CRMデータを整えるとAIの精度はどれくらい変わる?差が出る仕組みと測り方
CRMの重複・欠損・表記ゆれは、AIの回答をどう崩すのか。研究で分かっていること、全社共通の改善率がない理由、自社のCRMで整備前後の差を測る4つの手順を解説します。公開日 2026.11.16 | 更新日 2026.11.16
CRMのデータを整えると、AIの精度はどれくらい上がるのか。結論から言うと、すべての会社に当てはまる改善率はありません。
差の大きさは、AIに任せる仕事と、CRMに残っている欠陥の種類で変わります。研究でも、データ品質の低下がAIの性能に与える影響は、タスクと手法によって異なると報告されています。
だからこそ、自社の差は自社のCRMで測ります。AIの条件を固定し、同じ問いを整備前と整備後のデータに投げて比べれば、改善の幅を数字で確かめられます。
CRMデータの状態で、なぜAIの答えが変わるのか
CRMを参照するAIは、レコードに書かれた内容を判断の材料にします。営業メールの下書き、商談の優先順位づけ、休眠顧客の抽出は、どれも「どの会社の、どの記録を読むか」から始まります。
AIは、CRMの記録が正しいかどうかを自分では確かめられません。同じ会社が3件に分かれていると、そのうち1件だけを読んで答えることがあります。業種が空欄なら、推測で埋めるか、対象から外します。
つまりAIの出力は、モデルの性能だけでなく、渡したデータの状態に左右されます。モデルを高性能なものに替えても、読ませる記録が誤っていれば、誤った記録にもとづく答えが返ります。
DataSangoを提供する株式会社Merは、2026年に「Japan AI Operations Report 2026 Summer」を公開しました。従業員100名以上の企業で生成AIを業務に使う548名に聞いた調査です。
この調査では、AIに読ませる社内データが「整備されていない」と答えた人が50.7%でした。社内データにはCRM以外も含まれますが、AIの利用が進んでも、AIが読むデータの整備は追いついていないと感じている人が半数います。
どの欠陥が、AIの出力をどう崩すのか
CRMでAIの判断を誤らせやすい欠陥は、次の5つです。欠陥ごとに起きる誤りが違うため、測る指標も変わります。
CRMの欠陥 | AIの出力で起きること | 整備前後で比べる指標 |
|---|---|---|
重複(同じ会社・担当者が複数件) | 商談中の顧客に新規の営業メールを書く。過去の失注理由を見落とす | 正しい1件を参照できた割合 |
欠損(業種・役職・従業員数が空欄) | 対象リストから漏れる。推測した属性で提案文を書く | 抽出の漏れ件数、根拠のない記述の件数 |
表記ゆれ(「(株)MER」「株式会社Mer」) | 検索や集計で別の会社として扱い、件数や優先度を誤る | 集計値と正解値の差 |
未分類・誤分類(自由記述の失注理由など) | 条件で絞り込めず、再提案の対象を選べない | 分類の一致率 |
古い値(異動した担当者、閉じた商談) | 退職者宛ての文面や、終わった商談のフォローを作る | 最新の記録にもとづく出力の割合 |
たとえば「今週連絡すべき企業を10社選んで」とAIに頼んだとします。重複が残っていると、同じ会社が2回選ばれたり、既に商談中の会社が「未接触」として選ばれたりします。
どちらも、AIの推論が弱いから起きるのではありません。同じ会社の記録が複数に分かれ、内容が食い違っているから起きます。
CRMのデータをAIが判断に使える状態にする条件は、AI ReadyなCRMデータとは?で詳しく整理しています。
研究では、どこまで分かっているか
データの品質がAIの性能を左右することは、研究でも報告されています。ただし、どの研究も「CRMを整えれば何%上がる」とは示していません。示しているのは、欠陥の種類によって性能への効き方が大きく違うという点です。
表形式データの品質と機械学習の研究(Mohammed et al., 2025)
この研究は、データの品質を6つの観点で意図的に悪化させ、19種類の機械学習の手法で性能の変化を調べました。6つの観点には、欠損、重複、表記の一貫性、値の正確さなどが含まれます。
欠損が40%を超えると、分類・回帰・クラスタリングのいずれでも、汚れのないデータを使った場合と比べて、性能の評価値が平均25ポイント以上下がりました。一方で、重複や表記の不統一の影響は小さいと報告されています。
この結果は、CRMの重複を整えなくてよいという意味ではありません。この研究の重複は、同じ行が学習データに余分に入っている状態です。
CRMを参照する生成AIでは、1社の履歴が複数のレコードに分かれ、AIがその一部しか読まないことが問題になります。同じ「重複」でも、AIへの効き方が違います。
ただし、この研究の対象は表形式のデータで学習する従来型の機械学習で、生成AIではありません。
検索結果を読んで答えるLLMの研究(Chen et al., 2023)
生成AIに関連文書を渡して答えさせる方式(RAG)についても、研究があります。この研究は、渡す文書の一部を「話題は近いが答えを含まない文書」に入れ替え、正答率の変化を調べました。
英語の問題で、ChatGPTの正答率は96.33%から76.00%に下がりました。答えを含まない文書の割合を、0%から80%に増やした場合の結果です。
CRMを参照するAIに置き換えると、同じ会社の古いレコードや別の会社の似たレコードが、この「答えを含まない文書」にあたります。ただし、使われたモデルは2023年時点のもので、問題もCRMの業務ではありません。
研究から実務に持ち帰れるのは、数値ではなく進め方です。影響の大きさは仕事と欠陥で変わるので、自社の仕事で測ります。
自社のCRMで、整備前後の差をどう測るか
AIの精度の差は、同じ問いを整備前後のデータに投げて比べると測れます。手順は4つです。
1. AIに任せる仕事を一つ選ぶ
「今週連絡すべき企業を選ぶ」「商談の次の一手を提案する」のように、一つに絞ります。仕事が決まれば、AIが読むCRMの項目も決まります。
2. 正解の条件を決める
その仕事で何を正しい出力とみなすかを、業務の責任者が決めます。「商談中の企業を含めない」「失注から6か月以内の企業を除く」のように、判定できる形で書きます。
3. AIの条件と評価用の記録を固定する
モデル、指示文、評価基準を変えずに比べます。比較に使う企業と商談の顔ぶれも固定し、変えるのはそのデータの中身が整備前か整備後かだけにします。条件が動くと、差がデータの整備によるものか判断できなくなります。
4. 整備前後の出力を採点する
手順2の基準で、整備前と整備後の出力をそれぞれ採点します。正しい記録を根拠にしたか、根拠が足りないときに確認を促したかも採点に含めます。
正解率は、正しい出力の件数を、評価用に選んだ件数で割って求めます。整備前と整備後の正解率の差が、自社のCRMで測った改善幅です。
測る前に、CRMのどこに欠陥があるかを数えておくと、採点の結果を読み解きやすくなります。確認の項目はCRMデータ品質チェックシートにまとめています。
精度を保つには、整備を一度で終わらせない
整備直後に精度が上がっても、CRMは毎日更新されます。新しいリードが入り、担当者が異動し、商談が閉じるたびに、重複や古い値は戻ってきます。
そのため、評価で見つけた欠陥を、次の整備の対象に戻す運用が必要です。AIの精度を測る作業と、CRMを整える作業を、別々の担当や時期に切り離さないことが、差を保つ条件になります。
AIエージェントにCRMの更新まで任せる場合は、誤った記録が次の判断に引き継がれます。導入前に何を整えるかは、AIエージェントが売上活動を担う時代、CRMデータを先に整える理由で解説しています。
DataSangoが担う範囲
DataSangoは、CRM上の重複、表記ゆれ、欠損、未分類を整え、更新し続けるサービスです。クレンジングで表記をそろえ、マージで重複を1件にまとめ、エンリッチメントで不足する企業情報を補います。トランスフォームでは、自由記述などの値を、条件で絞り込める分類に変えます。
マージは実行前に統合ルールを決め、結果をプレビューで確かめてから実行できます。CRMのPipedriveのほか、SalesforceやHubSpotとも連携します。
一方で、AIのモデル選定、指示文の設計、AIに許可する操作の範囲は、AIを使う会社がAIの側で設計する領域です。DataSangoは、AIが読むCRMのデータを整える役割を担います。
よくある質問
CRMデータを整えれば、AIの精度は何%上がりますか?
全社に共通する改善率はありません。差の大きさは、AIに任せる仕事とCRMの欠陥の種類で変わります。自社の差は、AIの条件を固定し、同じ問いを整備前後のデータで比べると測れます。
AIのモデルを高性能なものに替えれば、データの問題は解決しますか?
解決しません。AIはCRMの記録が正しいかを自分では確かめられないため、重複や古い値をそのまま判断に使います。モデルを替えても、誤った記録を読めば、その記録にもとづく答えが返ります。
どの欠陥から整えればよいですか?
AIに任せる仕事が参照する項目から整えます。連絡先の選定なら重複と古い担当者情報、対象リストの抽出なら業種や従業員数の欠損が先です。全項目を一度に整える必要はありません。
整備前後の比較には、何件くらいの記録が必要ですか?
決まった件数はありません。仕事の正解を判定できる範囲で、評価用の企業と商談を固定してください。件数が少ないと1件の誤りで結果が大きく動くため、結果を読むときは件数も併せて記録します。
一度整えれば、精度は保てますか?
一度整えるだけでは保てません。CRMは日々更新され、重複や古い値は再び増えます。評価で見つけた欠陥を次の整備に戻し、整備を続けることで精度を保ちます。
参照情報
Mohammed et al.「The effects of data quality on machine learning performance on tabular data」Information Systems 132, 2025(2026-11-16確認。arXiv版)
Chen et al.「Benchmarking Large Language Models in Retrieval-Augmented Generation」arXiv, 2023(2026-11-16確認)
株式会社Mer「Japan AI Operations Report 2026 Summer」公開のお知らせ(2026-11-16確認)


