なぜ基幹データの分析でつまづくのか？
多くの企業が、自社データを生かした意思決定を進めようとした際、基幹システムとの壁にぶつかることが多い。その壁とは何か。システムへのアクセス権限や、データの構造を理解できる人材の不足、そして何より「データを取り出すための専門技術」の不足だ。
例えば、SAPのような大規模な基幹システム（ERP）を使っている企業は多い。しかし、そこに蓄積されている売上データや在庫データを、経営判断に使える形に落とし込むのは容易ではない。従来は、SAPの内部言語であるABAP（Advanced Business Application Programming）を理解できるエンジニアが、データを抽出・加工する必要があった。
この「ABAPを読めるエンジニア」は希少で、採用コストも高く、社内ですぐに見つかるとは限らない。そのため、データ分析のプロジェクトが、人材不足で停滞したり、外部依存が高まったりするケースが後を絶たない。私たちはこの状況を、単なる技術的な課題ではなく、組織のデータリテラシーと、AI活用体制の問題だと見ている。
専門知識を持つ特定の個人に依存する仕組みは、属人化を招き、変化の速いビジネス環境では脆いからだ。そこで注目されているのが、AIを活用してデータ分析のハードルを下げるアプローチだ。実際に大手企業で、この手法が大きな成果を上げている事例が報じられている。
データ分析を「専門家の領域」から「一般の開発者や担当者でも扱える領域」へと昇華させる方法とは何か。それが今回の記事の核心だ。私たちは、AI時代のデータ活用において、専門的なコード書きを手放し、論理的な思考と検証にリソースを集中させる流れが、中小企業にも不可欠だと考えている。
特に、限られたITリソースで経営の質を高めたい中小企業の担当者であれば、このアプローチは大きなヒントになるはずだ。AIを単なるチャットボットとして使うだけでなく、基幹データの分析プロセスそのものを変革するツールとして捉える視点が必要だ。これからは、AIが「コードを書く」のではなく、「分析の設計図」を描き、人間の担当者がその意図を確かめる——そんな役割分担が主流になっていくだろう。
この転換点を捉えられるかどうかで、企業のデータ活用スピードは大きく変わる。では、具体的にどのような手法で、ライオンはデータ活用の障壁を越えたのか。その実例から、我々AJTCが提唱する「自走力のあるデータ活用体制」の構築方法を探っていきたい。
ライオンの事例：ABAPの壁をAIでどう打破したか
まず、今回の記事の起点となる主要なニュース事实を整理しよう。ライオン株式会社は、基幹システムのSAPデータを活用するため、Geminiを用いてABAPやCDS ViewからSQL文への変換に取り組み、初心者エンジニアでも扱えるようにした。これはITmediaエンタープライズの記事で詳細に報じられている。
ITmedia「ライオンの「時短90％」内製化術 ABAPを読めない開発者がSAPデータをBigQueryで活用」
この取り組みの最も顕著な効果は、SAPの学習にかかる工数が最大90％削減された点だ。つまり、以前であれば数週間〜数ヶ月かかっていたデータ抽出の準備作業が、AIの支援により極めて短時間で完了するようになったことを意味する。これは単なる作業時間の短縮にとどまらない。
「ABAPを読めない開発者」が、SAPのデータを活用できる世界が訪れたのだ。これにより、専門的なSAPエンジニアに依存していた業務が、より多くのエンジニアに分散可能になった。これは、中小企業にとって特に重要な意味を持つ。
なぜなら、中小企業には大企業のような専門部署や豊富なリソースは存在しないからだ。限られたIT担当者や、ITリテラシーが様々である社内メンバーで、いかにデータ活用を進めるかが鍵になる。ライオンの事例では、Geminiという最新のAIモデルを活用し、複雑なSAPの内部言語（ABAPやCDS View）を、より汎用的なSQLに変換させた。
SQLはデータベースを操作するための標準的な言語であり、多くの開発者やIT担当者が基礎知識を持っている。つまり、AIが「翻訳者」の役割を果たし、専門的な壁を越えてデータを抽出できるようにしたのだ。この手法は、Claude Codeのような開発支援AIが、コードの生成や変換を支援する考え方と通じるものがある。
専門的なコマンドや言語を自然言語や一般的なコードに変換し、開発者の負担を減らす。しかし、ライオンの事例の真価は、それだけではない。単にデータを抽出するだけでなく、データモデルの再設計とBigQueryエージェントの活用により、経営層向けのアドホック分析にも取り組んでいる点だ。
アドホック分析とは、特定のビジネス上の疑問に対して、都度必要なデータを集めて行う分析のことだ。例えば「なぜ今月、この商品の売上だけが落ちたのか？」「このキャンペーンの効果は本当にあったのか？」といった質問に対して、いちいちシステムエンジニアに依頼していたのを、ビジネス担当者が自ら分析できるようになったのだ。これは、データ分析の民主化と言える。
私たちはこの点を、AI活用における大きな転換点だと見ている。「データを扱う」ことが、IT部門だけの仕事から、ビジネス部門が主体となって行える仕事へシフトしたからだ。その結果、経営層はより迅速に、かつ詳細な意思決定を行えるようになった。
これにより、市場の変化に対する企業の対応スピードは飛躍的に向上する。この事例から読み取れるのは、AIが単なる自動化ツールではなく、組織のデータリテラシーを底上げし、意思決定の質を高める触媒としての役割を果たしている点だ。中小企業でも、同様のアプローチが可能かもしれない。
専門知識を持たない担当者でも、AIの支援があれば、基幹システムのデータを活用できる世界が訪れる可能性がある。ただし、これは魔法ではない。適切なAIツールの選択と、社内での活用ルール作りが不可欠だ。
次に、この手法が広まる背景にある、業界全体の動向を見ていこう。
海外・業界動向：データ分析の民主化とネットワーク基盤
ライオンの事例は、単独の出来事ではない。AI時代のデータ活用において、基盤技術と活用スタイルの両面で大きな変化が起きている。まず、海外や業界全体での傾向として、データ分析の「民主化」が進んでいる点が挙げられる。
従来はデータサイエンティストや専門エンジニアのみが扱えていた分析業務が、No-Code/Low-CodeツールやAIの進化により、ビジネスパーソンが直接行えるようになっている。これは欧米の先進企業で特に顕著で、CEOや事業責任者が、チャットボットのようなインターフェースを通じて、リアルタイムでデータを質問し、回答を得る文化が定着しつつある。これは「データドリブンな意思決定」を、スローガンではなく日常業務に組み込むための必須条件だ。
同時に、これらのAI活用を支えるネットワーク基盤の変化も無視できない。AIによる大量通信時代において、企業ネットワークの重要性が再認識されている。
@IT「AIによる大量通信時代、なぜ「SD-WAN」に4つの機能が必要なのか？ Ciscoが解説」
AIモデルへのアクセスや、クラウド上のデータ処理に伴う通信量が増加する中、従来のネットワークではボトルネックが生じやすくなっている。特に、生成AIの普及により、社内からクラウド上のAIサービスへのアクセスが急増している。このとき必要とされるのは、単なる接続速度ではなく、セキュリティ、安定性、そしてコスト最適化を兼ね備えたネットワーク基盤だ。
私たちは、ネットワーク基盤の整備を、AI活用の前提条件だと捉えている。いくら優れたAIツールを導入しても、通信が不安定であれば、現場での活用は停滞してしまうからだ。特に、基幹データのような機微な情報を扱う場合、通信経路のセキュリティは最優先事項になる。
また、業界全体で見られるもう一つの傾向は、AI導入の「組織的な定着」の難しさだ。
@IT「AIを導入しても“組織的には使われない”のはなぜ？ 「個人利用」にとどまる理由と脱却策」
生成AIやAIエージェントの導入が進んでも、活用が個人の効率化にとどまり、組織としての活用が進まない実態が浮き彫りになっている。これは、ツールを導入しただけで、業務プロセスや組織文化が変わると錯覚している企業が多いからではないだろうか。私たちは、AIを組織に定着させるためには、個人のスキル向上だけでなく、チームでの共有ルールや、分析結果を意思決定に組み込む仕組み作りが不可欠だと考えている。
特に、中小企業では、少人数で運営しているため、個人のリテラシーがそのまま組織の競争力に直結する。そのため、個人利用で終わらせないための「共有と検証」のサイクルをどう構築するかが、AI活用の成否を分けるのだ。この動向を日本の中小企業に当てはめると、以下のことが言える。
まず、ネットワーク基盤の整備は、AI活用を進める上での必須インフラだ。特に、クラウド上のAIサービスと自社の基幹システムを安全に接続する仕組みが求められる。次に、AI導入を「組織的な活用」に進めるためには、個人に委ねるのではなく、チームでの共有と検証の文化を作ることが重要だ。
ライオンの事例では、ABAPを読めないエンジニアがデータ分析に関わったことで、知識の共有とスキル底上げが進んだ。これは、個人利用で終わらせないための良い事例だと言える。私たちは、中小企業においても、同様の「知識の共有とスキル底上げ」を促すAI活用の進め方が有効だと考えている。
そのために、AJTCがどのような考え方で、データ活用を支援しているのかを、次のセクションで詳しく見ていこう。
AJTCの考え方：自走力のあるデータ活用体制の構築
ここでは、AJTCが考えるAI活用、特にデータ分析における自走力のある体制構築について述べる。私たちは、AI活用の最終目標は、外部依存からの脱却と、社内での「自走力」の獲得だと考えている。つまり、AIを単なるツールとして使うのではなく、社内の業務プロセスや意思決定に組み込み、自ら改善を続けていく体制を作ることだ。
そのために重要なのが、データ分析の障壁を下げるアプローチだ。ライオンの事例で示されたように、専門的なコード書きを手放し、AIに「翻訳」や「変換」を任せることで、より多くの社員がデータ分析に関われるようになる。これは、中小企業のITリソースが限られている中で、いかに効率よくデータ活用を進めるかという課題に対する有効な解決策だ。
AJTCでは、この考え方を具現化するために、Claude Codeのような開発支援AIの活用を推奨している。Claude Codeは、開発者がコードを書く際に、AIが提案や変換を支援するツールだ。ライオンの事例でGeminiがABAPをSQLに変換したように、Claude Codeもまた、複雑なコードや設定を、よりわかりやすい形に変換したり、自動化したりする能力を持っている。
例えば、社内資料の整理や、定型業務の自動化など、エンジニアでなくても扱える範囲の業務を、Claude Codeの支援によって効率化できる。これは、専門的な知識を持たない担当者でも、AIの支援があれば、データ分析や業務自動化の第一歩を踏み出せることを意味する。私たちは、この「支援を受ける」姿勢が、自走力への第一歩だと考えている。
ただし、AIに全てを任せてはいけない。AIが出した結果は、必ず人間が検証し、意図が正しいかどうかを確認する必要がある。この「AIが提案し、人間が検証する」というサイクルを回すことで、社内のデータリテラシーが向上し、より高度な分析へと繋がるのだ。
また、データ分析を進める上では、データのセキュリティも重要だ。基幹データのような機微な情報を扱う場合、クラウド上のAIサービスにデータを送信するリスクを考慮する必要がある。AJTCでは、データ主権の確保を最優先事項としている。
具体的には、社内データは可能な限り社内（ローカル）で処理し、クラウドへの送信を最小限に留めるという方針だ。これにより、データ漏洩のリスクを低減しつつ、AIの恩恵を受けることができる。この考え方は、中小企業のデータ活用において、セキュリティと効率性の両立を図るための基本方針だ。
私たちは、この「自走力」と「セキュリティ」を両立させるために、Claude Codeのようなローカル環境でも活用しやすい開発支援AIの導入を支援している。Claude Codeを活用することで、エンジニアはコードの生成や変換を効率化でき、IT担当者は定型業務の自動化を進められる。これにより、限られたリソースで、最大限のデータ活用効果を上げることができるのだ。
AJTCでは、このように、AIを社内の自走力を高めるための「パートナー」として位置づけ、その活用を支援している。具体的には、まず小さなPoC（試験導入）から始め、効果を確かめながら、段階的に拡大していくアプローチを推奨している。これにより、失敗のリスクを最小限に留めつつ、確実に自走力のある体制を構築していくのだ。
次に、こうしたAJTCの方針が、国内の中小企業にどのような示唆を与えるのかを見ていこう。
国内中小企業への示唆：限られたリソースでどう戦うか
ここからは、ライオンの事例やAJTCの方針が、国内の中小企業に与える示唆について論じる。中小企業は、大企業と比べて、ITリソースや人材が限られているのが現実だ。そのため、大企業が採用できるような、高額なシステム導入や、専門部署の設置は容易ではない。
だからこそ、AIを活用した「自走力」の獲得が、中小企業の競争力を高める鍵になる。私たちは、中小企業がAIを活用する上では、以下の3点を重視すべきだと考えている。まず、既存の業務プロセスを見直し、AIで自動化できる部分を探すことだ。
例えば、日報の作成や、会議の議事録作成、データの入力作業などは、定型業務が多く、AIによる自動化が効果的だ。これにより、社員はより付加価値の高い業務に時間を割けるようになる。次に、データ分析の障壁を下げるためのツール導入を検討することだ。
ライオンの事例のように、専門的なコード書きを手放し、AIに任せることで、より多くの社員がデータ分析に関われるようになる。これは、中小企業の限られたITリソースを最大限に活用するための有効な手段だ。最後に、社内でのデータリテラシー向上に投資することだ。
AIツールを導入しただけで終わらせるのではなく、社員がAIを自在に操れるようになるための研修や、共有ルールの作りに時間を割く必要がある。私たちは、この「人材への投資」こそが、長期的な自走力につながると考えている。公的統計でも、AI導入企業の多くが、業務効率化やコスト削減に成功していることが示されている。
ITmedia AI「ゼロから声を作れる音声生成モデル「Gemini 3.8 Flash TTS」公開 「Gemini Notebook」でも利用可能に」
このようなニュースからも、AI活用が企業活動に深く浸透していることが伺える。中小企業も、遅れを取らないように、積極的にAI活用を進める必要がある。ただし、無条件に導入を進めるのではなく、自社の課題に即した適切なツール選びと、段階的な導入が重要だ。
私たちは、中小企業のIT担当者が、こうしたAI活用の流れを捉え、自社のデータ活用を加速させるための支援を行っている。具体的には、まず1業務だけの小さなPoCで効果を確かめ、その後に本格導入を検討する——そんな段階的なアプローチを提案している。次に、AI活用の現場で起こりがちな失敗パターンや、避けるべきことについて見ていこう。
よくある失敗：AI活用の障壁となる3つの落とし穴
AI活用を進める上で、多くの企業が陥りがちな失敗パターンがある。これらを事前に把握し、避けることで、よりスムーズな導入を進めることができる。ここでは、よくある失敗パターンを3つ挙げ、それぞれについて解説する。
- PoCを大きく始めすぎる
- 効果測定の指標を決めずに走る
- 現場の運用ルールを後回しにする
まず1つ目は、「PoCを大きく始めすぎる」だ。AI導入の最初の段階では、多くの企業が「全社導入」や「大規模なプロジェクト」という壮大な目標を立てがちだ。しかし、AI活用は不確実性が高く、想定外の課題が次々と出てくるものだ。
そのため、いきなり大規模なプロジェクトを始めるのはリスクが高い。私たちは、まずは1つの業務に絞って、小さなPoC（試験導入）から始めることを推奨している。例えば、会議の議事録作成や、日報の自動生成など、規模が小さく、効果が見えやすい業務から始めるのだ。
これにより、AIの効果を確かめながら、段階的に拡大していくことができる。2つ目は、「効果測定の指標を決めずに走る」だ。AI導入の目的は、業務効率化やコスト削減、意思決定の質の向上など、様々だ。
しかし、これらの効果を数値で測る指標を決めていないと、導入の成否が判断できなくなってしまう。私たちは、AI導入の前に、必ず「何をどう測るか」という指標を決める必要があると考えている。例えば、「業務処理時間が〇〇時間短縮された」「データ分析のリードタイムが〇〇%短縮された」など、具体的な数値で効果を示せる指標を設定するのだ。
これにより、導入の効果を客観的に評価し、次の改善につなげることができる。3つ目は、「現場の運用ルールを後回しにする」だ。AIツールを導入しただけで、業務が自動的に効率化されるわけではない。
むしろ、新しいツールの導入により、現場の負担が一時的に増えることもある。そのため、AIツールをどう運用するか、誰が責任を持って管理するか、といった運用ルールを事前に決める必要がある。私たちは、この「運用ルール作り」を、AI導入の重要なプロセスだと捉えている。
ルールが整っていないと、AIツールの活用が停滞し、せっかくの投資が無駄になってしまうからだ。特に、中小企業では、少人数で運営しているため、責任の所在が明確でないままAI活用を進めると、混乱を招きやすい。そのため、導入前に、誰がどのような役割を果たすかを明確にし、共有することが不可欠だ。
これら3つの失敗パターンを避けることで、AI導入の成功率を高めることができる。私たちは、これらの失敗を防ぐためのサポートも、AJTCの一環として提供している。具体的には、PoCの設計支援や、効果測定指標の設定、運用ルールの策定など、導入の初期段階から伴走する体制を整えている。
これにより、中小企業のIT担当者が、安心してAI活用を進められる環境を作っている。次に、AJTCの伴走ファネルと、具体的なアクションステップについて見ていこう。
AJTCファネル動線：Claude Codeを活用した3段階アクション
ここでは、AJTCが提案する、AI活用を進めるための具体的なアクションステップを紹介する。私たちは、いきなり全社導入を勧めません。まず1業務だけの小さなPoCで効果を確かめ、無料相談で進め方をすり合わせ、その後は3ヶ月の伴走支援で現場に定着させる——この順序を大切にしています。
この3段階のアクションを通じて、中小企業がAI活用を確実に定着させるためのサポートを行っている。まずステップ1は、「小さなPoC（試験導入）」だ。先述の通り、いきなり大規模なプロジェクトを始めるのではなく、1つの業務に絞ってAIを試すことから始める。
例えば、会議の議事録作成や、日報の自動生成など、規模が小さく、効果が見えやすい業務から始めるのがお勧めだ。AJTCでは、このPoCの設計を支援し、適切なツール選びや、効果測定の指標設定を共に考えていく。ステップ2は、「無料相談」だ。
PoCの結果を踏まえ、本格導入の進め方について、AJTCの専門家がアドバイスを行う。この無料相談では、自社の課題に即したAI活用のロードマップを策定する。具体的には、どの業務をAI化するべきか、どのようなツールが適しているか、社内での運用ルールはどうするか——といった点を、一緒に検討していく。
ステップ3は、「3ヶ月の伴走支援」だ。AI導入は、ツールを導入しただけで終わらせるのではなく、現場に定着させることが重要だ。そのため、AJTCでは、導入後の3ヶ月間、現場のサポートを行い、定着を促す。
具体的には、ツールの使い方に関する質問への回答、運用ルールの見直し、効果測定の実施など、現場の課題に寄り添いながらサポートを行う。これにより、AI活用が単なる「導入」で終わらず、自社の「自走力」へとつながるのだ。AJTCが日々使っているClaude Codeをあなたも。Claude Code 紹介リンク
Claude Codeは、開発支援AIとして、コードの生成や変換を支援するツールだ。ライオンの事例で示されたように、専門的なコード書きを手放し、AIに任せることで、より多くの社員がデータ分析や業務自動化に関われるようになる。AJTCでは、このClaude Codeの活用を推奨し、その導入から活用までを支援している。
Claude Codeを活用することで、エンジニアは開発効率を高め、IT担当者は定型業務の自動化を進められる。これにより、限られたリソースで、最大限のAI活用効果を上げることができるのだ。私たちは、このClaude Codeの活用を通じて、中小企業のデータ活用を加速させるお手伝いを行っている。
まずはお気軽にお問い合わせいただき、自社の課題に即したAI活用の進め方を検討してみませんか。
まとめ：自走力のあるAI活用へ
今回の記事では、ライオンがAIを活用してSAPデータ分析の障壁を90%削減した事例を取り上げ、中小企業がデータ活用を進めるための3つの対策について論じた。1つ目は、専門的なコード書きを手放し、AIに「翻訳」や「変換」を任せること。2つ目は、ネットワーク基盤の整備と、社内でのデータリテラシー向上に投資すること。
3つ目は、小さなPoCから始め、効果測定と運用ルール作りを徹底すること。これら3つの対策を通じて、中小企業でも、大企業に劣らないデータ活用を進めることができる。AJTCは、この「自走力」のあるAI活用体制の構築を支援している。
私たちは、AIを単なるツールとして使うのではなく、社内の業務プロセスや意思決定に組み込み、自ら改善を続けていく体制を作ることが、中小企業の競争力を高める鍵だと考えている。そのために、Claude Codeのような開発支援AIの活用を推奨し、その導入から活用までを伴走する。また、データ主権の確保を最優先事項とし、社内データは可能な限り社内（ローカル）で処理し、クラウドへの送信を最小限に留めるという方針だ。
まずはお気軽にお問い合わせいただき、自社の課題に即したAI活用の進め方を検討してみよう。今すぐ無料相談を予約する。あなたの会社のデータ活用を、次のステージへ進めるための第一歩を、私たちと一緒に踏み出してみませんか。
本記事はAI（Claude）との協働で執筆し、AJTCが内容を監修しています。