投稿者 global-ai-media 
約60年前の「ジェミニ8号」におけるニール・アームストロング氏の希少な写真が新たに公開されました。本記事では、この歴史的発見を契機として、日本企業が抱える過去のアナログ資産（ダークデータ）を、最新のマルチモーダルAIやRAGを活用してどのように事業価値や技術伝承へと結びつけるべきかを解説します。
埋もれた歴史的資産の価値と「ダークデータ」
米国のアームストロング航空宇宙博物館が、1966年の「ジェミニ8号（Gemini VIII）」ミッション直後のニール・アームストロング氏の未公開写真を約60年ぶりに公開しました。歴史的な宇宙開発の記録が長きにわたって眠っていたという事実は、私たちにある重要なビジネス上の課題を思い起こさせます。それは、企業内に蓄積されたまま活用されていない「ダークデータ」の存在です。
くしくも現在の代表的な生成AIモデルの一つと同じ名を持つ「ジェミニ」計画ですが、当時の記録は当然ながらアナログ（写真フィルムや紙の文書）でした。日本企業、特に長い歴史を持つ製造業やインフラ企業においても、過去の設計図面、実験ノート、手書きの保守記録、現場の写真などが、倉庫や古いファイルサーバーの奥深くに眠っているケースは少なくありません。これまでは、これらの非構造化データ（テキスト化・整理されていないデータ）を探し出し、ビジネスに活用することはコストの観点から困難とされてきました。
マルチモーダルAIによる過去資産のデジタルナレッジ化
しかし、近年の大規模言語モデル（LLM）や、画像とテキストを同時に理解・処理できる「マルチモーダルAI」の進化により、状況は一変しました。AIを活用することで、古い写真や図面から有益な情報を抽出し、自動的にメタデータ（検索用のタグや説明文）を付与することが現実的なコストで可能になっています。
例えば、過去の工事現場の写真や古い設備図面をAIに読み込ませ、「どのような状況で、どのような部材が使われているか」をテキスト化させることができます。さらに、高精度なOCR（光学文字認識）技術とLLMを組み合わせることで、手書きの作業日報や古い仕様書をデジタルなテキストデータとして構造化し、社内のデータベースに統合することが容易になりました。
日本企業における「技術伝承」とRAGの活用
日本の産業界における最大の課題の一つが、少子高齢化に伴う熟練技術者の退職と「技術伝承」です。ベテラン社員の暗黙知や、過去の失敗・成功体験の多くは、古いドキュメントや彼らの記憶の中にしか存在しません。ここで有効なのが、AIに自社専用の知識を参照させて回答を生成させる「RAG（検索拡張生成）」という技術です。
過去数十年にわたるトラブルシューティング記録や設計変更の歴史をAIで処理し、RAGのナレッジベースに組み込むことで、若手エンジニアが「1980年代に類似の設備で発生した不具合の原因と対策は何か？」と自然言語で質問し、瞬時に過去の叡智を引き出すことができるようになります。これは単なる業務効率化にとどまらず、プロダクトの品質向上や新規事業開発における強力な武器となります。
データ活用におけるリスクとガバナンスの壁
一方で、過去の資産をAIに学習・参照させる際にはリスクも伴います。第一に、古いデータには著作権や肖像権、プライバシーに関する取り決めが現在の法規制（個人情報保護法など）の基準を満たしていない場合があります。第二に、取引先の機密情報が含まれている可能性もあるため、パブリックなAIサービスにそのままデータを入力し、学習に利用されてしまうことは重大なコンプライアンス違反を招く恐れがあります。
そのため、企業が過去のデータを活用する際は、データを事前に精査・匿名化するプロセス（データクレンジング）が不可欠です。また、自社の閉域環境（セキュアなクラウド環境やオンプレミス）で稼働するAIモデルを利用するなど、AIガバナンスと情報セキュリティの仕組みを整えることが実務上の必須条件となります。
日本企業のAI活用への示唆
約60年前の歴史的写真の発見は、過去の記録が持つ普遍的な価値を教えてくれます。日本企業がAIを活用して自社の歴史的資産の価値を最大化するためには、以下の点に取り組むことが推奨されます。
1. 自社の「ダークデータ」の棚卸し
倉庫に眠る紙資料や古いファイルサーバーの画像データなど、未活用の情報資産にどのようなものがあるかを再評価し、ビジネス価値の高いものからデジタル化の優先順位をつけます。
2. RAGを活用した技術伝承基盤の構築
マルチモーダルAIを用いて過去のアナログ記録を構造化し、社内専用のAIチャットボット（RAGシステム）に統合することで、世代を超えた知識の共有と業務サポートを実現します。
3. リスクを見据えたデータガバナンスの徹底
古いデータに含まれる権利関係や機密情報を整理し、社外に情報が漏洩・学習されないセキュアなAI実行環境を構築した上でプロジェクトを進めることが重要です。