01 / 10
01 / 10
DX・AI・ERPを
本質から理解する
「なんとなく知ってる」から「構造で語れる」へ
従来の業務 → デジタル化 → AI活用 → 自動経営 の全体像
DX ERP / SaaS AI エージェント データ基盤 移行戦略
02 / 10
DXとは何か？ — 3行で理解する
デジタルトランスフォーメーションの本質構造
STEP 1
デジタイゼーション
紙・口頭の業務を
デジタルに変える
（点を作る）
→
STEP 2
デジタライゼーション
バラバラの点を
つないでフロー化
（点を線にする）
→
STEP 3
データドリブン経営
データで経営判断
AIが分析・提案
（線を集約する）
→
STEP 4
事業拡大・変革
STEP3を活かして
新規事業・自動化
（新規創造）
📋
従来（〜2022年）
紙の日報・FAX発注・Excel管理。情報が人の頭の中にある。担当者が辞めると業務が止まる。

建設業の約6割がいまだオンプレ基幹システムを継続使用（帝国データバンク調査）。
💻
現在（2025年・混乱期）
SaaSが乱立。freee・kintone・Notionがバラバラ。データが散在してAIに食わせられない「SaaS分裂問題」が深刻化。

2026年問題（建設業時間外上限）で現場DXが急務に。
🤖
目標（2026年〜）
全データがDWHに集まり、AIが判断・エージェントが自動実行。Salesforce Agentforceは既に5,000社超が導入。建設業でも日報→勤怠→請求書の一気通貫自動化が実証段階へ。
// CORE INSIGHT — 2025年最新定義（Gartner）
DX = 「データを整えて、AIで考えて、自動で回すこと」　AI Readyとは「データ品質・ガバナンス・組織スキル・セキュリティの4軸が整い、AIを業務プロセスに組み込める状態」。ツールの話ではなく、構造の話。
03 / 10
各ツールの役割を整理する
ダッシュボード・SaaS・ERP・DB・AI・エージェントは何が違うか
📊
ダッシュボード
役割：見るだけ

数字を可視化するツール。データを作らない、管理もしない。Tableauや自作HTMLなど。

⚠️ これだけでは何も変わらない
⚙️
SaaS（基幹）
役割：業務＋データ管理

業務に特化したクラウドシステム。freee（会計）、kintone（業務管理）など。壊れないExcel。

✅ 中小企業の中心になる
🏗️
ERP
役割：全体統制・ズレ防止

会計・在庫・人事・購買を1つのシステムで管理。部門間でデータが自動で整合。SAP、Odooなど。

✅ 中規模以上で必要になる
🗄️
DB（データベース）
役割：正確なデータ保存

トランザクション・整合性・永続性が保証される。同時に100人が書いても壊れない。MySQL、PostgreSQLなど。
🧠
AI
役割：考える

データを読んで分析・判断・提案する。AIはデータを管理しない。良い構造のデータを与えないと意味がない。
🚀
AIエージェント
役割：動く

AIが判断した結果を自動で実行する。メール送信・発注・スケジュール変更など。人に代わって手足を動かす存在。
04 / 10
SaaS vs Notion vs ERP — 何を使えばいい？
規模・ミスのリスク・将来性で選ぶ
ツール 向いている規模 強み 弱み 具体例 評価
スプレッドシート
/ Notion		 〜5名 自由度が高い・すぐ始められる・コスト0 同時編集でズレる・構造が崩れやすい・移行が大変になる 案件管理をNotionで、売上をGoogleスプシで管理 スタート期OK
SaaS専門ツール 5〜30名 業務に特化・AI自動仕訳（freee・マネーフォワードが精度99%と発表、2024年末） ツールが増えるとデータが分散・連携コストがかかる freee（会計）＋kintone（現場管理）＋Photoruction（建設）。建設業中小の標準3点セット。初期費用ゼロ・月5万円以下が可能（2025年） 成長期に最適
ERP 30名〜 全部門のデータが自動整合・ミス防止・レポート自動化。2025年は「AIアシスタント搭載」が標準仕様に 導入コスト高・カスタマイズに時間・学習コスト大 SAP S/4HANA、Odoo、マネーフォワード ERP 中規模から検討
DWH（データ基盤） 全規模（データ活用時） 複数SaaSのデータを統合・AIに食わせられる状態にする エンジニアが必要・初期構築コスト BigQuery、Snowflake にSaaSのデータを集約 AI活用に必須
// DECISION RULE
ミスOK → スプレッドシート　　ミスが増えた → SaaS　　ミスNG・部門連携必須 → ERP
今の規模に合ったものを使い、将来移行できる形で設計することが最重要。
05 / 10
移行できる形の3原則
NotionでもSaaSでも、最初の設計で将来コストが10倍変わる
🏷️
原則① 列名を統一する
❌ 悪い例
「工事名（略）」「現場メモ」「担当（田中）」

⭕ 良い例
「project_name」「site_memo」「assigned_to」

ERPに読み込む時、列名がバラバラだとマッピングできない。英語 or 決まった日本語に統一。
🔢
原則② 1セル1データ
❌ 悪い例
「田中・佐藤・鈴木」（1セルに複数人）

⭕ 良い例
別行に分ける / 別テーブルで関係を持つ

AIや集計ツールは1セルを1単位として処理する。複数入ると分解できなくなる。
🔗
原則③ IDで紐付ける
❌ 悪い例
各シートに「株式会社山田建設」と直書き

⭕ 良い例
顧客ID「C-001」で参照 → 顧客マスタに名前

社名変更・合併が起きてもID変更だけでOK。これがDBの基本設計。
// SUMMARY
一言で言うと：「表じゃなくDB的に設計して使う」
建設業の商談で刺さる一言：「今のNotionの使い方、移行できる形になってますか？」
06 / 10
データ基盤（DWH）の全体構造
SaaS分裂問題を解決する「Single Source of Truth（唯一の真実）」とは ／ Snowflake国内売上前年比+40%（2024年）
SaaS（分散）
freee / kintone / Slack / Photoruction など
↓ ELT（入れてから整える・現在の主流）
→
🏛️ DWH（データウェアハウス）
BigQuery / Snowflake / Databricks
全データが集まる「唯一の真実」
2025年〜：SQL だけで LLM 推論も可能に
→
📊 BI（可視化）
Looker Studio / Tableau
🧠 AI（分析・判断）
Claude / GPT に食わせる
🤖 エージェント（実行）
自動発注・メール・報告
ETL vs ELT の違い
ETL（旧）：整えてから入れる
ELT（現主流）：入れてから整える

DWHの処理能力向上でELTが主流に。BigQuery ML・Snowflake CortexではSQLだけでLLM推論が可能になり、AIとDWHの境界が消滅しつつある。
なぜDWHが必要か
問題：freeeに売上・kintoneに案件・スプシに在庫があると横断集計できない

解決：DWHに全部集めると「売上×担当者×工期」の分析が1クエリでできる

EC事業者が売上CSV→BigQuery→Looker Studioを月数万円で構築する事例が急増中（2025年）。
中小企業のDWH現実解
① 今すぐ：Googleスプレッドシートを「仮DWH」として使う
② 成長期：Make / Zapier でSaaSからデータを自動集約
③ 拡大期：BigQuery（オンデマンド課金）に移行

Databricks Unity Catalogがガバナンス標準として国内大手でも採用増（2025年）。
07 / 10
AIの正しい位置と使い方
AIは魔法ではない。「構造を増幅するだけ」の存在
❌ よくある誤解
「AIを入れたらDXが進む」
「AIがデータ管理もやってくれる」
「AIが全部自動化してくれる」
「ツールを入れれば変わる」

→ データが散らばってる会社にAIを入れると、
　崩壊のスピードが上がるだけ

現場がいまだ紙・口頭報告の企業は「AI以前の問題」（IPA、2025年）
⭕ 正しい理解（2025年版）
AIは「データを与えたら判断する」存在
データ管理はSaaS/DBが担う
実行はエージェント（AIの手足）が担う
人は「何を目指すか」を決める監督

竹中工務店：現場写真をAI自動分類→工程遅延をリアルタイム予測
→ 良い構造 × AI = 爆発的な成長
→ 悪い構造 × AI = 崩壊の加速
従来の考え方
人（手作業）
↓
システム（補助）
↓
AI（おまけ）
→
最新の考え方（2025年〜）
人（監督・意思決定）
↓
AI（判断・提案）
↓
システム（自動実行）
08 / 10
能動型AIエージェントの仕組み
「見るだけAI」から「動くAI」へ。5つの要素で構成される
①
データ接続
SaaS・DB・DWHから
リアルタイムで読む
→
②
ルール設計
「いつ動くか」の
条件を定義する
→
③
トリガー
条件が満たされたら
自動で起動する
→
④
アクション
メール・発注・報告
など実際に動く
→
⑤
フィードバック
結果を記録して
次回に活かす
🏗️
建設業の具体例（実証段階・2025年）
日報をLINEで送信
↓ エージェントが読む
↓ 工程の遅れを検知
↓ 自動で上司に報告
↓ 必要なら発注書も作成

ANDPAD・Photoruction＋AI連携が補助金活用で急増
→ 2026年問題（残業上限）対応に直結
🛒
EC（通販）の具体例
在庫データを毎時確認
↓ 在庫が閾値以下を検知
↓ 自動で仕入れ発注
↓ 価格競合を検知
↓ 広告入札額を自動調整

Salesforce Agentforce類似の仕組みが中小EC向けにも普及中（2025年〜）
→ 担当者の夜間作業が消える
🌐
最新ツール（2024〜2025年リリース）
OpenAI Operator：ブラウザ操作を自律実行
Google Project Mariner：複数タブを横断
Anthropic Computer Use：PC操作全般
Microsoft Copilot Studio：中堅企業でも普及

前提：データとAPIが整っていること
09 / 10
AI Ready な組織の4コンポーネント
ソフトバンクが提唱する「AI Readyコンポーネント」を中小企業向けに翻訳
⚖️
① ガバナンス（ルール設計）
AIを「どう使うか」のルールを決める

中小版でやること：
・どのデータをAIに渡してよいか
・AIの出力を誰がチェックするか
・コストの上限を決める
・品質基準を決める
🔗
② インテグレーション（つなぐ）
業務・データ・AIをつなぐこと
単体ツールでは価値が出ない

つなぎ方：
・API：システム同士をつなぐ
・MCP：AIと外部ツールをつなぐ
・Make/Zapier：ノーコードで自動化
🗂️
③ データ整備（土台を作る）
AIが使えるデータを揃えること

優先順位：
① 列名・形式を統一する
② IDで紐付ける（原則③）
③ 1か所に集める（仮DWH）
④ リアルタイム更新できる仕組みを作る
👥
④ 人材育成・定着（使いこなす人）
ツールを入れても使う人がいないと意味がない

中小でのリアル：
・まず1人「AI担当」を作る
・「怖い」→「便利」の体験を先に作る
・小さな成功体験から広げる
// KEY POINT — Gartner 2025年定義
AI Readyとは「データ品質・ガバナンス・組織スキル・セキュリティポリシーの4軸が整備され、AIを業務プロセスに組み込める状態」。4つのうち1つが欠けても失敗する。特に「③データ整備」が最初のボトルネック。IPAが「AI Readyチェックリスト」を公開、DX補助金申請に活用可能（2025年〜）。
10 / 10
DX推進ロードマップ — 今日から動ける順番
正しい順番で進めれば、どんな会社でもAI化できる
STEP 1
業務整理 — 何をやっているか可視化
紙・口頭でやっている業務をリストアップ。「誰が・何を・いつ・どのデータで」を書き出す。ここを飛ばすとツール選定で失敗する。
STEP 2
データ整理 — 「正のデータ」の場所を決める
列名統一・ID紐付け・1セル1データの3原則を適用。Notion/スプシでも構造的に設計すれば後で移行できる。
STEP 3
SaaS / DB 導入 — 業務に合ったツールを入れる
規模に合ったSaaSを選ぶ（〜5名：Notion、5〜30名：kintone/freee）。後でERPに移行できる形で使う。
STEP 4
API / MCP 連携 — システムをつなぐ
Make / Zapier でSaaS間を自動連携。データが自動で流れる仕組みを作る。手動コピペをゼロにする。
STEP 5
BI / ダッシュボード — 見える化
集まったデータをグラフで可視化。経営判断に使えるレポートを自動生成する仕組みを作る。
STEP 6
AI 導入 — データを食わせて分析・判断させる
整ったデータがあれば、AIは精度の高い分析・提案ができる。ここからROIが爆発的に上がる。
STEP 7
AIエージェント — 人の代わりに動かす
最終形態。AIが判断し、エージェントが自動実行。人は監督だけ。ここまで来るとDX完成。
// FINAL MESSAGE
「AIは構造を増幅するだけ」　良い構造の会社がAIを入れると爆発的に伸び、悪い構造の会社が入れると崩壊が加速する。だからまず構造を作ることが全ての出発点。