AI名寄せとは？従来の名寄せツールとの違いをわかりやすく解説

2026.08.14AI名寄せデータ整備の考え方

AI名寄せとは、「どのレコードが同じ顧客か」を判定するルールづくりをAIが担い、統合の確定は人の承認で行う名寄せの方式です。従来の名寄せがつまずいてきた「ルールを作り込む工数」と「誤って統合する怖さ」を、AIによる叩き台の生成と、人による承認・監査の仕組みで同時に解決します。この記事では、従来方式との違いから、仕組み、安全に使うための設計までを解説します。

AI名寄せとは

名寄せとは、複数のシステムやデータの中に散らばった同一の顧客・企業のレコードを見つけ出し、ひとつに統合することです。SFA・MA・会計・サポートツールと顧客接点が増えた結果、「同じ会社が、システムごとに違うIDと表記で登録されている」状態は、規模を問わずほとんどの企業で起きています。展示会のリスト取り込み、Webフォームからの流入、営業担当の手入力——入口が増えるほど、重複は静かに増え続けます。

AI名寄せは、この名寄せ作業のうち「人間にしかできない」とされてきた部分にAIを使う方式です。具体的には次の3点です。

「何をもって同じ会社とみなすか」という重複条件の設計を、データを読み解いたAIが叩き台として提案する
「どちらの値を残すか」「関連レコードをどう付け替えるか」というマージ仕様の設計を、理由つきでレコメンドする
表記揺れを吸収する辞書づくりを、実データから抽出した候補をもとにAIが下書きする

なぜ今この方式が注目されているのか。背景には、生成AIの進化で「データの文脈を読んで条件を提案する」ことが実用水準に達したことと、AIエージェントやBIの普及で「きれいな顧客データ」の価値がかつてなく上がっていることの2つがあります。名寄せは長年「重要だが大変すぎる」仕事の代表でしたが、大変さの正体だった設計工数をAIが肩代わりできるようになった、というのが現在地です。

重要なのは、AIが判定から統合まで全部やる方式ではないことです。AIの提案はあくまで叩き台で、人が確認して確定するまで実行されません。この役割分担こそがAI名寄せの本質です（後述）。

従来の名寄せ3方式とその限界

従来の名寄せは、大きく3つの方式で行われてきました。

方式	やり方	限界
目視・手作業	Excelで並べ替えて人が突き合わせる	件数に比例して工数が増える。基準が人によってブレる。数万件を超えると現実的でない
ルールベース	「会社名の完全一致」「電話番号一致」等のルールをあらかじめ作り込む	ルールの設計・メンテナンスに高い専門性と工数が必要。表記揺れのパターンは無限に近く、追いつかない
あいまい検索・スコアリング	文字列の類似度で候補を出す	「山田電機」と「山田電器」のような短い名称で精度が落ちる。なぜ一致と判定されたのか説明しにくく、確定の判断は結局人任せ

それぞれもう少し具体的に見てみます。目視・手作業は、少量なら最も確実な方式です。しかし1万件の突合には100時間規模の作業が必要で、しかも判定基準が担当者の頭の中にしかないため、人が変われば結果も変わります。ルールベースは再現性がある反面、「株式会社の有無」「全角半角」「旧社名」……と例外に出会うたびにルールを継ぎ足すことになり、数年後には誰も全体を説明できない秘伝のタレと化しがちです。あいまい検索は網羅性に優れますが、類似度85%という数字を見せられても「で、統合していいのか？」には答えてくれません。

3方式に共通する課題は2つです。第一に、検出まではできても「統合の実行」が手作業に残ること。重複リストを前に、商談や対応履歴の付け替えを考え始めると手が止まります。第二に、ルールづくりが属人化すること。設計した担当者が異動すると、なぜそのルールなのか誰も説明できなくなります。AI名寄せは、この2つの課題への回答として生まれました。

AI名寄せは何が違うのか——役割分担の設計

AI名寄せが従来方式と本質的に違うのは、精度の高さそのものよりも役割分担の設計です。

AIが叩き台をつくり、人が承認して確定し、実行は編集できる透明なルールで行う。

AI・人・透明なルールの役割分担。AIが叩き台を提案し、人が承認して確定し、実行は編集できるルールが担う循環図 — AI名寄せの役割分担。三者がそれぞれの持ち場を守ることで、速さと安全を両立する

それぞれの持ち場はこうなります。

AIの持ち場——スキーマとデータを読み解いて、重複条件・マージ仕様・辞書の叩き台を理由つきで提案する。人間が数週間かけていた設計作業を数分に短縮する。白紙から考える苦しさを「レビューして直す」作業に変えるのがAIの仕事
人の持ち場——提案をレビューして採用・修正し、グレーな統合候補を承認する。「これは同じ会社か」の最終判断は人が握り続ける。ビジネスの文脈——この2社は親子会社だ、この顧客は分けて管理したい——を知っているのは人だけだからです
ルールの持ち場——確定した条件は画面で確認・編集できるルール（SQL）になり、実行のたびに同じ基準で動く。AIの気まぐれで結果が変わることはない。監査で「なぜこの2件を統合したのか」と問われたら、ルールと承認記録で答えられる

この設計は、従来方式の資産を捨てません。ルールベースで培った判定基準はそのままルールとして定義できますし、あいまい検索は候補出しの一部として組み込まれます。変わるのは「誰がルールを書くか」と「誰が責任を持つか」の分担です。「AIが提案し、実行はルールで、確定は人で」という三権分立にすることで、設計工数・属人化・誤統合の怖さという3つの課題に同時に答えるのがAI名寄せです。

AI名寄せの仕組み——4つの働きどころ

当社のAI名寄せ・顧客データ統合クラウド「ナヨセル」を例に、AIの具体的な働きどころを4つ紹介します。

1. 重複条件のレコメンド

テーブル定義・フィールド型・参照関係などのスキーマ情報に加えて、データの内容までAIが読み解き、「会社名の表記揺れを吸収した上で、電話番号が一致するレコードを候補にする」といった重複条件の叩き台を理由つきで提案します。「このデータは電話番号の欠損が多いので、住所も併用すべき」といった、データの実態に即した提案が出てくるのがポイントです。担当者の仕事は、白紙から設計することではなく、提案をレビューして確定することに変わります。

2. 日本語で書くだけ

「会社名の表記ゆれを吸収して、電話番号が同じレコードを候補に」と日本語で指示すると、AIが実行可能な条件（SQL）に変換します。生成された条件は必ず画面に表示され、人が確認・編集してから保存されます。日本語の指示のまま実行されることはありません。SQLを書ける方は直接書くこともでき、AIの提案・日本語・SQLのどの入り口から入っても、最終的には同じ「編集できるルール」に着地します。

3. 表記揺れ辞書のAIドラフト

「㈱プラート」と「株式会社プラート」のような文字の揺れは正規化で自動吸収できますが、旧社名と新社名、通称と正式名称のような「意味の揺れ」は辞書が必要です。従来はこの辞書づくりが名寄せ担当者の孤独な手作業でした。AI名寄せでは、実データから似た表記のグループを機械的に抽出し、「これらは同一とみなせるか」をAIが判定して辞書の下書きを作ります。人は下書きを承認するだけ。承認された判断は辞書に蓄積され、次回からは自動で効きます。

4. 公共データとの照合

gBizINFO・法人番号公表サイト由来の法人マスタ（500万法人超）と照合して、名称から法人番号を補完します。法人番号が引き当たれば、それは推測ではなく確定の名寄せです。実在のデータでは「プラート」という名称の法人が愛知・栃木・福岡に3社実在します——名称だけの照合がいかに危険で、公的マスタの裏付けがなぜ必要かを示す好例です。AIの柔軟さと公的データの確実さを組み合わせることで、「確定できるものは確定で、グレーなものだけAIと人で」という効率的な分業ができます。

「AI任せ」にしないための安全装置

AI名寄せを安全に使うには、AIの提案を無条件に実行しない仕組みがセットで必要です。マージは負けレコードの削除や更新を伴う、後戻りの難しい操作だからです。ツール選定では次の4点を確認してください。

安全装置	役割
実行前プレビュー	どのレコードがどう統合されるかをサンプルで目視でき、件数の変化を全件でシミュレーションできる
承認キュー	確信度の高いものだけを自動マージし、グレーな候補は人が承認するまで実行しない。しきい値を調整できる
ロールバック	実行前のスナップショットから、誤った統合を元に戻せる
監査ログ	誰が・いつ・どのルールで・何と何を・どう判定して統合したかを台帳として記録する

4つの装置は、実行フローの別々の場所で効きます。プレビューは「実行する前に気づく」ため、承認キューは「グレーなものを止める」ため、スナップショットとロールバックは「それでも起きた失敗を巻き戻す」ため、監査ログは「あとから説明する」ためのものです。どれか1つでは穴が残ります。

マージ実行フローの各段階で、プレビュー・承認キュー・スナップショットとロールバック・監査ログの4つの安全装置が効く場所を示した図 — 4つの安全装置が効く場所。「実行前に気づく・グレーを止める・失敗を戻す・あとから説明する」で穴をなくす

ナヨセルはプレビュー・承認キュー・ロールバックを全プランに、監査ログをProfessional以上のプランに標準搭載しています。詳しくはセキュリティのページをご覧ください。

よくある質問

AIが勝手にデータをマージしてしまうことはありませんか？

ありません。AIが判定したグレーゾーンの候補は必ず承認キューに入り、人が判定理由を確認して承認するまで実行されません。自動でマージされるのは、法人番号一致など確定的なルールで判定されたものだけです（この範囲も設定で変更できます）。

AIは顧客データの中身を読みますか？

読みます。精度の高い提案のために、AIはスキーマ情報に加えてデータの内容も参照します。そのうえで、提案は人が確定するまで保存されず、採用・修正の履歴はすべて監査ログに記録されます。

従来のルールベース資産は無駄になりますか？

なりません。AI名寄せでも最終的な実行はルール（SQL）です。既存の判定基準はSQLとして直接定義でき、AIの提案と同じ画面で管理・編集できます。

精度はどのくらい期待できますか？

データの状態によるため一概には言えませんが、考え方として「確定層」と「グレー層」を分けるのがAI名寄せの設計です。法人番号一致などの確定層は機械的に確実に統合し、表記揺れや情報不足のグレー層はAIが候補化して人が判断する。全体を一律の精度で語るのではなく、確定できる範囲を最大化し、残りを人の判断に安全に渡す、という構造で品質を作ります。