AIデータ分析のやり方｜社内データの渡し方と検算・匿名化の手順

AIによるデータ分析とは、売上表・アンケート結果・問い合わせ履歴などのデータをAIに読み込ませ、集計・グラフ化・傾向の読み取り・予測といった作業を任せたり手伝わせたりすることです。結論から言うと、ChatGPTやExcelのCopilotを使えば専門知識がなくても分析の入口には立てますが、会社で使うなら、AIに渡してよいデータの線引き、渡す前の匿名化、AIが出した数字の検算の3つを先に決めておく必要があります。この記事では、分析の種類と進め方、ChatGPTにCSVやExcelを渡す具体的な手順とプロンプト例、主なツールの公式情報を整理したうえで、社内データの扱い方と会社として安全に使う体制までを解説します。

AIデータ分析とは｜従来の集計・BIツールとの違い

AIデータ分析は、人が集計の組み方を考えて手を動かす作業の一部を、AIに肩代わりさせる分析のやり方です。ただし、この言葉は大きく2つの意味で使われています。1つは、機械学習で過去のデータから予測や分類の仕組み（モデル）を作る分析です。もう1つは、ChatGPTのような生成AIに表データを渡し、日本語で質問しながら集計や読み取りを進める分析です。

社員10〜200名の会社で、専任のデータ担当者がいなくても今日から始めやすいのは後者です。この記事も、特に断りのない限り、生成AIを使った分析を中心に扱います。前者の機械学習による予測は、必要なデータ量や体制が大きく違うため、違いを押さえたうえで検討するのが安全です。

従来の集計・BIツールによる分析との違い

これまでの社内のデータ分析は、主にExcelの関数やピボットテーブルでの集計と、BIツールによる可視化の2つで行われてきました。BIツールとは、社内の複数のデータをつないで、売上や在庫などの指標をグラフやダッシュボードで継続的に表示する道具です。

• Excelでの集計：自由度は高いものの、どの関数を使い、どう並べ替え、どの単位で集計するかを人が知っている必要があります。担当者によって作り方が変わり、引き継ぎが難しくなりがちです。
• BIツール：毎月同じ指標を見続ける定型の分析に向いています。一方で、データの接続やダッシュボードの設計には専門知識が必要で、思いついた新しい問いにすぐ答えるのは得意ではありません。
• 生成AIによる分析：日本語で問いを投げると、AIが集計の方法を組み立てて表やグラフを返します。その場限りの問いや、最初の当たりをつける作業に向いています。その代わり、AIが選んだ計算方法が正しいか、元のデータと数字が合っているかを人が確かめる工程が欠かせません。

3つは置き換えの関係ではありません。毎月見る指標はBIツールやExcelの定型表で固め、そこから生まれた新しい疑問を生成AIで素早く掘る、という組み合わせ方が現実的です。

生成AIによる分析支援と機械学習（予測型AI）による分析の違い

機械学習による分析は、過去の大量のデータからパターンを学ばせ、来月の需要や解約しそうな顧客といった未知の値を予測する仕組みを作るものです。作ったモデルを業務システムに組み込み、繰り返し使うことが前提になります。

生成AIによる分析支援は、すでに手元にあるデータを読み、集計・要約・グラフ化・解釈の下書きを会話で進めるものです。ChatGPTの公式ヘルプでは、データ分析の一部の作業でPythonのコードを作成・実行して計算すると説明されています。つまり、生成AIが頭の中で数字を暗算しているわけではなく、計算用のプログラムを書いて動かしている場面があります。

機械学習とディープラーニングの基本

機械学習は、人がルールを1つずつ書く代わりに、データから規則性をコンピューターに見つけさせる技術の総称です。たとえば、過去の売上と曜日・天気・販促の有無を学ばせて、翌週の売上を予測するといった使い方をします。

ディープラーニング（深層学習）は、機械学習の手法の一つで、人間の脳の神経回路をまねた多層の仕組みを使います。画像・音声・文章のように、人が特徴を定義しにくいデータの扱いを得意とします。ChatGPTなどの生成AIを支える大規模言語モデルも、このディープラーニングの技術を土台にしています。

機械学習で予測モデルを作るには、正解の付いた過去データ（教師データ）を十分な量そろえ、精度を検証し、運用後も定期的に作り直す体制が必要です。社内にその体制がない場合は、まず生成AIでの分析支援から始め、予測モデルが本当に必要な業務が見えてから専門の事業者に相談する順番が無理のない進め方です。

AIでできる分析の種類

AIで行える分析は、予測・分類・異常検知・パターン発見・時系列の変化の読み取り、そして文章データの分析に大別できます。どれが生成AIで手軽にできて、どれが機械学習の本格的な仕組みを要するかを分けて見ておくと、期待値のずれを防げます。

需要予測・分類・異常検知・パターン発見・時系列の変化

• 需要予測：過去の販売数や季節性から、今後の必要量を見積もる分析です。生成AIでも過去の推移から傾向を読むことはできますが、発注量を自動で決めるような用途は、検証を重ねた予測モデルの領域です。
• 分類・スコアリング：顧客や案件を、条件に応じてグループ分けしたり点数を付けたりする分析です。条件がはっきりしていれば生成AIでも仕分けの下書きが作れます。
• 異常検知：いつもと違う値を見つける分析です。経費明細の突出した金額や、急に減った取引先の発注などが該当します。ChatGPTの公式ヘルプでも、傾向や外れ値の要約ができると説明されています。見つかった値が本当に異常かどうかの判断は人が行います。
• パターン発見（クラスタリング）：似た特徴を持つ顧客や商品を、あらかじめ答えを決めずにまとめる分析です。購買傾向の近い顧客層を見つけるといった使い方をします。
• 時系列の変化：月次や週次の推移から、増減・季節の波・変化点を読む分析です。前年同月比や移動平均を出させ、グラフにさせる作業は生成AIが得意とするところです。

アンケート自由記述や問い合わせなど文章データ（非構造化データ）の分析

数字の表と並んで生成AIが力を発揮するのが、アンケートの自由記述、商品レビュー、問い合わせメールといった文章データの分析です。こうした決まった列の形を持たないデータを非構造化データと呼びます。

従来は1件ずつ人が読んで分類していた作業を、生成AIなら、似た意見をまとめて件数を数え、代表的な声を抜き出すところまで短時間で下書きできます。たとえば、顧客満足度アンケートの自由記述を、価格・品質・対応・納期といった観点に分けて件数を出させ、観点ごとに改善につながりそうな声を3件ずつ挙げさせる、という使い方です。

注意したいのは、ツールによって文章データの扱いに差がある点です。MicrosoftのCopilot in Excelの公式ヘルプでは、データ分析の質問に直接答える機能について、表や表形式の範囲が対象で、非構造化データには対応していないと説明されています。文章データを分析したいときは、使うツールの公式情報で対応範囲を確かめてください。また、自由記述には氏名や社名が紛れ込みやすいため、後述の匿名化の手順を必ず通します。

AIデータ分析のメリットと、必要な専門知識

生成AIを使う分析のメリットは、分析できる人を増やし、集計と報告にかかる時間を縮められることです。ただし、専門知識がまったく不要になるわけではありません。どこまでを現場で担い、どこから専門家に頼るかの線を引いておくことが、効果を出す前提になります。

専門知識がなくても分析の入口に立てる

関数やピボットテーブルに詳しくない社員でも、日本語で問いを投げれば集計表やグラフが返ってきます。これまで分析を頼まれる人が社内の1〜2名に集中していた会社では、現場の担当者が自分で最初の当たりをつけられるようになること自体が大きな変化です。

集計と報告の下書きにかかる時間を縮められる

毎月の実績報告では、データの整理、集計、グラフ作成、コメントの下書きに時間が取られます。生成AIはこのうち、集計の組み立てとグラフ化、増減の要因候補を文章で並べる作業を速く進められます。浮いた時間を、数字の裏にある事情を現場に聞きに行く時間や、次の打ち手を考える時間に回せるかどうかが、導入の成否を分けます。

属人化の解消と、客観的な判断の材料づくり

分析の手順をプロンプト（AIへの指示文）として残しておけば、担当者が替わっても同じ観点で集計を再現しやすくなります。また、声の大きい人の印象や経験則だけで決めていた判断に、数字の裏付けを添える習慣が作りやすくなります。ただし、AIが出した解釈そのものが客観的とは限りません。判断の材料はあくまで検算済みの数字であり、AIのコメントは仮説の候補として扱うのが適切です。

専門知識の要否｜ノーコードで始められる範囲と専門家が要る範囲

プログラミングを書かずに始められるのは、手元の表の集計・グラフ化・要約・外れ値の洗い出し・文章データの分類といった範囲です。一方で、次のような場面では統計の知識や専門家の関与が必要になります。

• 予測の結果を発注・与信・人員配置などの意思決定に自動でつなげるとき
• 施策の効果を統計的に検証し、偶然の差ではないと言い切る必要があるとき
• 複数の業務システムのデータを継続的に統合し、分析の土台を作るとき
• 分析結果を社外に公表する資料や、融資・契約の判断資料に使うとき

現場は生成AIで問いを立てて素早く当たりをつけ、重要な判断に使う段階で専門家の目を通す。この二段構えにすると、専門人材が少ない会社でも無理なく分析の量と質を両立できます。

AIデータ分析の進め方｜目的の設定から業務への反映まで

AIでの分析は、目的を決める、データを集めて整える、渡してよいか判定する、指示する、検算する、共有して業務に反映する、の6つの手順で進めると失敗が減ります。ツールの操作より先に、手順1と手順3で立ち止まれるかどうかが結果を左右します。

手順1：目的と問いを1文で決める

何となく売上データを渡して分析してと頼むと、AIはそれらしい集計を並べますが、次の行動につながらないことがほとんどです。先に、この分析で何を決めたいのかを1文で書きます。たとえば、来期に営業を強化する地域を3つに絞りたい、問い合わせが増えている原因の候補を知りたい、といった形です。問いが決まれば、必要な列と期間も自然に決まります。

手順2：データを集めて前処理する

基幹システムや会計ソフトからCSVやExcelで書き出し、分析に必要な列と期間だけに絞ります。表記ゆれや空欄、重複をこの段階で整えておくと、AIの読み違いが大きく減ります。前処理の具体的な項目は、後の章で詳しく整理します。

手順3：入れてよいデータか判定して渡す

書き出したデータに、顧客名・個人の連絡先・給与など、そのままAIに渡すべきでない情報が含まれていないかを確認します。含まれていれば、列を削除するか、IDに置き換えてから渡します。判断に迷うデータは、社内ルールで決めた区分に照らして判定します。

手順4：分析の軸と出力形式を指示する

どの列を使い、何で集計し、どの形式で出してほしいかを具体的に伝えます。ChatGPTの公式ヘルプでも、使ってほしい列・計算・グループ化・グラフの種類を指定するよう案内されています。

手順5：計算結果を検算する

AIが出した合計や比率を、元データやExcelの集計と突き合わせます。会議資料に載せる数字は、検算を通したものだけにします。

手順6：結果を共有し、業務に反映する

分析結果は、使ったデータの期間・件数・除外した条件と一緒に共有します。そのうえで、誰がいつまでに何を変えるかを決め、次の月に同じ分析で変化を確かめます。この一巡を回して初めて、分析が業務の改善につながります。

ChatGPTにCSV・Excelをアップロードして分析する手順

ChatGPTは、アップロードしたスプレッドシートを分析し、質問への回答や表・グラフの作成ができると公式ヘルプで説明されています。対応形式として、.xls・.xlsx・.csvなどのスプレッドシートのほか、PDFや.json・.txtなどのテキストやデータのファイルが挙げられています。ただし、使えるファイル形式はモデル・プラン・ワークスペースの設定などによって異なる場合があるとも書かれています。

※ChatGPTの機能と対応形式は、2026年9月17日時点でOpenAIの公式ヘルプ（日本語版）に記載されている内容です。1つの会話で扱えるファイルの数などの上限は、同ヘルプでプランや設定によって異なる場合があるとされており、具体的な数値はこの記事では扱いません。

アップロード前に表の形を整える

公式ヘルプは、よい結果を得るための表の形を具体的に示しています。要点は次のとおりです。

• 1行目に、わかりやすい列見出しを置く
• 1件のデータを1行にする
• 列名は平易な言葉にする
• 1つのシートに、関係のない複数の表を並べない
• データの途中に空の行や列を入れない
• 分析してほしい値を画像で貼り付けない

社内のExcelは、見出しが2段になっていたり、途中に小計行が挟まっていたり、セルが結合されていたりすることがよくあります。人が見やすい表と、AIが読みやすい表は別物だと考え、分析用に1枚の素直な表へ書き出し直すのが近道です。

操作手順

1. データを書き出す：分析に使う列と期間だけに絞ったCSVまたはExcelを用意します。
2. 渡してよいか確認する：顧客名や個人の連絡先の列を削除またはID化します（手順は後述）。
3. 学習利用の設定を確認する：個人向けプランを使う場合は、設定のデータコントロールで、モデルの改善への利用をオフにしているかを確かめます。会社で契約したプランを使う場合は、管理者が決めた設定に従います。
4. ファイルを添付する：チャットの入力欄からファイルを添付します。公式ヘルプによると、Google Drive・OneDrive・SharePointなどの接続済みのソースから添付することもできます。
5. 最初にデータの中身を確認させる：いきなり分析を頼まず、行数・列名・データ型・空欄の数をまず報告させ、AIが表を正しく読めているかを確かめます。
6. 分析を指示する：使う列、集計の単位、出力形式を指定して依頼します。
7. 計算の中身を確認する：公式ヘルプは、AIがPythonで分析した場合、結果を信頼する前に生成されたコード・出力・前提を確認するよう案内しています。

公式ヘルプによると、対話的に操作できるグラフは棒グラフ・折れ線グラフ・円グラフ・散布図に対応し、それ以外の種類は静止画像で返される場合があります。また、分析に使われるPython環境からは外部のWebへの接続やAPIの呼び出しができないため、最新の市場データなどはAIが自分で取りに行くことはできません。

そのまま使えるプロンプト例

次の例は、月次の売上明細（日付・地域・商品区分・数量・売上金額の列）を渡した場合を想定しています。

プロンプトの基本的な組み立て方は、ChatGPTのプロンプトの書き方でも解説しています。

プロンプト（指示）の出し方の工夫｜軸・出力形式・仮説を具体的に、段階的に聞く

分析の質は、ツールの性能よりも問いの具体性で大きく変わります。次の4点を意識すると、一度で意図に近い結果が出やすくなります。

• 分析の軸を決めて渡す：地域別なのか、担当者別なのか、商品区分別なのかを明示します。軸を指定しないと、AIは自分で軸を選び、意図と違う集計を返すことがあります。公式ヘルプでも、最初の試行で意図と異なる分析方法やグラフの種類を選ぶ場合があると説明されています。
• 出力形式を指定する：表の列の並び、グラフの種類、単位（円・千円・%）、小数点以下の桁数まで伝えます。
• 仮説を添える：値上げ後に数量が落ちたのではないか、といった自分の仮説を伝え、それを支持するデータと否定するデータの両方を出させます。AIに都合のよい材料だけを集めさせないための工夫です。
• 段階的に聞く：読み込みの確認、全体の集計、深掘り、の順に分けて依頼します。一度に全部を頼むと、途中の前提の誤りに気づきにくくなります。

実データを渡さず、列名とダミー数行で集計の組み方を作らせる

社内データをAIに渡すこと自体に不安がある場合は、データそのものを渡さない使い方があります。AIに見せるのは列名と、実在しない値で作ったダミーの数行だけにし、集計の組み方を作らせる方法です。実データの計算は、手元のExcelで行います。

1. 分析したい表の列名だけを書き出します（例：受注日、取引先ID、商品区分、数量、単価、金額）。
2. 各列に、実在しない値で3〜5行のダミーデータを作ります。取引先IDはA001のような架空の番号にします。
3. AIに、この形の表で月別・商品区分別の金額合計と前年同月比を出したい、Excelの関数とピボットテーブルの設定手順を教えて、と依頼します。
4. 返ってきた関数や手順を、手元のExcelの実データに当てはめて計算します。
5. 結果が合わない場合は、エラーの内容とダミーデータでの再現例だけをAIに伝えて直させます。

この方法なら、顧客名や金額の実データは社外に出ません。関数に詳しくない担当者でも、集計表を自分で作れるようになる副次的な効果もあります。完成した集計表の数字に対して、増減の読み取りだけを依頼する場合も、合計値だけを渡せば明細を出さずに済みます。

データ品質と前処理｜Garbage In, Garbage Outを防ぐ

分析結果の正しさは、渡したデータの質で上限が決まります。質の悪いデータからは質の悪い結果しか出ないという意味で、Garbage In, Garbage Out（ゴミを入れればゴミが出る）という言葉がよく使われます。AIは表記の揺れた取引先を別の会社として数えたり、空欄を0として扱ったりすることがあるため、前処理はAIに渡す前の必須工程です。

表記ゆれ・欠損値・重複・日付や金額の形式をそろえる

• 表記ゆれをそろえる株式会社の前後、全角と半角、スペースの有無で同じ取引先が別々に数えられます。取引先コードがあれば名前ではなくコードで集計させます。
• 欠損値（空欄）の意味を決める空欄が0なのか、未入力なのか、対象外なのかで集計結果が変わります。AIに渡すときに、空欄の扱いを指示文で明記します。
• 重複行を取り除く複数のシステムから書き出して結合すると、同じ取引が2回入ることがあります。伝票番号などの一意な番号で重複を確認します。
• 日付の形式を統一する2026/9/1、2026年9月1日、令和8年9月1日が混在すると、月別集計がずれます。西暦の日付形式に統一します。
• 金額の単位と税の扱いを統一する円と千円、税込と税抜が混ざっていないかを確かめ、列名に単位と税区分を書いておきます。
• 小計行・合計行を除く表の途中の小計行が残っていると、AIがそれも1件の取引として足し込み、合計が膨らみます。

前処理そのものをAIに手伝わせることもできます。たとえば、取引先名の表記ゆれの候補を一覧にさせ、人が確認してから統一する、という進め方です。AIに自動で書き換えさせるのではなく、候補出しまでに留めると、意図しない統合を防げます。

データの偏り（バイアス）が結果に反映されるリスク

データが現実の一部しか映していなければ、AIの分析結果もその偏りを引き継ぎます。たとえば、アンケートの回答が不満を持った顧客に偏っていれば、満足度は実態より低く見えます。特定の営業所だけ入力ルールが違えば、その営業所の数字が不自然に見えます。

偏りに気づくには、分析の前に、データの期間・件数・対象範囲を確認し、除外されている層がないかを考えます。AIに対しても、このデータの偏りの可能性と、結論を出す前に確認すべき点を挙げてください、と尋ねると、見落としの候補を出させることができます。人事評価や採用のように、偏りが人の処遇に直結する分析は、生成AIでの手軽な分析の対象にしないほうが安全です。

大量データの管理とデータ基盤（DWH・BigQuery等）の整備

生成AIへのファイルのアップロードは、手元で扱える規模の表を分析するのに向いた方法です。複数の業務システムにまたがる大量のデータを、毎日更新しながら分析したい段階になると、データを1か所に集めて管理するデータ基盤が必要になります。

その中心となるのがDWH（データウェアハウス）で、販売・会計・顧客管理などのデータを分析しやすい形で蓄積する仕組みです。Google CloudのBigQueryのようなクラウド型のサービスもあります。データ基盤を整えると、誰がどのデータにアクセスできるかの権限管理や、どの数字を正とするかの定義を一元化できます。

ただし、社員10〜200名の会社で最初からデータ基盤に投資する必要はありません。まずはファイル単位の分析で成果の出る業務を見つけ、同じ分析を毎月繰り返すようになり、手作業の書き出しが負担になった時点で検討するのが順当です。

データ分析に使える生成AI・ツールの比較

データ分析に使える道具は、対話型の生成AI、表計算ソフトに組み込まれたAI、BIツールに組み込まれたAIの3系統に分かれます。まず、会社で使われることの多い4つについて、公式ヘルプに記載されている内容を整理します。

※2026年9月17日時点で、OpenAI・Anthropic・Google・Microsoftの公式ヘルプおよび料金ページに記載されている内容を要約したものです。Claudeの学習への利用の区分は、2026年9月16日に料金ページの比較表で確認しました。機能・条件は変更されるため、導入時には各社の公式ページで最新の内容をご確認ください。

ChatGPTのデータ分析

ChatGPTは、ファイルをアップロードして会話しながら分析を進める使い方の代表です。公式ヘルプでは、行・列・傾向・外れ値の要約、確認用の表の作成、グラフの作成、Pythonによる計算や統計分析、前提と結果と次の手順の説明ができると案内されています。一方で、画像として取り込まれた表やスキャンしたファイル、複雑なレイアウトのファイルからは正確な値を取り出せない場合があり、大きすぎる・複雑すぎるファイルは完全に分析できない場合があるとも書かれています。その場合は、特定のシートや列に絞って調べさせるか、ファイルを分割するよう案内されています。

料金ページの比較表では、無料版のデータ分析は上限ありとされ、Go・Plus・Proでは利用できると表示されています。法人向けのBusinessプランは、標準でビジネスデータを学習に使わないと料金ページに明記されています。法人プランの詳細はChatGPTの法人プランの料金と違いで整理しています。

Claudeのファイル作成とコード実行

AnthropicのClaudeは、公式ヘルプでコード実行とファイル作成の機能が案内されており、分析結果をExcelのファイルとして作らせることもできます。この機能はFreeからEnterpriseまですべてのプランで、Web・デスクトップアプリ・モバイルアプリから使えると説明されています。TeamとEnterpriseでは、管理者がこの機能を無効にすることもできます。

学習への利用については、Anthropicのプライバシーの案内で、Claude for Workなどの商用製品の入出力は標準でモデルの学習に使わないと説明されています（フィードバックを送った場合などの例外があります）。個人向けのFree・Pro・Maxは、料金ページの比較表でオプトアウト方式と表示されており、各自が設定を確認する必要があります。

GeminiとGoogleスプレッドシートの連携

Google Workspaceを使っている会社では、Googleスプレッドシートに組み込まれたGeminiで、表の作成、数式の作成、データの分析と分析情報の生成、グラフの作成ができると公式ヘルプに記載されています。Googleスプレッドシート形式のファイルで効果を発揮し、Excelの.xlsxファイルは変換が必要です。利用には対応するWorkspaceまたはGoogle AIのプランが必要です。

データの扱いについて、Google Workspaceのプライバシーの案内では、顧客からの事前の許可や指示がない限り、顧客データをモデルの学習に使わないと説明されています。個人のGoogle AIプランで使う場合は、個人アカウントの設定に従います。日常の集計表をすでにスプレッドシートで管理しているなら、ファイルを別のサービスにアップロードせずに分析を始められる点が利点です。

Copilot in ExcelでExcel内のデータを分析する

MicrosoftのCopilot in Excelは、Excelの表・グラフ・ピボットテーブル・数式といった機能を使って依頼を処理すると公式ヘルプで説明されています。データ分析の質問に対しては、ブック内の1つまたは複数の表や表形式の範囲を対象に、Pythonベースの分析で答えを計算すると案内されています。前述のとおり、非構造化データには対応していません。

結果がExcelの機能の形で返ってくるため、AIが何をしたのかを数式やピボットテーブルとして目で追いやすく、検算しやすいのが利点です。公式ヘルプには、ExcelなどにCopilotが表示されない場合、契約中のMicrosoft 365のサブスクリプションに含まれていないか、組織の設定で使えない可能性があるとも書かれています。社員に使わせる前に、情報システムの担当者が契約と設定を確認しておきます。

BIツールに組み込まれたAI機能（Power BI・Tableau・Looker・Amazon Quick Sight）

代表的なBIツールには、MicrosoftのPower BI、Tableau、GoogleのLookerやLooker Studio、Amazon Quick Sight（旧QuickSight）などがあります。一部のBIツールには、自然な文章で質問するとグラフや要約を返すAIの機能があります。

BIツールのAI機能が向くのは、すでにデータがBIツールに接続され、毎月同じ指標を見ている会社です。データの接続や権限の管理がBIツール側で済んでいるため、ファイルを書き出してアップロードする手間がありません。反対に、BIツールをまだ使っていない会社が、AI機能のためだけに導入するのは負担が大きくなります。どの機能がどの契約で使えるかは製品ごとに異なり、変更も多いため、検討時には各製品の公式ページで確認してください。

ツールの選び方｜担当者のスキル・既存システムとの連携・運用コスト

ツールを選ぶときは、性能の評判より、次の4つの観点で自社の状況に合うかを見ると失敗が減ります。

• 担当者のスキル：関数やピボットテーブルに慣れた担当者が多いならCopilot in ExcelやスプレッドシートのGeminiで結果を追いやすく、表計算に不慣れな担当者が多いなら会話で進める対話型の生成AIが入りやすくなります。
• 既存システムとの連携：日常の業務がMicrosoft 365中心か、Google Workspace中心かで、追加の手間なく使える道具が変わります。BIツールを使っているならその中のAI機能も候補です。
• 運用コスト：月額の料金だけでなく、アカウントの発行と停止、学習利用の設定確認、利用状況の把握といった管理の手間も費用として見積もります。ツールを増やすほど、この管理の手間も増えます。
• 業務タイプ別の使い分け：定型の月次集計はExcelやBIツール、その場の問いの深掘りと文章データの分類は対話型の生成AI、というように、1つのツールですべてを賄おうとしない考え方が現実的です。

主要な生成AIの得意分野の違いはChatGPT・Claude・Gemini・Perplexityの使い分けで、法人向けの生成AIサービスの横並びは法人向け生成AIサービスの比較で整理しています。

費用・料金の目安

対話型の生成AIは、個人向けの無料版から始められますが、会社のデータを扱うなら法人向けのプランが前提になります。料金の構造は、多くの法人向けプランで1ユーザーあたりの月額課金です。公式の料金ページで確認できた主な金額は次のとおりです。

• ChatGPT：無料版0円、Go月1,400円、Plus月3,000円（いずれも個人向け）。法人向けのBusinessは標準シートが年額課金で月3,050円、月額課金で月3,850円（1ユーザーあたり）で、従業員数2〜200名のチーム向けと表示されています。
• Claude：法人向けのTeamは2〜150名のチーム向けで、日本から料金ページを表示した場合、スタンダードシートが年払いで月22ドル、月払いで月27.50ドル（1シートあたり・消費税10%込みの表示）です。

※ChatGPTの金額は2026年9月17日時点、Claudeの金額は2026年9月16日時点で各社の公式料金ページに表示されていたものです。ChatGPTの料金ページには税込か税抜かの記載がなく、表示通貨は閲覧する環境によって変わります。Copilot in Excel、スプレッドシートのGemini、BIツールは、契約するライセンスやプランの構成によって費用が変わるため、この記事では金額を扱っていません。

機械学習で予測モデルを作る場合や、データ基盤を構築する場合は、ツールの利用料に加えて、構築と保守の人件費や外部への委託費が大きな割合を占めます。見積もりを取るときは、初期の構築費だけでなく、モデルの作り直しや保守にかかる毎年の費用も含めて比較してください。生成AIの費用の管理については生成AIのコスト管理で解説しています。

部署別の活用例

生成AIでの分析は、専門の分析部署がない会社ほど、現場の担当者の手元で効果が出やすい使い方です。ここでは、社員10〜200名規模の会社でよく扱われるデータを例に、使い方と注意点を部署別に挙げます。いずれも一般的な使い方の例で、効果の大きさは業務やデータの状態によって変わります。

営業・マーケティング

• 地域別・顧客区分別の売上の変化：前年同期比で伸びた区分と落ちた区分を並べ、営業の重点を議論する材料にします。顧客名は取引先IDに置き換えて渡します。
• 広告や販促の媒体別の効果の比較：媒体ごとの費用と問い合わせ件数から、1件あたりの獲得費用を出させ、推移をグラフにします。
• 失注理由の分類：営業日報や商談メモの失注理由を読み、価格・機能・時期・競合などに分類して件数を出します。個人名や社名はあらかじめ伏せます。

マーケティング業務全般でのAIの使い方はマーケティングのAI活用で扱っています。

経理・総務｜得意なデータと向かないデータ

経理や総務は数字を扱う量が多い一方で、機密性の高いデータも多い部署です。データの種類ごとに、生成AIとの相性を分けて考えます。

• 試算表や月次推移の増減コメント案：得意です。科目ごとの前月比・前年同月比を出させ、増減の大きい科目について説明の下書きを作らせます。ただし金額は必ず会計ソフトの数字と照合します。
• 経費明細の異常値の洗い出し：候補出しまでが向いています。同じ費目の中で金額が突出した行や、同じ日に同額が重複した行を挙げさせ、不正や誤りかどうかの判断は人が行います。
• 社内アンケートの自由記述の分類：得意です。回答者が特定されないよう、部署名や少人数の属性を粗くしてから渡します。
• 給与・人事評価・健康に関するデータ：向きません。個人に直結し、偏りが処遇に影響するため、生成AIに渡すデータの対象から外します。

経理業務でのAIの使い方全体は経理のAI活用でまとめています。

在庫・顧客分析・コールセンター

• 在庫の回転と滞留の確認：商品別の入出庫データから、回転の遅い商品と欠品の多い商品を一覧にします。発注量を決める段階では、過去の推移と現場の事情を人が突き合わせます。
• 顧客の購買傾向の把握：購入頻度・直近の購入日・購入金額で顧客をグループに分け、しばらく購入のない顧客層を見つけます。顧客名ではなく顧客IDで分析します。
• 問い合わせ内容の分類：コールセンターや問い合わせ窓口の対応記録を分類し、増えている問い合わせの種類と時期を把握します。よくある質問の見直しや、マニュアルの改善につなげます。

AIの出力を鵜呑みにしない｜計算結果の検算チェックリスト

AIの分析結果は、会議資料や社外資料に使う前に必ず人が検算します。生成AIは、もっともらしく見えても事実と異なる内容を出すことがあり、これをハルシネーションと呼びます。数字の分析では、計算の前提の取り違えや、一部の行の読み落としとして表れることが多いため、次の項目で確認します。

• 元データの行数とAIが読み込んだ行数が一致しているか最初に行数を報告させ、Excelで数えた行数と比べます。一致しなければ、読み込みの段階で行が欠けています。
• 全体の合計がExcelの合計と一致しているか売上金額の総合計など、1つの数字をExcelのSUMで出して突き合わせます。総合計が合わなければ、読み込みか集計の段階で誤りがあります。合っていても区分ごとの振り分けの誤りは残り得るため、次の項目も確認します。
• 主要な集計をピボットテーブルで作り直して比べたか会議で使う表は、同じ集計を手元のピボットテーブルでも作り、数字が一致するかを確かめます。
• 使った計算式やコードを説明させたかどの列をどう計算したかを説明させ、ChatGPTの場合は生成されたコードと前提も確認します。
• 空欄と重複をどう扱ったかを確認したか空欄を0とみなしたのか、除外したのか、重複をどう処理したのかを明示させます。
• 前年比や構成比の分母を確かめたか比率は分母が違うと意味が変わります。何を分母にしたか、期間は正しいかを確認します。
• グラフの軸・単位・期間が正しいか縦軸が0から始まっているか、単位が円か千円か、対象期間が指示どおりかを見ます。
• 解釈の文章が、データから言えることを超えていないか要因の説明は推測を含みます。データから確認できる事実と、推測にとどまる部分を分けて書かせます。

社内データをAIに渡す前の注意点

AIデータ分析で注意が必要なのは、分析の精度よりも、社内データを外部のサービスに渡すことそのものです。会社の数字や顧客の情報は、入力した時点でサービスの提供元に送られます。渡してよいかの判断を社員一人ひとりに任せず、会社として基準を決めておくことが欠かせません。

個人情報・機密情報を扱うときの情報漏洩リスク

分析のために書き出したデータには、顧客名・住所・電話番号といった個人情報や、取引条件・原価・未発表の業績といった機密情報が含まれがちです。これらを個人のアカウントで生成AIに入力すると、会社が把握しないまま社外のサービスにデータが渡り、設定によっては学習に使われる可能性もあります。

個人情報保護委員会は、2023年6月2日に公表した生成AIサービスの利用に関する注意喚起で、事業者向けに次の点を示しています。個人情報を含む指示文を入力する場合は、特定した利用目的の達成に必要な範囲内かを十分に確認すること。そして、本人の同意なく個人データを含む指示文を入力し、そのデータが応答の出力以外の目的で扱われる場合は、個人情報保護法に違反する可能性があるため、提供事業者がそのデータを機械学習に使わないことなどを十分に確認すること、という内容です。この注意喚起は、個人情報の保護と生成AIの利点とのバランスに留意したうえで、入力する前に確認すべきことを示したものです。

また、AIの開発や利用に関わる事業者向けの指針として、総務省と経済産業省が策定したAI事業者ガイドラインがあり、第1.2版が2026年3月31日に公表されています。社内ルールを作る際の参考資料になります。情報漏洩の経路と対策の点検項目は生成AIのセキュリティ対策チェックリストで整理しています。

入力データの学習利用とオプトアウト設定を事前に確かめる

同じサービスでも、個人向けのプランと法人向けのプランで、入力内容が学習に使われるかの初期設定が違います。オプトアウトとは、利用者が自分で設定を変えて、学習への利用を止めることです。

• ChatGPT：公式ヘルプでは、個人向けサービスのコンテンツはモデルの学習に使うことがあり、BusinessやEnterpriseなどのビジネス向けサービスのコンテンツは学習に使わないと説明されています。個人向けプランでは、Webの場合、プロフィールのアイコンから設定、データコントロールと進み、すべての人のためにモデルを改善する、をオフにすると、会話は学習に使われなくなります（ただし、回答に良い・良くないの評価を送った場合は、その会話全体が学習に使われることがあると案内されています）。一時チャットは学習に使われず、30日後に削除されると案内されています（不正利用の監視のために確認される場合があります）。
• Claude：商用製品は標準で学習に使わないと案内されています。個人向けのFree・Pro・Maxは、料金ページの比較表で「オプトアウト」と表示されています（2026年9月16日に確認）。
• Google Workspace：事前の許可や指示がない限り、顧客データを学習に使わないと案内されています。個人のGoogle AIプランで使う場合は、個人アカウントの設定に従います。

注意したいのは、個人向けプランでオフにする設定は、社員一人ひとりの操作に依存する点です。会社として全員に同じ条件を確実に適用するには、法人向けの契約で学習に使われない条件を固定するほうが確実です。学習させない設定の詳細はChatGPTの法人プランの解説も参考になります。

入れてよい・伏せて入れる・入れないの線引き表

社員が迷わないように、社内でよく扱うデータを3つの区分に分けて例示しておきます。次の表は、法人向けプランなど学習に使われない条件を会社として確認した環境で使うことを前提にした一例です。個人のアカウントや無料版では、入れてよい区分の範囲をさらに狭めてください。自社の業種や契約上の守秘義務に合わせて調整して使います。

マイナンバーについては、個人情報保護委員会の事業者向けガイドラインで、利用できる事務が法律で限定されており、本人の同意があっても例外を除きそれ以外の事務で利用してはならないとされています。ガイドラインに生成AIへの入力について明記されているわけではありませんが、分析の目的で使う場面は想定しにくいため、社内ルールとして入れない区分に置くのが妥当です。

個人情報を匿名化・マスキングしてから渡す手順

伏せて入れる区分のデータは、次の手順で加工してから渡します。匿名化とは個人を特定できないように加工すること、マスキングとは情報の一部を記号などで覆い隠すことです。元のファイルは上書きせず、分析用のコピーを作って作業します。

1. 分析用のコピーを作る：元のファイルを複製し、ファイル名に分析用と付けて区別します。
2. 不要な列を削除する：分析の問いに使わない列は、氏名・住所・電話番号・メールアドレスを含めて列ごと削除します。使わない列を残さないことが、手軽で確実な対策です。
3. 名前の列をIDに置き換える：顧客名や担当者名で集計したい場合は、C001、S01のような番号に置き換えます。名前と番号の対応表は別ファイルにして社内に残し、AIには渡しません。結果を見るときに、手元で対応表と突き合わせて名前に戻します。
4. 細かすぎる情報を粗くする：住所は都道府県か市区町村までに、生年月日は年代に、日時は月単位にまとめます。分析に必要な粒度を超える細かさは残しません。
5. 自由記述の中を検索する：備考欄やアンケートの自由記述には、個人名・社名・電話番号が紛れ込みます。Excelの検索で、様・さん・株式会社・電話番号の数字の並びなどを探し、見つけたものを伏せ字に置き換えます。
6. 件数の少ない区分をまとめる：部署×年代×性別のように区分を細かくすると、1〜2名しか該当しない区分から本人が推測できてしまいます。少人数の区分は、その他にまとめるか、集計の単位を粗くします。
7. 渡す前にもう一度見直す：シートが複数ある場合は、非表示のシートや列に元の情報が残っていないかを確認してから、CSVで書き出して渡します。CSVで保存されるのは開いているシート1枚だけなので、ほかのシートや書式は持ち込まれません。開いているシートの非表示の行・列は残る場合があるため、書き出す前に再表示して確かめます。

この手順を担当者ごとの判断に任せると、抜けが出ます。誰が加工し、誰が確認するかを社内ルールで決めておくことをおすすめします。

データを外部に出さない環境で分析する選択肢

取引上の制約などで、どうしてもデータを社外のサービスに出せない場合は、データを外部に出さない分析の方法を検討します。考えられる選択肢は大きく3つです。

• 実データを渡さずに作り方だけを聞く：前述の、列名とダミーデータで関数や集計の手順を作らせる方法です。追加の費用がかからず、今日から始められます。
• 社内のPCやサーバーでAIを動かす：ローカルLLMと呼ばれる、手元の環境で動かす言語モデルを使う方法です。データは社外に出ませんが、動かすための機材と設定の知識が必要で、性能や管理の手間は選ぶモデルと環境によって大きく変わります。
• 管理の行き届いたクラウド環境で分析する：データの保管場所・学習への利用・アクセス権限・ログを会社として管理できる法人向けの環境を用意する方法です。社外に出さないことは難しくても、出した先の条件を契約で確認し、説明できる状態にできます。

AIデータ分析を会社で安全に使うには

会社でAIデータ分析を安全に続けるには、学習させない設定、ログの管理、社員へのアカウントの配布、複数のAIの使い分けを、個人任せではなく会社の仕組みとして用意することが要になります。ルールを紙に書くだけでは、忙しい現場では守られなくなるためです。

無料版・個人向けプランと会社契約で確かめる項目

社員が使っているAIが、会社として安心してデータを渡せる環境かどうかは、次の項目で確かめられます。無料版や個人向けプランの多くは、会社から設定や利用状況を管理する仕組みを持たないため、項目の多くが満たせません。

• 入力内容が学習に使われない条件が、全員に一律で適用されているか社員ごとの設定操作に任せていないかを確認します。法人向けの契約では、標準で学習に使わない条件になっているものがあります。
• 管理者が会社全体の設定を固定できるか機能の有効・無効や使えるモデルを、管理者の側で決められるかを見ます。
• 会話履歴とアップロードしたファイルの保存と削除のルール分析に使ったファイルがどこに、いつまで残るのか、削除する方法があるのかを確認します。
• 共有リンクの扱い分析結果の会話を共有リンクにした場合、誰が閲覧できるのかを確認し、社外に共有できないように運用で決めます。
• 誰がいつ使ったかを会社側で確認できるか利用状況の記録を管理者が見られるかどうかで、問題が起きたときの調べやすさが変わります。
• 退職や異動のときにアカウントを止められるか個人のアカウントでは、退職後も本人の手元に会話とファイルが残ります。

野良AIを防ぎ、公認の環境を社員に配る

社員が個人のアカウントの生成AIに売上表や顧客リストをアップロードしてしまう状態は、会社が把握していないAIの利用、いわゆる野良AI（シャドーAI）の典型的な形です。データ分析は業務の効率化につながるため、禁止しても、便利さを知った社員の利用はなくなりにくいのが実情です。

そこで有効なのが、会社が公認の環境を用意し、社員に配ることです。配るときは、次の3点を設計しておきます。

• 学習に使わせない設定を会社側で固定する：社員の操作に頼らず、契約と管理画面の設定で全員に適用します。
• アカウントを会社が発行し、退職時に止める：入社・異動・退職の手続きの流れに、AIのアカウントの発行と停止を組み込みます。
• 利用状況を誰がいつ確認するかを決める：ログを取れるだけでは意味がありません。たとえば月に1回、情報システムの担当者が利用状況を見て、想定外の使い方がないかを確認する、と担当と頻度を決めます。

公認の環境が使いにくければ、社員は再び個人のアカウントに戻ります。データ分析のように使う頻度の高い用途で、個人向けのサービスと同じくらい手軽に使えるかどうかも、環境を選ぶ際の大切な基準です。

社内の運用ルールとガバナンスを整える｜A4一枚のひな形

分厚い規程は読まれません。AIデータ分析のルールは、まずA4一枚に収まる形で作り、全員に配るところから始めるのが現実的です。次のひな形の項目を、自社の状況に合わせて埋めてください。

• 1. 使ってよいAIとプラン会社が契約した環境名と、使ってよい機能を書きます。個人のアカウントや無料版に業務データを入れないことを明記します。
• 2. 入れてはいけないデータの区分前述の線引き表を貼り付け、入れてよい・伏せて入れる・入れないの例を示します。
• 3. 匿名化の担当と手順伏せて入れる区分のデータを、誰が加工し、誰が確認するかを書きます。手順は7項目のチェックリストとして別紙にします。
• 4. 分析結果を使う前の確認者会議資料や社外資料にAIの分析結果を使う前に、検算を行う人を決めます。社外に出す資料は、依頼者とは別の人が確認します。
• 5. 誤って入力したときの連絡先入れてはいけないデータを入力してしまったときに、すぐ連絡する窓口と、連絡までの目安の時間を書きます。責めずに報告を受ける姿勢を示すと、報告が早くなります。
• 6. 利用状況の確認と見直しの時期ログを確認する担当と頻度、ルールそのものを見直す時期（半年に1回など）を書きます。

ルールの全体像や、ガイドラインに盛り込む項目の考え方は生成AIの社内ガイドラインの作り方で詳しく解説しています。

複数のAIを業務に合わせて使い分ける

データ分析では、1つのAIに頼るより、複数のAIを使える状態にしておくと確かめやすくなります。同じデータと同じ指示を2つのAIに渡し、集計結果が食い違った箇所を重点的に検算すれば、確認の手間を絞り込めます。また、表の集計はあるAI、文章データの分類は別のAI、というように得意な作業で分けることもできます。

ただし、社員がそれぞれ別々のサービスに個人で登録すると、管理する場所が増え、野良AIの問題に戻ってしまいます。複数のAIを会社の管理のもとでまとめて使う考え方は、マルチAIとはで解説しています。

小さく始めて広げる｜機密度の順に段階を踏む

AIデータ分析は、1つの業務の1つの問いから始め、効果を確かめてから広げるのが確実です。その際、どの業務から始めるかに加えて、どの機密度のデータから扱うかで段階を分けると、安全と効果を両立しやすくなります。

段階1から段階3までの進め方

• 段階1：社外秘でない数字から始める：部門別の月次売上の合計や、公開済みの数値など、漏れても問題になりにくい集計値で、AIへの指示の出し方と検算の流れに慣れます。列名とダミーデータで関数を作らせる使い方もこの段階に向いています。
• 段階2：匿名化した明細に広げる：顧客名をIDに置き換えた売上明細や、固有名詞を消したアンケートの自由記述など、伏せて入れる区分のデータを扱います。匿名化の手順と、確認する人を決めてから進みます。
• 段階3：顧客情報を含むデータは公認環境と社内ルールが整ってから：学習に使われない条件を会社として固定し、ログを確認する体制とA4一枚のルールが整ってから、扱うデータの範囲を広げます。入れない区分のデータは、この段階でも対象にしません。

効果の測り方

効果を感覚で語ると、続けるかどうかの判断が曖昧になります。導入前後で、分析1本あたりの作業時間を記録して比べる方法が手軽です。次の項目を、スプレッドシートに1分析1行で残していきます。

• 分析の名前と問い（例：地域別売上の前年比）
• データの準備と前処理にかかった時間
• 集計とグラフ作成にかかった時間
• 検算にかかった時間と、検算で見つかった誤りの件数
• 報告資料にまとめるまでの時間
• 分析の結果、決まったこと・変えたこと

導入前に同じ分析を手作業で行ったときの時間を1〜2本分記録しておき、導入後の数本と比べます。検算の時間も必ず含めて比べてください。検算を省いた時間短縮は、後で誤りの手戻りとして返ってきます。また、時間の短縮だけでなく、分析の結果として何かが決まったかどうかを記録すると、分析が業務の改善につながっているかを確かめられます。

導入後の継続運用｜自動化しても放置しない

分析を一度仕組みにしても、放置すればやがて結果がずれていきます。継続して点検したいのは次の点です。

• データの形の変化：基幹システムの更新や入力ルールの変更で、列名や区分が変わると、同じプロンプトでも集計がずれます。
• ツールの仕様の変化：生成AIの機能や対応形式、料金や利用条件は頻繁に変わります。半年に1回程度、公式ページで前提を確認し直します。
• 予測モデルの再学習：機械学習の予測モデルを使っている場合、市場や顧客の行動が変われば、過去のデータで作ったモデルの精度は落ちていきます。精度を定期的に監視し、必要に応じて新しいデータで作り直します。
• ルールの形骸化：匿名化や検算の手順が守られているかを、ログや抜き取りで確認します。手順が重すぎて守られていないなら、ルールの側を現実に合わせて直します。

その他の業務でのAIの使い方はAI活用コラムの一覧からご覧いただけます。

よくある質問

ChatGPTでデータ分析はできますか？

できます。ただし、会社のデータを使うなら、入力データが学習に使われるかの確認、個人名や社名を伏せる匿名化、AIが出した数字の検算の3つが前提です。ChatGPTの公式ヘルプでは、アップロードしたExcelやCSVなどのファイルを分析し、表やグラフの作成やPythonによる計算ができると説明されています。無料版はデータ分析に上限があり、個人向けプランは設定で学習への利用をオフにする必要があります。

AIで入れてはいけない情報は？

社内ルールで入れない区分にしておきたいのは、給与や賞与、人事評価、健康診断や病歴、マイナンバー、口座番号やクレジットカード番号、パスワード、未公表のM&Aなどの重要な経営情報です。顧客名入りの売上明細やアンケートの自由記述は、氏名や社名を削除するかIDに置き換えてから渡します。個人情報保護委員会は、本人の同意なく個人データを入力する場合は、提供事業者がそのデータを機械学習に使わないことなどを十分に確認するよう注意喚起しています。

データ分析にはどのAIがいいですか？

普段使っている業務ツールで選ぶのが近道です。Microsoft 365中心ならCopilot in Excel、Google Workspace中心ならスプレッドシートのGemini、ファイルを渡して会話しながら深掘りしたいならChatGPTやClaudeが候補になります。会社で使う場合は、性能の評判より、入力内容が学習に使われない条件を会社として固定できるか、利用状況を管理できるかを先に確認してください。

無料版のAIでも会社のデータ分析に使えますか？

社外秘でない数字やダミーデータで操作に慣れる用途なら使えますが、顧客情報や社内の明細を入れる用途にはおすすめしません。ChatGPTの料金ページでは無料版のデータ分析は上限ありとされ、個人向けプランの学習への利用は各自の設定次第です。会社から設定や利用状況を管理できないため、業務データは法人向けの契約など会社が管理できる環境で扱ってください。

ExcelのデータをそのままAIに渡せますか？

形式としては渡せますが、そのままでは読み違いが起きやすくなります。1行目に列見出しを置き、1件を1行にし、結合セルや小計行、途中の空行を取り除いた素直な表にしてから渡してください。あわせて、分析に使わない列、とくに氏名や連絡先の列は削除します。データそのものを渡したくない場合は、列名とダミーの数行だけを見せて関数やピボットテーブルの組み方を作らせ、計算は手元のExcelで行う方法もあります。

AIの分析結果はどこまで信用してよいですか？

検算するまでは下書きとして扱ってください。生成AIは、読み込みの段階で行を落としたり、空欄や重複を想定と違う形で扱ったりすることがあります。元データの行数と合計がAIの集計と一致するか、主要な表をピボットテーブルで作り直して同じになるか、比率の分母が正しいかを確認します。要因の説明は推測を含むため、データから言えることと分けて書かせると判断を誤りにくくなります。

プログラミングの知識は必要ですか？

集計、グラフ化、外れ値の洗い出し、文章データの分類といった範囲なら、プログラミングを書かずに始められます。一方で、予測の結果を発注などの判断に自動でつなげる場合や、施策の効果を統計的に検証する場合は、統計の知識や専門家の関与が必要になります。まず現場で当たりをつけ、重要な判断に使う段階で専門家の確認を通す進め方が無理のない形です。

まとめ

AIによるデータ分析には、機械学習で予測の仕組みを作る分析と、生成AIに表データを渡して会話しながら集計や読み取りを進める分析があります。専任のデータ担当者がいない会社で始めやすいのは後者で、ChatGPT、Claude、スプレッドシートのGemini、Copilot in Excelなどを使えば、プログラミングを書かなくても分析の入口に立てます。

成果を出すための要点は、目的を1文で決めてから始めること、表の形を整えて前処理をしてから渡すこと、そしてAIが出した数字を必ず検算することです。行数と合計の一致、ピボットテーブルでの作り直し、比率の分母の確認という基本の点検だけでも、大きな誤りの多くは防げます。

会社で使うときに先に決めておきたいのは、社内データを入れてよい・伏せて入れる・入れないに分ける線引きと、渡す前の匿名化の手順です。そのうえで、学習に使わせない設定を会社側で固定し、アカウントを会社から配り、利用状況を確認する担当を決めておけば、社員が個人のアカウントに業務データを持ち込む野良AIの状態を防ぎながら、分析の量を増やしていけます。まずは社外秘でない数字から1つの問いで始め、作業時間と決まったことを記録しながら、段階を踏んで広げてください。