眠っているデータは資産ではない…飲食チェーンが数万件のレシピを新事業に変えるまで

データは資産である。そう言われて久しいが、持っているだけで何かを生むわけでもない。数万件のレシピデータを長く抱えながら、それを活かせずにいた飲食チェーンがある。何が変わって、新規事業になったのか。AI開発企業Laboro.AIの椎橋徹夫氏と田辺遼氏による『日本企業はAIでどう稼ぐのか』から、一部を抜粋・再構成してお届けする。 ■3品を同時に作る手順まで組み立てる 　事業を続けていれば、データは自然に溜まっていきます。ただし、溜まっていることと、それが収益を生むことはまったく別の話です。多くの企業では、事業の副産物として蓄積されたデータが、使い道を与えられないまま眠っています。

データは資産である。そう言われて久しいが、持っているだけで何かを生むわけでもない。数万件のレシピデータを長く抱えながら、それを活かせずにいた飲食チェーンがある。何が変わって、新規事業になったのか。AI開発企業Laboro.AIの椎橋徹夫氏と田辺遼氏による『日本企業はAIでどう稼ぐのか』から、一部を抜粋・再構成してお届けする。 ■3品を同時に作る手順まで組み立てる 　事業を続けていれば、データは自然に溜まっていきます。ただし、溜まっていることと、それが収益を生むことはまったく別の話です。多くの企業では、事業の副産物として蓄積されたデータが、使い道を与えられないまま眠っています。

　ある飲食チェーンも、その1社でした。この企業は、数万を超えるレシピデータを蓄積してきました。一般的なユーザー投稿型のレシピとは異なり、各レシピには栄養素が精密に紐づけられ、栄養管理ノウハウや独自の栄養評価基準に基づいて体系化されたプロ品質のデータです。しかし、これらのデータをそれ自体で収益に変える仕組みは、長らく存在していませんでした。 　一方、多くの生活者にとって毎日の献立づくりは大きな負担です。とくに健康意識が高い人や食事制限がある人が、栄養バランスを考慮した献立を継続して作るのは、決して簡単なことではありません。この飲食チェーンが特定したボトルネックは、自社ではなくユーザー側に存在するこうした課題でした。

　開発したのは、数万のレシピデータを料理ジャンルごとに分類し、独自の栄養評価基準に基づく栄養バランスを考慮した献立を、AIが自動で組み立てるシステムです。運動習慣、減塩ニーズ、嫌いな食材、性別や体重、体脂肪率といった細かい条件に応じて、パーソナライズされた数日分の献立を提案します。食事に対するユーザー評価によってAIが好みを学習するため、使うほど提案精度が上がる設計になっています。 　興味深いのは、献立づくりに加えて、複数メニューを同時に調理する際の最適手順を導き出す機能も備えている点です。たとえば3品の献立を、コンロ4口とオーブン1台という設備制約のもとで同時に作る場合。レシピを調理工程の単位に分解し、並行調理の最適手順をAIが組み立てます。

　さらにこのシステムはAPI化されており、外部サービスとの連携も可能な設計です。結果としてこの企業は、個人向けのBtoCサービス、他業種企業へのAPI提供など、複数の収益チャネルを立ち上げつつあります。蓄積されるだけだったデータが、新しい事業の基盤になったのです。 ■その取り組みは、どの部門にも収まらない 　こうした事業構造の書き換えを目指す取り組みは、既存の事業構造の中で改善を積み上げるプロジェクトとは、質的に異なるマネジメント上の課題を生みます。

　まず確認すべきは、そのプロジェクトのオーナーが誰かということです。既存プロセスの改善であれば、答えははっきりしています。営業部門のAI活用なら営業部門が、製造ラインのAI活用なら製造部門がオーナーになる。ところが事業構造そのものを書き換える取り組みでは、この問いに答えられません。既存のどの部門にも収まらないからです。 　ここで、既存事業部門のどこかに無理やり位置づけてしまうと何が起きるか。その部門の短期的なKPIに引きずられ、長期的な事業開発に必要な探索が許容されにくくなります。四半期の数字を持つ部門に、数年先の探索を抱えさせることの無理がここに出ます。だからこそ、データ活用推進部門やDX推進部門のように、既存の事業部門とは別に新しい組織を設けて推進するケースが多くなるのです。この組織設計の判断は、プロジェクトの成否に直結します。

　ただし、分ければよいという話ではありません。次に確認すべきは、その新組織が何にアクセスできるかです。この飲食チェーンのケースでは、新設された専任のデータ活用推進部門が、膨大なレシピデータと栄養評価基準という、既存事業の副産物として蓄積されたデータ資産にフルアクセスできる設計になっていました。既存事業との独立性を保ちつつ、データと知見へのアクセスは確保する。この適切な距離感が、設計の条件になります。

■短期のROIでは、通らない 　もう1つ、この種のAIプロジェクトに特有の課題があります。時間軸の長さと、投資の不確実性です。 　この飲食チェーンは、長期間にわたって開発を続けました。新たなプロダクトが創出され、会社の事業構造そのものの変革につながる取り組みは、短期的なROIでは正当化しにくくなります。ここで問われるのは、担当部門の熱意ではありません。経営トップの意思決定と、長期的なコミットメントです。

　では、その長期のコミットメントは何によって支えられるのか。この飲食チェーンの場合、経営がパーパスや長期ビジョンという上位の戦略フレームの中に、AIプロジェクトを位置づけていました。短期のROIでは正当化しにくい投資も、新事業化目標といった長期的な経営課題と結びつけば、継続的な投資を引き出せるようになります。 　逆に言えば、この枠組みを用意しないまま始めた取り組みがどうなるかも見えてきます。既存プロセスの改善案件の延長線上にある評価軸で測られ、投資は過小評価されるか、あるいは正当化できないまま棚上げされてしまう。止めると決めた覚えがないのに進まなくなるプロジェクトの多くは、ここでつまずいています。

　眠っているデータを収益に変えられるかどうかは、データの量でも技術力でも決まりません。その取り組みをどこに置き、何で測るのか。経営がそれを先に決められるかどうかで決まるのです。