小売業におけるAI活用とデータ基盤の現在地――実運用につなげるために次の一歩を考える

2026年3月3日掲載

小売業界では、ここ数年でAI活用が「経営テーマ」として広く議論されるようになりました。顧客獲得コストの上昇や人手不足といった環境変化の中、AIは導入の是非ではなく「いかに活用するか」を問う段階にあります。一方で、PoC（概念実証）を実施しても実業務への組み込みや成果創出に課題を感じている企業も少なくありません。本記事では次世代型データ統合基盤を提供しているDatabricks Japan社でビジネスバリューディレクターを務める國本氏へのインタビューを通じて、小売AI活用の現状とデータ基盤の論点を整理し、次のフェーズへ進むための視点を解説します。

國本久成氏
Databricks Business Value Director

15年以上にわたりDX関連業務に従事。コンサルティングファーム・大手クラウドベンダーにて、業界別GTM戦略の策定や新製品事業の立ち上げを主導。2025年7月よりDatabricksに参画し、データ・AIを中核としたDXを戦略から実装まで一貫して支援。現在はビジネス・テクノロジー双方の視点から、企業のデータ基盤ビジョンやロードマップ策定を通じた価値創出に伴走している。

小売業界の環境変化とAI活用の加速

小売業界は現在、トップラインとボトムラインの両面から大きな変化に直面しており、その変化がAI活用の加速にも直結しています。

トップラインでは、顧客獲得コストの上昇や競争環境の激化により、これまでと同じ施策では成果が出にくくなっています。パーソナライズされた施策やデータに基づく意思決定は、より重要性を増しています。一方で、ボトムラインでは人手不足が深刻化し、現場業務の効率化や省力化が避けて通れないテーマとなっています。

こうした背景の中で、ここ数年でAI活用は経営レベルでの重要なアジェンダとして位置づけられるようになっています。「AIは導入すべきか」ではなく「どのように活用するか」が問われる状況になってきています。

AI活用と実運用の間にあるギャップ

こうした環境変化を背景にAIの導入自体は進んでいますが、「PoCまではうまくいったものの、実運用にはつながらない」という声も少なくありません。PoCの段階では一定の成果が確認できても、それが継続的な業務改善や収益向上につながるとは限りません。仮想的な環境や限定されたデータセットでの検証と、既存の業務プロセスやシステムの中にAIを組み込むことは、本質的に異なるからです。

また、実運用では、モデルの精度だけでなく、データ更新の仕組み、評価指標、チューニングのルール、運用体制などを含めた設計が求められます。これらが十分に整理されていない場合、モデルの改善を繰り返すものの、業務成果として定着しないという状況に陥ることもあります。

さらに、AIが経営アジェンダの優先事項として位置づけられる一方で、過度な期待や逆に慎重すぎる見方が混在し、適切なジャッジメントが難しくなっているケースもあります。その結果、IT部門が期待値のコントロールに苦慮する場面も少なくありません。つまり、AI活用が期待どおりの成果に至らない背景には、単なる技術課題だけではなく、「実装と運用を見据えた設計上の課題」があるといえます。

IT部門が抱えるレガシー環境とデータ分断という構造課題

AI活用が実運用に至りにくい背景には、IT部門が抱えるレガシー環境やデータ分断といった構造的な制約があります。多くの小売企業では、基幹系、EC、CRM、在庫管理などのシステムが個別に最適化されてきました。その結果、マスターが統合されていなかったり、システム間の連携が限定的であったりするケースも少なくありません。

このような環境で横断的な分析やAI活用を行おうとすると、データを別環境にコピーし、加工してから利用する必要があります。データを移動するたびにコストや処理負荷が発生し、それが積み重なることで全体のパフォーマンスや開発効率に影響を与えることもあります。

いわば、データコピーのたびに“税金”のような負担が発生している状態とも言えます。

さらに、この構造のままAIを後付けする形で活用を進めると、コピーや処理負荷は一層増大します。モデルが参照するデータが増えるほどデータ移動も増え、コストやパフォーマンスの問題が顕在化しやすくなります。評価やガバナンスの設計も複雑化し、結果として実運用のハードルが高まります。

「データを整えればAIが使える」という考え方は、一見、分かりやすいものの、実際には十分ではありません。データには形式や更新頻度の違いがあり、前処理や加工を経て初めて活用可能になります。既存基盤の延長線上にAIを足すのではなく、AIを前提とした設計思想に立ち返ることが、段階的な活用を支える出発点になります。

既存データ基盤にAI基盤を後付けしデータコピーや二重処理が発生しやすい構造

小売業における段階的なAI活用ユースケース

AI活用は一足飛びに高度化するものではなく、具体的なユースケースから段階的に広げていくのが現実的です。活用フェーズが進むにつれ、求められるデータ基盤の要件も変化していきます。

◼︎初期段階：既存データの自然言語活用（コパイロット型）

まずは大規模なシステム改修を伴わずに着手できる領域です。例えば、店舗にすでに存在する売上データを活用し、自然言語で「店舗の売上を伸ばすための示唆」を得るなどの取り組みが挙げられます。

◼︎将来予測による意思決定の高度化（需要予測・最適化）

需要予測や価格・プロモーションの最適化などが該当します。売上データに加え、在庫、天候、販促データなど、複数の異なるデータを統合し、機械学習モデルで分析する必要があります。こうした予測モデルを実運用に乗せるには、日次でデータが更新されるなどモデルの精度が継続的にモニタリングされるパイプライン構築が前提となります。

◼︎高度化段階：業務ロジックへのAI組み込み（自律実行）

さらに高度化すると、業務ロジックの中にAIを組み込み、自律的にタスクを実行するような活用も視野に入ります。ただし、この段階に進むほどデータサイエンティストの関与が増え、データ準備やパイプライン整備にかかる負荷も高まります。実際には、データサイエンティストがモデル改善よりも「データ準備」に多くの時間を割いているという課題も指摘されています。

このように、AI活用の段階が進むにつれて求められる基盤設計の水準も高まっていきます。

単純集計から機械学習・自動化へと段階的に発展していく関係図

AI活用を経営成果につなげるロードマップ設計

ここまで基盤と実装の論点を整理してきましたが、最終的に成果へとつなげるためには、経営層が描く中期経営計画や事業戦略との整合が欠かせません。AI活用はIT部門の個別施策として閉じるのではなく、売上拡大や在庫回転率の改善など、具体的な経営KPIにどう寄与するのかを明確にした上で、経営アジェンダの一部として位置づける必要があります。

CIO組織が既存ITコスト削減のKPIを担う一方で、AIには成長や競争力向上への期待が寄せられる、こうした構図も少なくありません。この差を埋めるには、「どの業務を変え、その結果どのKPIが動くのか」を明確にし、IT投資をビジネス価値と結び付けて説明できる状態にすることが求められます。

そのためには、IT部門だけで計画を立てるのではなく、業務部門（LOB）と優先順位をすり合わせながら段階的なロードマップを描くことが重要です。短期は限定領域での実装、中期は横展開と基盤統合、といった進め方が現実的でしょう。

ツールの入れ替えを目的化するのではなく、効率化で生まれた余力を成長施策へ再配分する。その全体像を示すことが、AI活用を継続的な成果につなげる鍵になります。

まとめ

ここまで、小売業界の環境変化から基盤設計の論点までを見てきました。

AI活用の成否は、個別のツール選定だけで決まるものではありません。既存の構造を踏まえた上で、基盤をどう設計し直すかが重要になります。

PoCは入口にすぎず、実運用につなげるためには、AIを前提としたデータ基盤の在り方を見直し、経営戦略と整合したロードマップを描くことが求められます。

成功例や失敗例がある程度出そろってきた今、まずは自社の現状を客観的に整理し、どこから着手すべきかを見極めることが、次の一歩につながります。

【関連サービスのご紹介】

本記事で触れた「AIを前提とした基盤設計」や「データ分断の解消」といった論点に関連するサービスとして、Databricks（データブリックス）があります。Databricksは、分散した企業データを一つのプラットフォーム上で統合し、データ処理から分析、AI活用までを一貫して行える環境を提供します。個別ツールを組み合わせるのではなく、データ基盤・ガバナンス・AI活用を横断的に扱える点が特長です。

実際に国内の某大手コンビニエンスストアでは、Databricksを用いて店舗ごとの発注示唆を出す仕組みを構築しています。販売実績や天候等の膨大なデータを組み合わせ、翌日の最適な発注数量を算出。データ更新からモデルの精度管理までを自動化することで、PoCにとどまらない「現場で使えるAI」を実現しています。

複数のシステムにまたがるデータを統合し、コピーや重複処理を最小化しながら活用できる設計は、コスト最適化や処理性能の向上にも寄与します。

詳しくは、以下のサービスページをご覧ください。