AI Ops Community Vol.3 AIの前に、やることがある 〜医療データ企業の4フェーズ〜

医療ビッグデータ企業JMDCにおける、データ活用・AI推進の2年間の軌跡を4つのフェーズで紹介します。

「AIを入れれば解決する」という期待の前に、まずデータ基盤そのものを整える必要がありました。1人からのDWH構築に始まり、メタデータ整備によるデータ民主化、生成AIを使ったSlackbotの全社展開、そしてClaudeMCPを活用したAIエージェントへの適用拡大まで、地道な土台づくりがいかにAI活用を加速させたかをお伝えします。

Phase 01 データ基盤一元化（散在するデータの統合・自動化）
Phase 02 データ民主化・AI対応整備（メタデータ付与・LLMによるSQL自動生成）
Phase 03 全社展開 Slackbot（ゼロセットアップで誰でもAI分析）
Phase 04 AIエージェント適用拡大（Claude MCPによる分析の自律化）

「土台なきAI導入は砂上の楼閣」——データと組織の両面から変革を進めた実践知をシェアします。

Transcript

1. AIの前に、やることがある 〜医療データ企業の 4フェーズ〜 株式会社JMDC Executive Innovator 谷脇 大輔 2026年3月5日 AI Ops Community Vol.3
2. © JMDC Inc. 2 谷脇 大輔 (Daisuke Taniwaki) Executive Innovator 経歴 日米台でのSREやフルスタック開発の経験を武器に、徹底した自動化で複雑なシステムの 運用効率化を牽引。現在はJMDCにてデータエンジニアリングと生成 AI導入をリードし、デー タとAIを起点としたプラットフォームの近代化に注力。 技術領域 @dtaniwaki 自己紹介
3. © JMDC Inc. 3 株式会社JMDCとは 「健康で豊かな人生をすべての人に」 — データとICTの力で、持続可能なヘルスケアシステムを実現する 医療ビッグデータの リーディングカンパニー ヘルスビッグデータ • インダストリー向け（製薬・保険会社等） • 保険者・生活者向け（健保・自治体） • 医療提供者向け（病院・クリニック） 遠隔医療 • 遠隔画像診断サービスの提供 2,000 万人+ 健保・共済データベース規模 420+ 契約保険者数 770万人+ Pep Up ユーザーID数 健康診断結果、日々の歩数、体重な どを管理・分析し、健康維持や改善 を促進するPHRサービス
4. © JMDC Inc. 4 医療ビッグデータのリーディングカンパニーとして サービス・事業の成長に、データ利活用は不可欠 その加速に、生成 AIを使う が・・・
5. © JMDC Inc. 5 2年前のJMDCの状況 サービスや事業の成長にデータ利活用が不可欠 — しかし当時はその環境が整っていなかった 1 事業部・システムごとに データが分散 各事業部で独自にデータを管理。 横断活用には人力作業が必須で コストと待ち時間が多く発生。 2 活用以前のデータ整備状態 分析するデータが整理されておらず、 AI以前に人間もデータを最大限に扱える 環境が整っていなかった。 3 効果がわかりづらく 予算を取りづらい データ活用の恩恵を実感できない。 AI導入の投資判断が難しい状態。
6. © JMDC Inc. 6 取り組み①　まずは一人から、データ基盤の構築 遊撃隊として1人でスタート。組織変革のシード。 Phase 01 データ基盤 一元化 データの一元集約 散在していた社内データを統合 徹底的な自動化・仕組み化 BIツール・dbt等を駆使し、データパイプラインを自動化 いつでも使える環境を構築 自由にデータを探索・分析できるセルフサービス基盤を実現
7. © JMDC Inc. 7 取り組み②　理解者を巻き込み、データの民主化へ 少数の思想理解者との協働。草の根のデータ文化育成 Phase 02 データ民主化 AI対応整備 布教活動 × データ基盤整備の並走 活用意欲の高い社員を巻き込みなが ら、データ基盤をひたすら整備・拡充 ダッシュボードでデータ利活用が加 速 理解者もデータの民主化に動き始め、 可視化・分析のサイクルが回り出す メタデータの徹底付与 テーブル・カラム説明を網羅的に付与 し、人間が理解できるデータ環境を構築 生成AIで複雑な分析 SQLを自動構 築 メタデータが充実したことで、 LLMが高 品質なSQLを生成できるレベルに到達
8. © JMDC Inc. 8 取り組み③　全社展開 — 生成AI Slackbot の誕生 ゼロセットアップで即体感。全社員が使える AI分析 Phase 03 全社展開 Slackbot 気軽にデータ分析 ビジネス職も含め、誰でもSlackに話しかけるだけ。セットアップ不要で生成AIによる分析をす ぐ体験できる 1チャンネルで組織の壁を壊す 専用チャンネルを1つに絞ることで、サイロ化していた部署が自然に交流・連携。 部署横断の興味・関心が可視化され、自然発生的なコラボレーションが生まれる 効果実感 → 全社的に予算・推進が加速 誰もが使える＝誰もが効果を感じる。本格的なAI投資・導入フェーズへ移行
9. © JMDC Inc. 9 Slackbotの例
10. © JMDC Inc. 10 取り組み④　 AIエージェントへの適用拡大 データ活用の次のステージへ Phase 04 AIエージェント 適用拡大 Slackbot で培ったデータ基盤をそのまま活用 整備済みのDWHメタデータ・ナレッジベースがAIエージェントのコンテキストとして機能する Claude MCP によるデータ分析の自律化 チャットで指示するだけで、Claude自身がSQL生成・実行・解釈まで完結 複雑な分析・レポート生成の自動化へ 定型レポートや多段階の分析処理をエージェントが担い、人間はより高度な意思決定に集中 できる環境を目指す
11. © JMDC Inc. 11 変化のサマリー：データ組織の進化 2年前から現在まで、4つのフェーズで変革を推進 2年前 データ散在 手作業 ✓ 事業部ごとにデータ孤立 ✓ データ活用以前の問題 ✓ 予算・推進が停滞 2年前 Phase 1 データ基盤 一元化 ✓ DWH構築 ✓ 自動化パイプライン ✓ セルフサービス化 Phase 1 Phase 2 データ民主化 AI対応整備 ✓ 理解者との協働 ✓ ダッシュボード普及 ✓ メタデータ付与 Phase 2 Phase 3 全社展開 Slackbot ✓ チャットで即分析 ✓ 部署横断シナジー ✓ 予算・推進が加速 Phase 3 Phase 4 AIエージェント 適用拡大 ✓ Claude MCP連携 ✓ 分析の自律化 ✓ 高度な意思決定支援 Phase 4
12. © JMDC Inc. 12 学び：AI推進を前進させた 3つの原則 01 「ツール」より先に「土台」 AIを入れる前に、人間がデータを使いこなせる環境を整えることが最大の近道だった。 土台なきAI導入は砂上の楼閣である。 02 小さなコミュニティから始める 全社一斉展開ではなく、まず理解者を見つけて深く巻き込む。 その火種が組織全体に広がる。「思想」を共有することが鍵。 03 「使える」ことが最強の説得 プレゼンや報告書より、実際に触れて効果を感じてもらうことが組織を動かす。 Slackbotはその最良の媒体だった。