同じ取引先が「(株)表記」「旧社名」「支店名付き」で3つのレコードに分かれている——マスタデータの現場で毎日起きているこの状態は、ルールベースの機械処理では拾い切れず、人手の総点検は物量で破綻します。AIが効くのは、まさにこの名寄せ・重複検知・表記ゆれの統一という「判断込みの突合」の工程です。この記事は、顧客・商品マスタの重複と表記ゆれに悩む情シス・業務部門の担当者に向けて、AIで回すマスタ管理の実務を整理します。
マスタデータとは、顧客・商品・仕入先のように、組織の取引記録が共通で参照する基準データのことです。ここに重複や表記ゆれがあると、売上集計は同一顧客が分裂して過小に出て、営業リストには同じ会社が二重に載り、AI活用を始めても学習元から間違えます。マスタの汚れは派手な事故を起こさないぶん、気づかれないまま意思決定の精度を削り続けます。
従来の名寄せは、完全一致・部分一致・正規表現といったルールの積み上げでした。ルールベースの限界は、「日本電気とNECは同じ会社か」「同名だが住所が違うのは支店か別会社か」のような、知識と文脈を要する判断ができない点にあります。AIエージェントはこの判断を、根拠つきで全件に同じ基準で当てられます。確度の高いものは自動統合し、迷うものだけ人の確認に回す設計にすれば、人が見るのは全体の一部で済みます。
まず全件を突合して、重複候補が何件あるかを数えます。ここは診断であり、着手前に規模と工数が見積もれます。
判断基準を決めて全件に適用し、統合結果を根拠つきの一覧で残します。基準を文書化しておくことが重要で、これがないと翌年また同じ掃除をすることになります。作業の実務は名寄せ・整形の実務に整理しています。
過去分を清算しても、入口が開いていれば再び汚れます。新規登録時に既存レコードとの類似を判定して警告する仕組みを置くのが、維持の本体です。
大規模組織で複数システムのマスタを常時同期させるなら、専用MDM製品が選択肢になります。一方、課題が「まず顧客マスタの重複をなくしたい」であれば、ツール導入より先にデータそのものの清算が必要で、これは製品を買っても自動では終わりません。ツール導入か個別対応かの判断軸は専用AIツールを買うか、汎用基盤の上に実装するかに整理しています。
数千件以内で突合キーが明確（法人番号・メールアドレス等）なら、表計算とルールで足ります。自力の壁は、キーが社名・氏名・住所のような自然言語しかない場合と、件数が万を超える場合です。この2条件が重なったら、人手の全件見直しは現実的ではありません。
どのくらいの精度で名寄せできますか？
データの性質によるため、着手前にサンプルで精度を実測してから全件に進める設計にしています。自動統合する確度のラインと人の確認に回すラインは、実測を見て一緒に決めます。
基幹システムには手を入れたくないのですが。
エクスポートを受け取り、統合結果を戻す形で進められます。システム改修は必須ではありません。
1回きれいにしても、また汚れませんか？
汚れます。だからこそ判断基準の文書化と、新規登録時のチェックまでを納品範囲に含める設計を推奨しています。
まず、主要マスタ1つの総件数と、重複していそうな感覚値を教えてください。全件突合による重複診断から、固定価格で始められます。データ整理・名寄せが受け皿です。相談からデータの形式と件数をお聞かせください。
国産大手ERPベンダーで新卒からERPのエンタープライズ営業・プリセールス・導入コンサル、外資系SaaSでパートナーセールス部門の立ち上げ、国内大手放送局で新規事業開発（通販カタログ事業）、AIスタートアップ2社でビジネスサイドの要職を歴任。2024年10月から生成AIを自ら実装し、2025年にゴムマリ株式会社を設立。
現在は自らAIエージェントを実装するFDE。評価セット設計・専門家監修・Go/No-Go判定、CRM・会計・社内DBとの統合、減った時間の実測まで一貫します。要件から、運用まで——AIエージェントが、現場で成果を出す仕組みを。