データマネジメントとは｜これまでの整理とAI時代の変化

AI活用の話が社内で立ち上がると、同じ場所で議論が止まりがちです。

社内のデータが整っていない。
どこに何があるか誰も把握していない。
機密情報をAIに渡してよいのか判断できない。

そしてガバナンスやセキュリティの検討を進めるうちに、「データマネジメント」という言葉に行き着きます。

ところがこの言葉は、聞き馴染みがある割に中身が認知されていません。
ある人はデータ基盤の構築を指して使い、ある人はアクセス権限の管理を指して使い、ある人はデータの品質チェックを指して使う。
同じ会議のなかで3通りの意味で「データマネジメント」が飛び交い、あいまいなまま議論が進んでいく、ということが起こります。

困っているのは「データマネジメントをやるべきか」ではなく、その一段手前です。
言葉が指す範囲が分からないので、自社が今どこにいるのかも、次に何をすべきかも判断できない。

本記事では、まず概念を記載し、データガバナンスとの境目、DMBOKという国際的に共有されている整理を使って活動の全体像を組み立てます。
そのうえで、その整理が「人がデータを使う」前提で作られてきたことを確認し、AIが利用者として入ったときに何が変わるのかを示します。

データマネジメントとは、データを資産として扱い続けるための活動全体

データマネジメントとは｜集める・整える・守る・使えるようにするまでを含む活動の総称

データマネジメントとは、社内のデータを事業に使える資産として扱うために、集める・整える・守る・使えるようにするまでの一連の活動をまとめて指す言葉です。

顧客データで考えます。
営業担当が商談で聞き取った会社名と担当者名を営業支援システムに入力する。
そのデータが会計システムの請求先と同じ会社を指しているかを突き合わせる。
個人情報が含まれるので、誰が見られるかを制限する。
分析のために別のデータベースに集める。
契約が終わったあと、いつまで保管していつ消すかを決める。
そして、すべての過程で正しく実行されているかを監視する。
この一連すべてが、データマネジメントの範囲に入ります。

冒頭で挙げたデータ基盤の構築も、アクセス権限の管理も、品質チェックも、この範囲に含まれます。どれか1つがデータマネジメントの全体ではない、ということです。

なぜ今、あらためて重要視されるのか

データマネジメントという言葉自体は新しいものではありません。
それがAI活用の文脈で改めて前に出てきた理由は、データを読む相手が変わったことにあります。

これまで社内データを読んでいたのは人でした。
データが多少ばらついていても、担当者が「この列は使えない」「この数字は営業所の集計ミス」と判断して補っていました。
AIに任せる段になると、この補正が入らなくなります。AIは渡されたデータをそのまま読み、そのまま答えます。
データが揃っていなければ、揃っていない状態のまま答えが返ります。

調査会社のGartnerは、AIに使える状態のデータを用意しないまま進めたAIプロジェクトの6割が、2026年までに中止に至ると予測しています。

データマネジメントとデータガバナンスの違い｜実行するのがマネジメント、決めて監督するのがガバナンス

この2つは同じ場面で登場するため、区別がつきにくい言葉です。
境目は、決めて監督する側か、実際に手を動かす側かにあります。

データガバナンスがデータの扱い方について「何を守るか」「誰が決めるか」を定めて監督するのに対して、データマネジメントは、その方針のもとで実際にデータを集め、整え、守り、使える状態にする活動までを含みます。

方針を与える側と、方針のもとで動く側という関係です。
そのためデータガバナンスは、個々の管理活動と並ぶ1つの活動でありながら、それらすべてに方針を渡す中心の位置にあります。

データガバナンスの中身と進め方については、データガバナンスとは｜AI時代に向けた拡張と進め方で扱っています。

DMBOKで見るデータマネジメント

データマネジメントの範囲が広いことは分かっても、では実際に何をやるのかは別の話です。
この問いに答えるための一覧として、国際的に参照されているものがあります。

DMBOKとは｜実務者が合意した、データマネジメントの共通の目次

DMBOK（Data Management Body of Knowledge）とは、データマネジメントとして何をやるのかを、世界中の実務者が持ち寄って一覧にまとめたものです。
先ほどの定義を出しているDAMA Internationalが編集しています。

日本語版は『データマネジメント知識体系ガイド 第二版』として日経BPから出ています。

読むときに気をつけたいのは、これが「データを扱う人が知っておくべきことの全リスト」ではないことです。
実務者のあいだで意見が一致している範囲を、共通の言葉として切り出したものにあたります。
特定の製品やツールの使い方は書かれていません。
書かれているのは、どういう活動があり、それぞれが何を目的にしているか、という枠組みです（出典: DAMA International）。

引用元：https://www.dama-japan.org/Introduction.html

そのため、DMBOKに載っている項目をすべて埋めることがゴール、という読み方は当てはまりません。自社にとってどの活動が必要かを見極めるときの、参照先として使うものです。

DMBOKの11領域を、戦略・実行体制・ルールの3層で捉え直す

DMBOKは、データマネジメントの活動を11の領域に分けています。
日本語版でいえば、第3章から第13章までがちょうどこの11領域にあたります。

ただ、11個の名前をそのまま眺めても、自社で何から考えればよいのかは見えてきません。
本記事では11の領域を3つの層に分けて整理します。

まず、11のうちデータガバナンスだけは他と役割が違います。
前章のとおり、決めて監督する側だからです。
この1つは3つの層のどれにも属さず、すべてに方針を渡す立場に置きます。

残る10の領域を、「何を決めるか」「誰がどう回すか」「どう保つか」の3つの層に置き直します。

聞き慣れない名前が並びますが、覚えていただきたいのは個々の領域名ではなく、3つの層があるという点です。

名前だけでは分かりにくいものを2つ挙げると、データモデリングとデザインは、顧客や受注といった業務の対象を、データとしてどういう単位で持つかを決める活動です。

データウェアハウジングとビジネスインテリジェンスは、分析用にデータを集める置き場を用意し、集計やグラフとして見られるようにする活動を指します。

この3つの層には順序があります。
戦略の層が決まっていなければ、実行体制の層は場当たりの積み上げになり、ルールの層は守る対象が定まりません。

ところが実際の企業では、逆の順序で手がついていきます。
業務システムを入れた結果としてデータが溜まり、実行体制の層が先にできあがる。
事故やヒヤリハットが起きてからアクセス制限を足し、ルールの層が後から埋まる。
戦略の層だけが空いたまま、という状態になります。

AI活用の検討で「どこに何があるか分からない」という話になるのは、この戦略の層が空いているためです。
どのデータをどういう形で持つかを決めないまま増えてきたので、全体を見渡す視点が社内の誰にもない。
データ基盤を新しく作っても、この層を埋めないままだと、置き場所が1つ増えるだけで終わります。

技術寄りの用語を簡易解説

3つの層のなかには、業務側の担当者にとって初見に近い言葉が並んでいます。
それぞれが何をすることなのかを、簡易的に確認しておきます。

• メタデータ：データについての説明情報です。「この列は何を指すのか」「いつ誰が更新したのか」を、データそのものとは別に記録します。

• データカタログ：社内に散らばっているデータの目録です。どこに何のデータがあるかを検索できるようにします。

関連記事：データカタログとは｜メタデータとの違いとAI活用への影響

• データリネージ：データの来歴の記録です。今見ている数字が、どのシステムのどのデータから、どういう加工を経てできたのかをたどれるようにします。

• マスタデータ管理（MDM）：顧客・商品・組織のように、複数のシステムに登場する基準となるデータを、1つの正しい形に揃えて一元管理することです。上の表の「参照データとマスターデータ」がこれにあたります。

• データ品質：データが正しく、揃っていて、最新である状態を保つ活動です。重複・欠損・表記のばらつき・古さを見つけて直します。

関連記事：「データ×AI」を読み解くための用語集【データ編】

AIが分析の主体に入ると、データマネジメントの前提はどこから変わるか

ここまでが、これまで共有されてきたデータマネジメントの全体像です。
この整理に、AIはどこから入ってくるのでしょうか。

DMBOKでAIが入る場所は、11領域の外側にある1章だけ

11の領域のなかに、AIによる分析そのものを扱う領域はありません。

分析に近いのはデータウェアハウジングとビジネスインテリジェンスですが、これは集計やグラフのためにデータを整える活動です。
データサイエンスやAIを使った分析は、第14章「ビッグデータとデータサイエンス」で別に扱われています。この章は第二版で新たに加わったもので、11の領域には含まれていません。

AIが企業のデータ活用に入ってくる場所は、体系のうえではこの第14章にあたります。
分析の手法として、人が仮説を立てて集計する形に、AIが答えを出す形が加わる。1つの章のなかの話です。

ところが実際には、この1章の変化で、第3章から第13章までの前提がまとめて変わることになります。
データを読む相手が人からAIに変わることで、各領域が「誰のために、どこまでやれば十分か」を判断していた基準そのものが変わるためです。

これまでの整理は、人がデータを読む前提で組まれている

11の領域が想定してきた利用者は人です。
そのことは、各領域の「どこまでやれば十分か」の基準に表れています。

データカタログは、担当者が「あのデータどこだっけ」と探すときに引くものとして作られてきました。人が読んで分かる説明が書いてあれば足ります。

データ品質の基準は、人が見て違和感を持たない水準に置かれてきました。
表記が多少ばらついていても、営業担当が読めば同じ会社だと分かる。
そのため直す優先度は下がります。

アクセス権限は、人の職務に紐づいて設計されてきました。
営業部の担当者には営業データを、経理には会計データを。
1人が一度に読める量には限りがあるので、部門単位の大きな区切りでも実務は回ってきました。

暗黙知は、そもそも管理の対象に入っていません。
「この取引先は月末に発注が集中する」「この案件区分は実質使われていない」といった判断は、担当者の頭のなかにあり、データとしては存在しません。
人が使うぶんには、その人が補うので支障がありませんでした。

AIが利用者になると、各要素の前提はこう変わる

このうち更新の頻度については、データ鮮度管理とは｜AI活用で「いつの情報か」を設計するで個別に扱っています。

とくに影響が大きい3つ

このなかでも、AI活用を始めた段階で先に問題になるのが次の3つです。

アクセス権限の分け方。
部門単位の大きな区切りのままAIに社内データを参照させると、質問1つで想定していなかった範囲の情報が答えに混ざります。人が相手であれば、権限があっても実際には見ない、探さない、という抑止が働いていました。AIにはそれがありません。分け方を細かくする必要が出るのは、この差によるものです。

記録されていない判断基準。
AIは行間を読みません。「この取引先の受注は、実際には別会社の名義で入っている」といった、現場では前提として共有されている情報が、どこにも書かれていないことがあります。人が読むときはその人が補っていた部分が、AIが読むときはそのまま空白として答えに出ます。関連する内容は暗黙知と形式知の違い｜暗黙知をAIで活用する方法で扱っています。

データの来歴の記録。
AIが出した数字について「これはどこから来たのか」と問われたとき、AIが答えを組み立てる過程をそのまま追うことは困難です。確認できるのは、AIが参照したデータのほうになります。そのデータがどのシステムから来て、どう加工されたのかが分からなければ、正しさを説明できません。人が集計していたときは作った担当者に聞けば済んだため、来歴を残す優先度は高くありませんでした。AIが答えを出す形になると、これが説明の主な手がかりになります。

AI活用が思ったように進まない企業では、AIツールの選定でつまずいているというより、この前提のずれのところで止まっていることがあります。ツールを入れ替えても、渡すデータの状態が同じなら結果は変わりません。

体系そのものも、AIを取り込む改訂に入っている

この変化は、DMBOKを作っている側も認識しています。

DAMA Internationalは2025年6月25日、DMBOKの次の版にあたる3.0の改訂プロジェクトを開始しました。実務者が世界中で参照してきた基本の考え方は残したうえで、AI・クラウド・現在のデータ基盤といった新しい論点を取り込む方針が示されています（出典: DAMA-DMBOK 3.0 Project）。

そのため、いま第二版を参照する側は、書かれている内容をそのまま当てはめるのではなく、AIが読む前提でどう読み替えるかを考えることになります。

AI時代に備えるデータマネジメントの4つの視点

ここまでの変化を踏まえて、これから揃えるべき要素を4つの視点で示します。

AI-Ready Data｜AIが読める形に整える

AI-Ready Dataとは、AIが業務の事実として読み取れる状態に整えられたデータを指す言葉です。

社内にデータが大量にあることと、AIから使えることは別の話です。
ファイルサーバーに10年分の資料があっても、どの資料が最新で、何についての資料で、どの部署の話なのかが記録されていなければ、AIはそれを判断できません。

満たすべき条件は、機械が処理できる形式になっていること、全社で統一されたルールとセキュリティのもとに置かれていること、品質が継続的に監視されていること、来歴がたどれること、必要な鮮度で更新されること、使用量とコストが管理されていることの6つに整理できます。
詳しくはAI-Ready Dataとは｜ビッグデータとの違いと、満たすべき6つの条件で扱っています。

3つの層でいえば、これはルール・プロセスの層に判定の観点を1つ足す作業にあたります。
既存の品質管理やメタデータ管理を作り直すのではなく、同じ活動を続けたまま、十分かどうかの見方を変えるということです。

AIガバナンス｜データの統制に、AIの使い方の統制を重ねる

AIガバナンスとは、AIをどこまで、どういう手順で使ってよいかを決め、それが守られているかを見る活動です。

データガバナンスが「どのデータを誰が使えるか」を扱うのに対して、AIガバナンスは「そのデータをAIにどう使わせるか」「出てきた結果をどう扱うか」を扱います。
データを渡す前の統制に、答えが出たあとの統制が加わる形です。

日本では、総務省と経済産業省がAI事業者ガイドラインを出しています。
AIを開発する側、提供する側、使う側の3者について、それぞれ取り組むべき事項をまとめたものです。法的な拘束力を持つ規制ではなく、事業者が自主的に参照する指針として作られており、技術の変化に合わせて更新を続ける前提が置かれています。直近では2026年3月31日に第1.2版が公開されました。国際規格としては、AIのマネジメントシステムの要求事項を定めたISO/IEC 42001が2023年に発行されています。

社内でAIを使う会社は、このうち「AI利用者」にあたります。ただし専任者がいない状態で、規格への適合を最初の一歩に置く必要はありません。実務として先に決めておきたいのは、AIに渡してよいデータの範囲、AIの出力を人が確認する場面、記録として残す項目の3つです。

関連する用語は「データ×AI」を読み解くための用語集｜ガバナンス・セキュリティ編にまとめています。

ナレッジマネジメント｜文書化されていない判断基準を、データ側に置く

ナレッジマネジメントとは、社内に散らばっている知識やノウハウを集めて整理し、共有して使える状態にする取り組みです。

これまでは、人から人へ伝えるための活動でした。
AIが利用者に加わると、ここに「AIが読める形で残す」という目的が1つ増えます。

前の章で挙げたとおり、記録されていない判断基準はAIにとって存在しません。
ベテランが持っている「この条件のときはこう判断する」という基準を、文章として書き出しておくことになります。

対象になるのは、業務マニュアルに書かれていない例外処理、社内でしか通じない呼び方と正式名称の対応、過去の判断とその理由、といったものです。
すべてを一度に書き出す作業ではなく、AIに答えさせたい問いから逆算して、その問いに答えるために足りない情報だけを埋めていく進め方が現実的です。

進め方についてはナレッジマネジメントとは｜AI活用で再注目される理由で扱っています。

社内での活用体制｜専任組織がなくても回る形を作る

データマネジメントで最後に残るのは、整えた状態を保ち続ける担い手を決めることです。

データは放っておくと古くなり、ばらつき、増えていきます。
整備した直後の状態を保つには、誰がそれを見るのかが決まっている必要があります。

役割としては、データについての意思決定に責任を持つデータオーナーと、実際に日々の品質を見るデータスチュワードという分け方があります。
専任のポストを新設する話ではなく、既存の業務のなかで「このデータについてはこの人」と決めることから始められます。

詳しくは整えたデータを保ち続ける組織のつくり方｜データオーナーとデータスチュワードで扱っています。

まとめ

データマネジメントとは、社内のデータを事業に使える資産として扱うために、集める・整える・守る・使えるようにするまでを含む活動の総称です。
決めて監督するデータガバナンスと、その方針のもとで実際に手を動かすデータマネジメントは、役割が分かれています。

DMBOKはこの活動を11の領域に分けており、本記事ではそれを戦略・実行体制・ルール/プロセスの3つの層に置き直しました。
データガバナンスは、3つの層すべてに方針を与える存在にあたります。

そしてこの整理は、人がデータを読む前提で組まれてきたものです。
AIが利用者に加わると、アクセス権限の分け方、記録されていない判断基準、データの来歴の記録といった前提が変わります。

データ整備はAI活用の前提条件です。
そしてその整備の中身は、AIが使う前提で捉え直すことになります。

AI時代を前に、自社にとってデータマネジメントが何を指すのか。
その意味を社内で改めて確認しておくことが、これから重要になっていくのではないでしょうか。