大阪ガスの生成AI活用術｜データ基盤の負荷を脱し『有能な部下』を育てる方法

「AIを導入したけれど、結局データの下準備に時間がかかって成果が出ない……」

「IT部門がデータの転送や加工に追われ、新しい施策に手が回らない」

そんな悩みを抱えていませんか？ 2026年現在、エネルギー業界の激しい競争の渦中にいる大阪ガスは、この「データ活用の壁」を鮮やかな発想の転換で突破しました。

彼らが辿り着いた答えは、AIを単なる「ツール」として使うのではなく、「優秀な部下」として育成し、AI自身が読み取りやすいデータ基盤（AIリーダブル）を構築することでした。

本記事では、2026年2月に開催された「Enterprise IT Summit 2026 冬」での大阪ガス・國政秀太郎氏の講演を基に、高負荷なデータ基盤から脱却し、ビジネスアジリティを最大化させるための戦略を徹底解説します。

エネルギー業界の激変と大阪ガスが直面した『データ活用の壁』

2026年、エネルギー市場の競争激化とDXの必然性

かつて安定したインフラ産業だったエネルギー業界は、今やかつてない競争の波にさらされています。電力・ガスの自由化、脱炭素化の加速、そして顧客ニーズの多様化。大阪ガスが多角的な事業を成長させるためには、迅速な意思決定を支える「データ」の力が不可欠でした。

しかし、そこで立ちはだかったのが「データの複雑性」です。IoT機器から送られてくる膨大なログ、顧客の属性データ、刻一刻と変わる市場価格。これらを統合し、価値あるインサイトに変える作業は、人間が手作業で行うには限界を迎えていました。

なぜ従来のデータ基盤は『高負荷』で動かなくなったのか

多くの企業が陥る罠があります。それは「とりあえずデータを一箇所に集めれば、何かが起きる」という幻想です。

大阪ガスでも、初期の段階ではデータの収集に注力しましたが、結果としてIT部門を待っていたのは「高負荷なデータメンテナンス」という現実でした。システムごとにバラバラなフォーマット、欠損値の補完、そして何よりデータの意味をAIが理解できる形式に整える作業。これらがIT部門の稼働を奪い、本来の目的である「ビジネスへの貢献」を阻害していたのです。

ETL（加工・保存）工程という名のブラックホール

特に深刻なのが、ETL（Extract/Transform/Load）工程です。

• 抽出（E）： 多様なソースからデータを引き出す。
• 加工（T）： 分析しやすいように形を整える。
• 書き出し（L）： 分析基盤に保存する。

「この加工処理だけでIT担当者の1日が終わってしまう」といった状況は、DXを推進する上での大きなボトルネックになります。大阪ガスはこの「データの泥臭い下準備」を、生成AIを前提とした基盤構築によって変革しようと試みたのです。

生成AIを『有能な部下』にする『データ民主化2.0』の衝撃

データ民主化1.0（BI活用）から2.0（AI自走）への進化

これまでの「データ民主化1.0」は、専門家が作ったBI（ビジネスインテリジェンス）ツールを現場が見る、という形でした。しかし、これでは「用意されたグラフ」しか見ることができず、自由な発想での分析は困難です。

大阪ガスが提唱する「データ民主化2.0」は、現場の社員が自らAIに問いかけ、AIが裏側でデータを抽出・分析して答えを返す世界です。

「昨日の気温変化とガス使用量の相関を教えて」

と自然な言葉で指示を出すだけで、AIが自らデータを取りに行き、分析レポートを作成する。これにより、専門スキルを持たない従業員でもデータの恩恵を享受できるようになります。

AIを『ツール』ではなく『部下』として扱うマインドセット

國政氏が強調するのは、AIに対する向き合い方です。

AIは「魔法の杖」ではありません。どちらかと言えば、「物覚えはいいが、指示が曖昧だと迷走する新人部下」に近い存在です。

新入社員に仕事を任せる時、私たちはどうするでしょうか？

• マニュアルを用意する（プロンプトの整備）
• 仕事がしやすい環境を整える（データ基盤の整備）
• 適切なフィードバックを与える（精度の向上）

この「育成」の視点を持つことで、大阪ガスのAI活用は飛躍的にスムーズになりました。

現場の従業員が『データと会話』できる環境の構築

生成AIを「有能な部下」にするための最大の特徴は、対話型であることです。

「この数字の根拠は何？」

「別の条件でシミュレーションしてみて」

こうした会話を通じて、現場社員の思考は深まり、意思決定のスピード（アジリティ）が劇的に向上します。IT部門に依頼を出して1週間待つ必要は、もうありません。

脱・高負荷基盤！『AIリーダブル』なIoTデータ基盤の構築手順

データ基盤をAIに「優しい」ものに作り替える。これが大阪ガスの成功の核心です。

ステップ1：ETL運用負荷をゼロに近づけるアーキテクチャ設計

まず着手すべきは、データの転送・加工の自動化です。手作業を排し、センサーから上がってきたIoTデータをそのまま、あるいは最小限の処理でAIがアクセスできる場所に流し込む。

「データの鮮度」を保つことで、AIは常に最新の状況に基づいた回答が可能になります。

ステップ2：AIが理解できるコンテキスト（文脈）の付与

AIにとって、単なる数値の羅列（例：0.45）は意味をなしません。それが「午前10時のガスの流量」なのか「装置の温度変化」なのかという「文脈（メタデータ）」が必要です。

大阪ガスは、データに意味づけを行う工程をシステム化し、AIが「何についてのデータか」を即座に判断できる「AIリーダブル」な状態を整えました。

ステップ3：事業部門を巻き込んだフィードバックループの形成

基盤を作るのはIT部門ですが、使うのは事業部門です。

「このAIの回答は現場の実感とズレている」

「もっとこういうデータが見たい」

こうした現場の声を、基盤の改善に即座に反映させるループを作りました。これにより、「IT部門の自己満足」に終わらない、真に役立つ基盤へと成長していったのです。

【事例比較】大阪ガスの成功と多くの企業が陥る失敗の境界線

AI活用において、成功する企業と失敗する企業の差はどこにあるのでしょうか。以下の表にまとめました。

國政氏が語る『AIを使いこなせる組織』の共通点

國政氏の講演から読み取れるのは、「失敗を許容し、改善を高速で回す文化」の重要性です。

生成AIは100%の正解を出すわけではありません。しかし、80%の正解を瞬時に出し、残りの20%を人間が補正する。この役割分担を理解している組織こそが、2026年のビジネスシーンで勝ち残っています。

よくある質問（FAQ）｜AIとデータ基盤の悩み

Q1: 既存の古い基盤を活かしながら生成AIを導入できますか？

A: 可能です。ただし、すべてのデータを一気にAI対応させる必要はありません。まずは特定の事業部、特定のデータ（例：IoTのログデータのみ）に絞り、その周辺にAI用の「薄いデータ層（セマンティック層）」を設けるアプローチが有効です。

Q2: セキュリティ面でIoTデータをAIに渡すリスクは？

A: 大阪ガスのような大規模インフラ企業では、セキュリティは最優先事項です。パブリックなAIではなく、閉鎖的なエンタープライズ環境のAIを利用し、個人情報や機密情報をマスキングするフィルターをデータ基盤側に設けることで、リスクを最小化しています。

Q3: 現場社員のAIリテラシー教育はどう進めるべき？

A: 「勉強会」よりも「成功体験の共有」が効果的です。大阪ガスのように、AIを「部下」と例えることで、指示の出し方の重要性を直感的に理解してもらうのが近道です。「こう言ったら、こんな便利な表を作ってくれた」という小さな事例を横展開しましょう。

まとめ：ビジネスアジリティを最大化する次の一歩

大阪ガスの事例が私たちに教えてくれるのは、「AIの進化は、データ基盤の進化とセットである」という冷徹な事実です。どんなに賢いAI（部下）を雇っても、参照するデータ（資料）がボロボロでは、その能力を10%も発揮できません。

1. AIを「部下」として位置づけ、共に成長する文化を作る。
2. IT部門を「ETLの苦行」から解放し、AIリーダブルな基盤構築にシフトする。
3. 現場社員がデータと直接会話できる「民主化2.0」を実現する。

この3つのステップこそが、2026年以降のDXを勝ち抜くための唯一の道かもしれません。

あなたの会社でも、AIを「高負荷なシステムの一部」としてではなく、「共に未来を創る有能な部下」として迎える準備を始めてみませんか？

引用

ITmedia エンタープライズ「大阪ガスはいかにAIを「優秀な部下」に変えたのか？　脱「高負荷なデータ基盤」の道のり」