株式会社renue
物品管理AI
物品管理AIで、この記事のテーマを実務に落とし込めます
renueが社内で運用しているシステムをサービス化したものです。何ができるか、どう動くかをサービスページでご覧ください。
ダークデータとは？調査回答で推定された55%の意味
ダークデータ（Dark Data）とは、企業が業務の過程で収集・蓄積しながら、分析や意思決定に活用されていないデータのことです。IBMの定義によると、「日常的なビジネス活動で収集・処理・保存されるが、通常は他の目的に使用されないデータ」を指します（出典：IBM「What Is Dark Data?」）。
Splunk「The State of Dark Data」は、7か国のビジネス・ITリーダー1,300人超の回答から、組織のデータの平均55%が未知・未活用と推定されたと紹介しています。Splunkの2019年5月23日発表でもこの調査に言及しており、2025年の世界全データの実測比率ではありません。元の「2025年約60ゼタバイト」は集計対象・算式・一次資料が未確認で、この回答ベースの55%を掛けて世界の保存量を算出できません。
ダークデータの具体例
| データ種別 | 具体例 | 潜在的な活用価値 |
|---|---|---|
| 音声・通話データ | 営業通話の録音、カスタマーサポートの通話記録 | 顧客の感情分析、商談温度感の可視化 |
| メール・チャット | 業務メールの本文・添付資料、社内チャットの質問・回答履歴。利用時は機密性・安全性・プライバシーを個別に確認 | 組織内コミュニケーションの課題発見（利用目的の明示や同意など適法性の確認が前提） |
| ドキュメント | 議事録、提案書、契約書のPDF | 知識の構造化、ベストプラクティスの抽出 |
| センサーデータ | IoTセンサーの未分析ログ | 予知保全、設備効率の最適化 |
| 映像データ | 監視カメラ映像、会議録画 | 行動分析、安全管理 |
| Webログ | アクセスログ、検索クエリ | ユーザー行動の深層分析 |
ダークデータが企業にもたらすリスクとコスト
ストレージコストの浪費
Kompriseの2026年版調査は、2025年10月に第三者が実施した、米国の従業員1,000人超の企業のITリーダー（director以上）300人の回答です。5PB超の非構造化データを保存すると回答した割合は74%（2024年は47%）で、57%増はこの割合の相対増加を指します。27ポイントの上昇と区別し、保存データ量が57%増えた、全企業の74%が該当する、という意味には使いません。活用されないデータに対してストレージ費用を払い続けることは、IT予算の無駄遣いです。
セキュリティ・コンプライアンスリスク
- 個人情報の混在：ダークデータ内に個人情報（PII）が含まれているリスク。GDPR・改正個人情報保護法違反のリスク
- 情報漏洩のリスク：管理されていないデータは適切なアクセス制御が施されていない可能性
- eDiscovery対応：訴訟時に全データの開示が求められた場合、ダークデータの存在が対応コストを増大
機会損失
Magic Moment社の分析によると、営業通話やチャット履歴に隠された顧客の真意や競合情報を見逃すことが、不正確な売上予測や顧客離反につながっています。
非構造化データの爆発的増加とAI対応
元のIDCに帰属する「2025年までに生成されるデータの80%」、および「企業データの90%以上が非構造化データ」は、対応する原資料・対象・時点を未確認です。生成量と企業が保存する量、非構造化と未知・未活用であるダークデータは別の指標です。メール、画像、動画、センサーデータでも既に活用されるものがあり、非構造化だから未分析と一括りにはしません。
IBMのAI-ready data解説には、非構造化データのうち直接AIが取り込める形式は1%未満という推計と、従来型LLMで利用される企業データが約1%という推計が別々に紹介されています。「前処理を経てもAIで利用できるデータが1%未満」という意味やダークデータ率には使いません。AIに向けた準備・分類は課題ですが、元の「2027年までに60%の組織がAI駆動ガバナンスでリアルタイム管理」は対象・調査原典を未確認です。DataCenter Knowledgeへの帰属だけで全企業の達成見込みを確定しません。
AIによるダークデータ活用の実践手法
1. LLM（大規模言語モデル）による非構造化データの分析
LLMの高度な文脈理解能力を活用して、テキスト・音声・画像等の非構造化データから構造化されたインサイトを抽出します。
- 感情分析：通話録音やチャットログから顧客の感情・満足度を自動分類
- 要約・分類：大量の議事録・レポートの自動要約とカテゴリ分類
- 関係性抽出：テキストデータから人物・組織・概念間の関連性を自動抽出
2. データカタログ・メタデータ管理
ダークデータの活用の第一歩は「何がどこにあるかを知ること」です。メタデータ管理ソリューション（Alation、Collibra、Atlan等）の導入により、データの発見可能性を向上させます。元の「2024〜2025年にメタデータ管理ソリューション導入が44%増」は、回答者・導入の定義・比較期間・相対増加かポイント差かを確認できていません。一般的な導入実績としては確定せず、カタログの費用と探索・再利用への効果を自社で評価します。
3. RAG（検索拡張生成）によるナレッジ活用
社内の非構造化データ（ドキュメント、FAQ、議事録等）をベクトルDBに格納し、RAGアーキテクチャを使ったAIアシスタントを構築することで、社内ナレッジへの自然言語での質問応答が実現します。
ダークデータ管理の実践ステップ
ステップ1：データの棚卸しと可視化（1〜2ヶ月）
- 全社のデータストレージの棚卸し
- データカタログツールによるメタデータの自動収集
- データ分類（構造化/非構造化、活用中/未活用、保持必要/廃棄可能）
- 個人情報・機密情報のスキャン
ステップ2：データガバナンスの設計（1〜2ヶ月）
- データ保持ポリシーの策定
- アクセス制御の見直し
- データオーナーシップの明確化
- 廃棄基準の設定と実行
ステップ3：AI活用の開始（2〜4ヶ月）
- 価値の高いダークデータ領域の特定
- LLM・RAGを活用したPoCの実施
- 効果測定とROI評価
ステップ4：継続的な最適化（継続的）
- ストレージコストの最適化（コールドストレージへの移行等）
- 新規データの自動分類・タグ付けパイプラインの構築
- AI分析の対象領域の拡大
よくある質問（FAQ）
Q. ダークデータは全て活用すべきですか？
いいえ、全てのダークデータに価値があるわけではありません。重要なのは「活用すべきデータ」「保持すべきだが分析不要のデータ」「廃棄すべきデータ」を明確に仕分けることです。元の「活用価値20〜30%」「保持のみ30〜40%」という一般比率の原典は未確認です。未活用という理由だけで残りを廃棄できるとは限りません。個人データの利用必要性に加え、確認・記録義務のための保存、他の保存義務・契約・訴訟対応などを確認して、保持期限と安全な消去方法を決めます。
Q. ダークデータの活用にはどの程度のコストがかかりますか？
元の相場「カタログ年間数百万円から」「LLM PoC数十万〜数百万円」、放置コスト「年間数千万〜数億円」は対象規模・含む費目・算定原典が未確認です。ライセンス、接続・分類対象、データ整備、AI利用量、権限設計と運用費を分けて個別に見積もります。不要データの保存費とセキュリティリスク・機会損失も算定方法が異なり、同じ費用として一括りにしません。まずはストレージコストの棚卸しから始め、投資対効果を明確にすることをお勧めします。
Q. 中小企業でもダークデータの管理は必要ですか？
はい、規模に関わらず重要です。中小企業でも、メール・チャット・ファイルサーバーに大量の未活用データが蓄積されており、個人情報保護法への対応の観点からもデータ管理は必須です。まずは管理者権限でGoogle Workspaceの保存容量の確認やSharePoint管理センターの容量表示を使って棚卸しします。これだけで内容の活用価値や消去可否が判定されるわけではありません。保持・権限を確認して整理し、費用やリスクの変化を評価します。
まとめ：ダークデータは「負債」にも「資産」にもなる
Splunkの2019年調査回答では平均55%と推定されたダークデータは、放置すればストレージコストとセキュリティリスクの「負債」ですが、AIを活用すれば顧客インサイト・業務改善・競争優位の「資産」に変わります。非構造化データの爆発的増加と生成AIの成熟が同時に進む2026年は、ダークデータ活用の転換点です。
renueでは、AIを活用したデータ分析基盤の構築や、社内ナレッジの活用支援を提供しています。ダークデータの棚卸しやAIによるデータ活用について、まずはお気軽にご相談ください。