昔「AIを使うにはまずデータを整備しなければならない」という認識が一般的でした。しかし現在では、「汚いデータでもAIが先に整えてくれる」という状況に変化しています。この変化が、AI導入のハードルを劇的に下げているのです。
多くの企業は「AIを導入したい」と考えていたものの、「データが整っていない」ことを理由に導入を見送っていました。
ところが、現在の生成AIは、スクリーンショットや雑然としたPDF、あるいは文字化け気味のファイルであっても、それなりに解釈・処理が可能です。
従来のデータ分析では、データサイエンティストが「前処理」「正規化」「型の統一」などに多くの時間を費やしていました。しかし今では、「とりあえずAIに渡してみる」というアプローチが、意外と機能するのです。
| 項目 | 従来（～2022年頃） | 現在（2023年以降） |
|---|---|---|
| 前処理の必要性 | 必須 | AIが自動で補完可能 |
| 入力形式の揃え | 厳格に必要 | 曖昧さや違いを吸収可能 |
| データの種類 | 構造化データ中心 | 非構造・マルチモーダルも対応可能 |
| 人間の準備作業 | 極めて重要 | AIの理解力・補完力が強化 |
- データ整備のコストが激減 → 小規模な企業でも導入しやすくなる。
- 導入スピードが向上 → トライ＆エラーが迅速に回せる。
- 試せる現場が増える → 社内PoC（試験導入）が容易になる。
「昔は“汚いデータ”だと『こんなの使えない！』って言われていたけれど、今はAIが勝手に読み解いてくれる。
しかし、Google Apps Script（GAS）などの自動処理系ツールでは事情が異なります。GASのような定型処理ツールは、今もなお「綺麗なデータ」が前提です。
| 用途 | 汚いデータへの対応 | 向いている技術 |
|---|---|---|
| 生成AI（対話・要約・意味理解） | 曖昧でも文脈で補完 | ChatGPT / Claudeなど |
| GAS等の自動処理（形式・構造依存） | 構造の不備に弱い | Google Apps Script / Excel VBA |
- 生成AIは、文脈や曖昧さから意味を汲み取ることに長けています。
- GASなどの自動化ツールは、データの形式や構造が整っていないと動作が破綻しがちです。
たとえば、「2024年5月1日」と「1日・5月・令和6年」が混在する日付欄や、列がシートごとに異なるCSVなどは、自動処理にとって致命的な障害となり得ます。
以下のような“役割分担”が現実的かつ効果的です。
- 生成AIに前処理を依頼
例：「この表の列名を統一して」「“名前”列をすべてカタカナにして」など。 - 整ったデータをGASで自動処理
→ データ構造が明確なら、GASの処理は高速かつ安定します。
活用の一例：
- 汚れたスプレッドシート → ChatGPTでクリーニング
- 整形済みデータ → GASで自動転記・通知
このように、生成AIとGASの役割を分けて考えることが、業務効率化の鍵となります。生成AIが「汚いデータでも読み解ける」と言われるのは、“意味の解釈”という領域においてです。一方で、GASのような“処理の自動実行”においては、依然として整った構造が求められます。
ここが、ネックになっています。
