AI-Ready（AIレディ）を、一言で言えば
「AIを導入できる状態」ではなく、「AIが成果を出せる状態」
を意味します。
多くの企業は、
- AIを導入した
- ChatGPTを契約した
- データレイクを作った
- GPUを用意した
ことでAI活用が進むと思っています。
しかし実際には、
Garbage In, Garbage Out
（ゴミを入れればゴミしか出てこない）
の問題に直面します。
AIが優秀であっても、
- データがバラバラ
- 欠損が多い
- 定義が統一されていない
- 何を解決したいのか不明
- 評価指標が曖昧
では成果は出ません。
そのため近年は、
「AIを作る」
よりも
「AIが使える状態を作る」
ことが重要視されるようになっています。
AI-Readyの構成要素
一般的には次の4つです。
① Data Ready
データが整備されている
- 品質
- 欠損
- 標準化
- アクセス性
② Process Ready
業務プロセスが整理されている
- 誰が
- 何を
- どの順番で
行っているかが明確
③ Organization Ready
組織が受け入れられる
- ガバナンス
- ルール
- 責任範囲
④ Decision Ready
意思決定に使える
ここが最も重要です。
AIが
「予測しました」
ではなく
「だから何をするのか」
までが繋がる状態です。
DSA＋DAGとの関係
ここが興味深い点です。
現在のAI-Readyは、
主に
- データ整備
- ガバナンス
- システム基盤
の話です。
しかし、
DSA＋DAGの視点で見ると、
さらに一段上があります。
それは
Structure Ready
（構造が見えている状態）
です。
例えば医療データなら、
従来
- HbA1c平均
- 年齢平均
- BMI平均
をAIに学習させます。
しかしDSAでは、
- どのような分布構造か
- サブグループは存在するか
を先に抽出します。
さらにDAGで、
- 何が原因で
- 何が結果なのか
を整理します。
つまり、
AIに投入する前の段階で
データそのものの意味を整理する。
国産AIとの関係
日本は
- GPU
- モデル規模
- 投資額
では、
OpenAI や Google、
Anthropic に勝つのは容易ではありません。
しかし、
- 医療
- 製造
- 自動車
- 介護
- インフラ
では世界有数の現場データを持っています。
重要なのは
AIを大きくすること
ではなく
AIに正しい構造を与えること
です。
その意味では、
DSA＋DAGはAIそのものではなく、
AI-Readyを実現するための構造化技術
として位置付ける方が、社会実装や政策との親和性は高いと思います。
「日本版AIを作る」より、
「日本の強みである現場データをAI-Readyにする」
方が現実的であり、DSA＋DAGが入り込める余地も大きいでしょう。