ガバナンスがないと何が起きるか
製造データのガバナンスは、データを誰が持ち、誰が品質に責任を持ち、誰が使ってよいかの取り決めです。AIを使い始めると、これが決まっていないことによる問題が表に出ます。
- 修正依頼が宙に浮く：AIの担当者が異常なデータに気付いても、直す責任者がいない。結果として、誤った値を除外する処理がAI側に積み重なる
- 定義が人によって違う：「稼働率」「不良」の定義が部門ごとに違い、同じデータから違う数字が出る
- 変更が知らされない：設備の改造でタグの意味や単位が変わっても、AIの担当者に伝わらない。モデルの精度が理由もなく落ちる
- 使ってよい範囲が分からない：作業者の作業時間のデータを個人評価に使ってよいのか、外部のAIサービスに出してよいのか、判断する基準がない
IPAの「DX動向2026」では、データ整備・管理・流通の課題として「データの標準化が難しい」が36.8%、「管理システムが整備されていない」が32.6%でした（全産業）。標準化や管理の仕組みの前提として、誰が決めるかを決める必要があります。
5つのルール
最初に決めるルールは、次の5つで足ります。
| # | ルール | 決めること | 決めないと起きること |
|---|---|---|---|
| 1 | 所有者 | データの種類ごとの所有部門と責任者 | 修正・変更の判断が誰にもできない |
| 2 | 品質ルール | 範囲・欠損・時刻・コードの妥当性の基準と、違反時の対応 | 異常値がAIに入り続ける |
| 3 | 変更管理 | タグ・マスタ・コード体系を変えるときの通知と記録 | AIの精度が理由もなく落ちる |
| 4 | アクセス権 | 誰が、どのデータを、どの目的で使えるか。外部への提供の可否 | 個人データの目的外利用、機密の流出 |
| 5 | 保持期間 | データの種類ごとの保存期間と、削除・アーカイブの方法 | 学習に必要な期間のデータがない、または保存費が膨らむ |
1の所有者は、データを作る部門が持つのが原則です。設備の時系列データは生産技術または製造、品質判定は品質保証、作業実績は製造、マスタは各マスタの管理部門です。所有者は、データの意味と正しさに責任を持ちますが、基盤の運用まで担う必要はありません。基盤の運用はデータ基盤を誰が持つかで扱うデータエンジニアや情報システムの役割です。
2の品質ルールは、データ基盤側に自動チェックとして実装し、違反を所有者に通知します。具体的なルールの例は製造データ品質の10の問題で扱っています。
台帳1枚で回す
5つのルールを個別の規程にすると、更新されなくなります。データの種類（またはデータセット）ごとに1行の台帳を作り、5つのルールを列として持たせる方法を勧めます。
台帳の運用は次のように回します。
- 最初のAIユースケースで使うデータだけを台帳に載せる（全データを載せようとしない）
- 所有者の欄には部門名と担当者名の両方を書く。部門名だけでは修正依頼の宛先にならない
- 品質ルールの違反通知は、台帳の所有者に自動で送られるようにする
- 新しいユースケースで使うデータが増えたら、行を追加する
- 四半期に1回、所有者が自分の行を見直す
外部のAIサービスにデータを出すときのルール
クラウドのAIサービスや外部のベンダーにデータを渡す場合は、アクセス権の列に「外部提供の可否」と「条件」を書きます。判断の基準は次のとおりです。
- 製品の図面・レシピ・加工条件など、競争力の源泉になるデータは、原則として学習に使われない契約・設定を確認する
- 顧客から預かったデータ（顧客の図面、顧客専用の品質データ）は、顧客との契約で外部提供が制限されていないかを確認する
- 個人を特定できるデータは、個人情報保護の規程に従う
生成AIへの入力や学習データの管理は、別途社内ルールとして定めておくと、現場が判断に迷わずに済みます。
よくある質問
データガバナンスの専門部署を作るべきですか？
最初から専門部署を作る必要はありません。台帳を管理する担当者を1人決め、所有者は各部門に置く形で始めます。データの種類と利用者が増え、部門間の調整が頻繁になった段階で、専門の担当やチームを検討します。
所有者を引き受ける部門がない場合はどうすればよいですか？
所有者は、データを作る部門が担うのが原則です。引き受けを渋る場合は、所有者の仕事が「データの意味と正しさの判断」に限られ、基盤の運用は含まないことを説明します。それでも決まらない場合は、工場長など上位者が指名します。
ガバナンスを厳しくするとAIの開発が遅くなりませんか？
アクセスの申請や承認の手続きを重くすると遅くなります。最初は、所有者と品質ルールと変更通知の3つに絞り、アクセス権は「社内で使ってよい」「集計のみ」「外部提供不可」程度の粗い区分で始めます。問題が起きたところから細かくします。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
