「データがないとAIは使えない」は本当か
「AIを使うにはビッグデータが必要では」「うちにはそんなデータがない」── 長野・諏訪・岡谷の中小製造業の経営者から、こうした言葉をよく聞きます。
先に結論を言います。多くの中小製造業が今すぐ使えるAIは、自社のデータをほぼ必要としません。
ただし「データが要らない」は万能ではありません。AIには性質の異なる2種類の型があり、型によってデータの要否が変わります。この区別を理解すると、「うちにはAIは早い」という判断が根拠のない思い込みだったと気づくことが多い。
AIには2種類の「型」がある
型1：文章生成系AI（生成AI・LLM）── 自社データ不要
ChatGPTやClaude、Google Geminiなどの生成AIは、すでに膨大なデータで学習済みの状態で提供されています。ユーザー側が自社データを準備して「学習させる」必要はありません。
使い方はシンプルです。「この内容を日報の形にして」「取引先への返信メールの下書きを作って」「この手順書を読みやすく整理して」── こうした指示（プロンプト）を入力すると、数秒で出力が返ってきます。
自社の過去データが何件あるかに関係なく、アカウントを登録した日から使えます。
型2：学習型AI ── 自社データが必要
一方、製品の外観検査（画像で不良品を自動検出）や需要予測（どの部品をいつ発注するか）といった用途は、自社の現場データを学習させる必要があります。
「自社製品の良品・不良品の画像を何百枚も収集してAIに学習させる」「過去数年の受注実績をもとにモデルを構築する」── こうした準備が、成果を出すための前提になります。中小製造業にとって敷居が高く、構築・検証に相当な時間とコストがかかる領域です。
今すぐ使える「データ不要」の業務
文章を生成・整理する生成AIは、自社のデータ量にかかわらず今日から使えます。
日報・報告書の下書き 担当者が今日の作業内容を箇条書きや口頭で伝えると、AIが読める文章に整えます。書くことが苦手な担当者でも、下書きを確認して修正するだけのフローになります。
見積・返信メールの文案作成 取引先からの問い合わせや仕様変更の連絡に対し、返信のたたき台を数秒で作ります。定型的なやり取りが多い会社ほど、繰り返し効果が出ます。
社内手順書・マニュアルの整理 ばらばらに保存されている作業手順書や引き継ぎ書類を、AIで読みやすく再構成・統合します。「どこに何が書いてあるか分からない」状態を整理する最初の一手になります。
技術問い合わせへの初稿 仕様や工程への技術的な問い合わせに対し、担当者の知識をもとにAIが返信の下書きを作ります。担当者は確認して送るだけです。
いずれも「自社の過去データが何件あるか」は問いません。
「先にデータを集めてから」という発想が遠回りになる理由
「AI導入にはデータが必要」というイメージが根強いため、「まずデータを集めよう」という判断をする会社があります。
しかし準備している間に時間だけが過ぎ、「データが集まったころには状況が変わっていた」という話はよく起きます。また、何のためにデータを集めているのかが曖昧なまま集め始めると、後から「このデータでは使えなかった」と分かることも少なくありません。
生成AIを使った間接業務の改善は、データを集める前から動けます。日報の下書き、メール文案、書類の整理── こうした日常業務を試しながら「AIを現場で使う感覚」を積み上げることが、結果的に最も早い入口になります。
自社データが価値を持ち始めるとき
生成AIに慣れてくると、次のステップとして「自社の情報をAIに参照させたい」という需要が自然に出てきます。
たとえば、自社の製品仕様書・過去の見積書・工程の手順書をAIに読み込ませ、「うちの製品と現場の条件で回答するAI」を作る── これはRAG（検索拡張生成）と呼ばれる仕組みで実現できます。ゼロから学習させるのではなく、生成AIに自社の資料を「参照させる」アプローチです。
この段階でも、必要なのは「整理されたドキュメント数十〜百数十件」です。何万件ものビッグデータではありません。まず生成AIを使いながら社内の書類を整えていくこと自体が、この次のステップへの準備になります。
私たちの進め方
私たちはまず、「今の現場でデータなしに使えるAIがどこにあるか」を一緒に整理することから始めます。
データが少ない段階から動ける施策と、データを積み上げてから検討すべき施策を分けて提案します。「今すぐ動けること」と「中長期の準備が必要なこと」の両方が見えると、AI導入の全体像が具体的になります。
効果が見込めない段階で「まずデータを集めましょう」とだけ言うことはしません。今の現場で動けることを見つけることを、支援の出発点に置いています。