あなたがすでに持っているデータは、これから買うモデルよりも価値がある
経営幹部がデータについて語ることと、実際にそれをどう活用しているかの間には、根強い乖離が存在する。ほとんどの企業はデータを過去の監視に使っている——売上レポート、KPIダッシュボード、キャンペーンのトラッキング。一部はすでに人工知能を通じてエクスペリエンスのパーソナライゼーションに活用している。しかし、次のステップを踏む企業はほとんど存在しない。そのステップとは技術的なものではなく、概念的なものだ。つまり、データをそれ自体が収益を生む製品として扱うこと——それを生み出したビジネスとは独立した存在として。
これが2026年の戦略的議論の中で力を持ちつつある中心的な主張であり、その背後には無視しがたい数字がある。従来の小売業の営業利益率は2%から5%の間を推移している。一方、ファーストパーティデータに基づいて構築された広告ネットワークの利益率は——同じ顧客、同じインフラの上に成り立つ——最大90%に達することがある。これは元のビジネスの変形ではなく、すでに存在していた同じ資産の上に構築された、別のビジネスだ。Walmart Connectは2026年度に41%の成長を遂げた。メディアとデータアナリティクスを含むKrogerの代替事業部門は、直近の事業年度で15億ドルの営業利益を生み出した。両社とも新たな顧客を獲得することなく、新たな市場を開拓することなく、これらの収益源を構築した。変えたのは、すでに知っていたことをどのようにパッケージ化するかという方法だった。
そのような分析において欠けているもの——そして行動分析家である私が最も関心を持つこと——は、どの経営幹部も声に出して問おうとしていない問いだ。その資産が常にそこにあったとすれば、なぜほとんどの企業はそれを収益化しないのか？
不可視の資産と、それを眠らせ続けるバイアス
その答えは技術でも人材でもない。組織が自分たちの持ち物をどのように認識するか、その点にある。
「自己環境への親しみ」と呼ばれる、十分に文書化された認知バイアスが存在する。私たちは、繰り返し接触することによって価値の知覚が低下するため、自分たちが生産したり管理したりするものを過小評価する傾向がある。顧客の行動データを何年も見続けているマーケティングチームは、それを希少な資産として見なくなる。ずっとそうであったように、運用上のインプットとして扱う。人間の脳は、親しみのあるものを正常化し、市場で目に見える価格を持たないものを過小評価することに対して、極めて効率的に機能する。
これは大きな組織ではさらに深刻になる。なぜならデータは、インセンティブを共有しない部門間に分散しているからだ。営業チームは各セグメントの購買量を知っている。ロジスティクスチームはいつ、どこで購入されるかを知っている。製品チームはどの機能がリテンションを生み出すかを知っている。しかし、それらのピースを他の企業が購入するような一貫した製品にまとめることに誰も費用を払っていない。各部門が自分のパフォーマンスを内部目標で測定しており、自分たちが知っていることの外部的な価値では測定していないからだ。
実際的な帰結として、企業にとって最も価値あるデータ——顧客行動に関する蓄積された知識——は分散したまま、構造もなく、価格もなく、明確な所有者もなく存在している。企業がそれを整理できないからではなく、その形で整理するには日常業務を支える運用ロジックを打ち破る必要があるからだ。そのロジックを打ち破ることは制度的な摩擦を生み出し、ほとんどのチームはそれを引き受けるインセンティブを持っていない。
Krogerの分析・メディア子会社である84.51°のケースは、その出発点が技術的なものではなかったことから、まさに示唆に富む。Stratumプラットフォームは、Krogerが新たなデータを発見したから生まれたのではない。誰かが、日用消費財ブランドが取る必要のある意思決定——どこに予算を投じるか、何を揃えるか、結果をどう測定するか——の周りに、既に知っていることを構造化しようと決断したから生まれた。資産は同じだった。変わったのは、それが提供される解釈的なフレームワークだった。内部データから外部製品へのその転換は、技術的な行為というよりも組織設計の行為だ。
なぜAIは問題を解決しないのか、そしてなぜそれが問題をより緊急にするのか
テクノロジーサイクルのこの時点において、理解できる誘惑がある。言語モデルや生成的人工知能ツールを実装することが、企業が保有するデータを活用するのに十分だと信じることだ。それは十分ではない。そしてなぜそうなのかを理解するには、二種類の優位性を区別する必要がある。
第一の種類はツールへのアクセスの優位性だ。3年前、大規模言語モデルへのアクセスは、その開発コストを賄える企業が少なかったため、真の優位性だった。その優位性は実質的に消滅した。最も優れたモデルは、妥当な予算を持つあらゆる企業がアクセスできる。基盤モデルの市場はパリティに向かっている。ちょうど10年前にクラウドサーバーへのアクセスが差別化要因でなくなったように。
第二の種類は独自インプットの優位性だ。企業がモデルに投入するものが、モデル自体よりも重要だ。84.51°が処理する6,200万世帯と年間20億件のトランザクションは複製不可能だ。5年分の輸送ルートと地域需要データを持つロジスティクス企業も複製不可能だ。結果に紐づけられた臨床記録を持つ医療システムも同様だ。優位性はアルゴリズムにあるのではなく、アルゴリズムが処理するものにある。そして、それこそがほとんどの企業が商業化可能な資産としてではなく、運用上のインプットとして扱い続けているものだ。
逆説的なのは、人工知能の大衆化が、データ収益化の問題を解決することを——より少なくではなく——より緊急にするということだ。全員が同じツールにアクセスできるなら、差別化要素は完全に、他者が複製できない出力を生み出すためのより豊かで、よりクリーンで、より構造化されたデータを誰が持っているかという方向へ移行する。2027年までに独自データのアーキテクチャを解決していない企業は、技術を欠いているために不利な立場に置かれるのではない。唯一の真の競争優位性——顧客の蓄積された知識——を収益化しないまま放置し、その間に競合他社がそれを利益に変えることになるために不利な立場に置かれるのだ。
これは小売業以外にも同じ論理で当てはまる。どのコンテンツフォーマットがどのセグメントのコンバージョンを促進するかを知っているメディア企業は、広告主向けの計画ツールを構築できる。いつ、どこで需要が集中するかを知っているロジスティクス企業は、自社顧客にベンチマークを提供できる。地理的な粒度でリスクパターンを理解している保険会社は、その知識を政府や不動産開発業者に売ることができる。共通の分母はセクターではない。他者がより良い意思決定を行うために必要とし、短期間で自力では構築できない情報を持っているということだ。
その動きを阻んでいるものは技術的なものではない
ここまでの分析は、経営幹部の意志があれば明らかな機会を指し示しているように見える。組織の現実はかなりより複雑であり、制度内の人間の行動が、なぜ論理がそれを正当化しても多くの企業がその動きをしないかを説明している。
第一の障壁はビジネスのアイデンティティだ。組織は自分たちが何者であるかについてのナラティブを構築する。銀行は銀行だ。航空会社は航空会社だ。スーパーマーケットチェーンは食品を売る。顧客データをサードパーティに売る製品に変えることを内部で提案すると、多くのチームの本能的な反応は分析的ではなくアイデンティティ的だ。「それは私たちのすることではない」。その抵抗は、それを表明する個人の観点からは不合理ではない。それは、提案された変化がその人がキャリアを構築してきたメンタルモデルを脅かすというシグナルだ。財務行動データの収益化を決定した銀行は、部分的にはデータ企業になる。それは一部の内部プロファイルが関連性を失い、存在しなかった他のプロファイルが中心的になることを意味する。
第二の障壁はガバナンスの摩擦だ。顧客データは市場とセクターによって異なるプライバシー規制の対象となる。商業化可能で、法的に守られ、サードパーティにとって信頼できるデータ製品を構築するには、歴史的に一緒に働いてこなかった分野——テクノロジー、法務、製品、商業——にわたる横断的な投資を必要とするコンセント、匿名化、規制遵守のアーキテクチャが必要だ。どの部門も自分の勝利として数えないその投資を調整することは、最も有望な戦略的イニシアチブを凍結させる政治的慣性を正確に生み出す。
第三の障壁は目に見える価格の欠如だ。金融市場は、事業部門が独自の構造を持つ収益を生み出す場合にそれらを評価する。企業のデータが、独立した収益ラインを生み出すことなく業務の中に埋め込まれている限り、その価値はいかなる財務モデルにも現れない。つまり、外部のアナリストがそれについてプレッシャーをかけることもなく、経営幹部の報酬インセンティブが直接それを報いることもなく、取締役会が優先事項として要求することもない。資産は、価格がないために貸借対照表で不可視のままとなり、誰もそれに価格を割り当てる決断をしていないために価格がないのだ。
これらの3つの障壁を乗り越えるのに新しい技術は必要ない。必要なのは、リーダーが内部で問題をどのようにフレーミングするかの変化だ。「どうすればデータをより良く運用するために使えるか？」から「他の企業のどの意思決定において、私たちは最も価値があり不可欠な情報源か？」への移行だ。その二番目の問いは、内を見る前に外を見ることを強制する。そして、ほとんどの経営幹部チームにとって、それはいかなるアナリティクスプラットフォームを実装するよりも、心理的にかなり難しい動きだ。
データの収益化は技術より前に設計の問題だ
Krogerのケース、そしてロジスティクス、医療、メディアで繰り返されるパターンから浮かび上がる教訓は、企業がより多くのデータやより良いモデルを必要としているということではない。価値は、組織が知っていることと、その知識を他者が対価を払えるように構造化する方法の間のデザインの溝に閉じ込められているということだ。
その溝は特定の解剖学的構造を持っている。一方には、長年の業務から蓄積された情報がある——トランザクション、行動、パターン、異常。もう一方には、外部のアクターが自分たちよりも優れた情報を持って行う必要のある意思決定がある——どのチャネルにどれだけ予算を割り当てるか、サプライチェーンのどの拠点でどの在庫を維持するか、どのリスクプロファイルが異なる条件に値するか。両側の間のギャップが製品だ。設計作業は、企業が知っていることと外部顧客が行う必要のある意思決定を結びつける構造を、その顧客が定期的にアクセスするための対価を支払えるほど明確で信頼できる形で構築することだ。
このコンテキストにおける人工知能の大衆化が行うことは、橋を建設するコストを下げることだ。以前はデータエンジニアリングチームが何ヶ月もかけて行っていたデータの整理、クリーニング、構造化が、適切なツールがあれば今では数週間で行えるようになった。これは設計の問題を排除するものでも、組織的な摩擦を解決するものでもない。しかし、以前はそのような開発のコストを賄えなかった企業が、今では技術的な能力を持てるくらいには参入障壁を下げる。何を構築し、誰のために構築するかを決定する戦略的な明確さがある限り。
決断は依然として人間的なものだ。そして、資産を利用可能な状態で持ちながらも、ほとんどの企業がその決断をしない理由は、技術的なものよりも心理的なものであり続けている。ビジネスのアイデンティティ、内部の政治的摩擦、データ資産の会計的な不可視性は、いかなる言語モデルも解決できない力だ。それらは、経営幹部の誰かが、それを構築するために使ったのとは異なる目で自分がすでに持っているものを見ることを決断することを必要とする力だ。その知覚的な転換は、テクノロジーサイクルのこの時点において、最も希少で最もコピーしにくい競争優位性だ。
