【創作大賞2026ビジネス部門応募作】【記憶と記録】第三章｜私たちは、データを知識と勘違いしている
記憶と記録─なぜ、人間は記録するのか
「データはたくさんあるんですよ。でも、何がわかっているのか、よくわからないんです」
ある打ち合わせで、こんな言葉を聞いたことがあります。発言した人は、皮肉や謙遜ではなく、本当に困っていました。サーバーの中には何ギガバイトものデータが眠っている。Excelの数も膨大。分析もしている。でも、それで「何を知ったか」と問われると、答えに詰まる——。
これは、その人個人の問題ではありません。多くの企業、多くの職場で起きていることです。
データは増え続けています。クラウドのストレージは安くなり、計測機器の精度は上がり、業務システムは毎日大量のログを吐き出し続けます。スマートフォンの位置情報、Webサイトのアクセス履歴、会議の録画、メールのやり取り——あらゆる活動がデジタル化され、データとして蓄積されています。それでも、私たちが「賢くなった」「物事をより深く理解するようになった」と感じることは、それほど多くありません。むしろ、データに振り回されている感覚を持つ人のほうが多いかもしれない。
なぜでしょうか。
理由はシンプルです。データと知識は、まったく別物だからです。
そしてもうひとつ。前の章で見てきた「記録」もまた、データとイコールではない。同じように見えて、これらは異なる階層に属しています。この違いを理解することが、データを本当の意味で活用するための出発点になります。
4つの階層
情報科学に「DIKW階層」という有名な概念があります。データ（Data）・情報（Information）・知識（Knowledge）・知恵（Wisdom）という4つの段階を、ピラミッドのように積み上げた図でよく表現されます。
この概念は1980年代から1990年代にかけて、情報科学・経営学・知識工学の分野で広く議論されるようになりました。聞いたことがある方も多いかもしれません。でも改めて整理すると、この階層は記録の本質を考えるうえで、とても示唆に富んでいます。
それぞれを、具体的な例で見ていきましょう。
第一層、データ（Data）。
「26.5」という数字があります。
これがデータです。文脈はありません。何を意味しているかも、誰にもわかりません。記号や数字そのもの。これがデータの正体です。
ビジネスの現場で言えば、システムが吐き出すログの一行、センサーが記録する数値、Excelのセルにある数字——これらは、それ自体では何も語りません。観測された事実、加工されていない素材、それがデータです。
第二層、情報（Information）。
「室温26.5度」となると、情報になります。
文脈が加わったことで、数字が意味を持ち始めます。室温という単位、26.5度という値。これで、「ある場所のある時の温度は26.5度だった」ということが伝わります。データに「いつ」「どこで」「何を」「どのように」といった文脈が紐づくと、情報になる。
情報は、人に何かを伝えることができます。データのままでは伝わらないことが、情報になることで初めて伝達可能になります。
第三層、知識（Knowledge）。
「夏場の午後、この実験室の室温は26度を超えることが多い。湿度も高くなりやすい」——これが知識です。
複数の情報がつながり、パターンや傾向として理解された状態。一度きりの観察ではなく、繰り返し見ることで見えてくる規則性です。
知識は、未来を予測する手がかりになります。「これまでこうだった」という情報の蓄積から、「これからもこうなる可能性が高い」という見通しが生まれる。情報が時間軸や因果関係を持ち始めるのが、知識の階層です。
第四層、知恵（Wisdom）。
「室温26度を超える環境下では、この合成反応は副生成物が増える傾向がある。だから夏場の午後にはこの反応は行わない方がよい」——これが知恵です。
知識を応用し、判断や行動につなげる段階。単に「知っている」だけでなく、「どうすべきか」がわかる状態です。
知恵は、状況に応じて知識を使い分ける力です。すべての知識がすべての場面で有効なわけではない。文脈を読み、優先順位を判断し、行動を選び取る——これが知恵の領域です。
データを集めるだけでは、知らないままだ
ここで重要なのは、下の階層から上の階層へ進むには、毎回「ジャンプ」が必要だということです。
データは、放っておいても情報になりません。「26.5」だけがあっても、それが温度なのか、価格なのか、誰かの年齢なのかわからない。文脈という橋を渡って初めて、データは情報になります。この橋を渡す作業を「コンテクスト化」と呼んでもいいかもしれません。
情報も、放っておいても知識になりません。「室温26.5度」という記録が1つあっても、それが普段と比べてどうなのか、夏らしいのか異常なのか、判断できません。複数の情報を比較し、関係を読み解いて初めて、知識になります。ここで重要なのは「比較」と「関係づけ」です。情報が単独で並んでいるだけでは、知識は生まれない。
そして知識も、知恵に自動的に変わるわけではありません。「夏は暑い」と知っていても、「だから服装を変える」「だから予定を調整する」という行動に結びつかなければ、それは単なる豆知識のままです。知恵は、知識を「自分の選択」に変換する力です。
つまり、データから知恵へと階層を上るには、人間の解釈と判断が必要だということです。データの量を増やすだけでは、上の階層には到達しません。むしろデータの量が増えるほど、解釈の負担も増え、ジャンプが難しくなるという皮肉な構造があります。
これが、現代の多くの組織が直面している問題の正体です。「データはあるが、知識がない」状態。Excelの数は増え、サーバーは膨らみ続け、それでも組織は同じ判断ミスを繰り返す——その背景には、データを情報に、情報を知識に、知識を知恵にする「ジャンプ」が起きていないという構造的な原因があります。
DXという言葉が叫ばれて久しいですが、多くの取り組みは「データを集める」ところで止まっています。本来、DXの目的はデータの集積ではなく、データを情報・知識・知恵へと押し上げ、組織の判断力そのものを変えることのはずです。階段を上らないDXは、データの倉庫を作るだけで終わってしまいます。
「記録」と「データ」も、別物だった
ここで、このシリーズの大テーマである「記憶と記録」に話を戻してみます。
実は、記録もまた、データと同じではありません。
前の章で書いた、ある合成実験のExcelを思い出してください。先人が残したそのExcelには、確かにデータがありました。数値は並んでいた。でも、私はそれを「記録」として使えませんでした。なぜなら、その数値がどういう条件で得られたのか、なぜその実験をしたのか、という文脈が欠けていたからです。
データだけがあって、情報になっていなかった。だから、知識として活用できなかった。
ここで気づきました。
良い記録とは、データを「情報」のレベルまで引き上げた状態のことだ、と。
数値だけを書き残すのは、データを保存しているだけです。それを「いつ・誰が・どんな条件で・なぜ」という文脈とともに残すことで、初めて情報としての記録になります。さらに、複数の記録を体系的に整理し、検索可能にすることで、知識を蓄える土台ができる。
図書館がなぜ知識の砦と呼ばれるのか、ここで改めて見えてきます。図書館に並んでいるのは「データ」ではなく「情報」「知識」です。著者・出版年・タイトル・要約・参考文献——それぞれの書籍は、文脈を持った情報の塊として整理されています。書籍そのものが、さらに知識や知恵を伝える媒体になっている。だから何百年経っても参照でき、知識として活用できる。
一方、Excelの共有フォルダに散らばっているのは、多くの場合「データ」止まりです。文脈がなく、検索性もない。記録の形をしていても、知識の階層には到達していません。
「記録を残す」という行為には、二つの段階があると私は考えています。データを書き残すだけのレベルと、情報として文脈を添えて残すレベル。前者は楽ですが、未来の自分や他人にとっては、ほとんど価値を持ちません。後者は手間がかかりますが、時間を超えて活用される記録になります。記録の設計とは、この段階の違いを意識的に選ぶことでもあります。
生成AIも、揺らぐ
ここで、生成AIの話に少し触れておきたいと思います。
第一章でも書きましたが、LLM（ChatGPTやClaudeのような生成AIの基盤技術）は、人間の記憶と似た性質を持っています。膨大な記録を学習しているのに、「ハルシネーション」と呼ばれる現象——存在しない事実を、もっともらしく生成してしまう問題——を起こします。
これも、DIKW階層で考えると理解しやすくなります。
LLMが学習しているのは、本質的には膨大な「データ」です。インターネット上の文章、書籍、論文。それらをパターンとして学び、確率的に次の単語を予測する仕組みになっています。
しかし、それは「情報」や「知識」と呼べる状態ではありません。LLMは個々の事実が正しいかどうかを「確認」しているわけではない。データの中のパターンを再現しているだけです。だから、存在しない論文を「引用」したり、起きていない出来事を「説明」したりすることが起きる。
ここで重要なのが、RAG（検索拡張生成）という技術です。これは、LLMに回答を作らせる前に、信頼できる記録のデータベースを検索させて、その内容を参照させる仕組みです。LLMが自分の中の「データ」だけで答えるのではなく、外部の「情報」や「知識」を参照することで、ハルシネーションを減らすことができる。
これは、図書館で資料を調べてから発言するのと似た構造です。記憶だけで話すのではなく、記録に当たってから話す。RAGは、LLMに「司書のような行動」をさせる技術だと言えます。
LLMのハルシネーションは、データを情報や知識に上げるジャンプが起きていないことの表れです。これは人間の記憶の再構成と、構造的にとてもよく似ています。膨大な体験から学んでいるのに、想起のたびに少しずつ書き換わってしまう。私たちの記憶も、ある意味でハルシネーションを起こしている。
人間とAI、どちらも、データを正確に保持することは得意ではない。だからこそ、外側に「記録」を設計する必要があるのです。
研究者として、感じてきたこと
私自身、最近この階段を一気に登る経験をしました。
合成実験を行うとき、私はずっと実験室の温度と湿度を記録していました。慣習のようなもので、正直なところ、本当に意味があるのかわからないまま続けていました。何年も。データはどんどん蓄積されていきましたが、それは単に数字が並んでいるだけ。実験ノートの片隅にある「気温23度、湿度55%」という記述が、何かを語ってくれているとは思えなかった。これはまさに、データのままの状態でした。
ある時、それまで紙やExcelに散らばっていた実験記録を、まとめてデータベース化することにしました。実験条件、収率、温度、湿度、原料ロット、合成時間——すべての変数を構造化して保存し、可視化しました。Pythonでデータを処理し、収率に対して各変数がどう影響しているかをグラフにする。記録を、ようやく検索可能で比較可能な「情報」に引き上げる作業でした。
そこで、すごいことが起きました。
実験当日の温度と湿度から計算される「絶対湿度」が、収率に強く相関していたのです。これまで「ばらつき」だと思っていた収率の変動が、実は絶対湿度の変化でほぼ説明できていた。データ単体では何も見えなかったものが、複数のデータを並べて関係を読み解いたとき、はっきりとしたパターンとして浮かび上がった。情報が、知識に変わった瞬間でした。
でも、話はそこで終わりませんでした。なぜ絶対湿度が収率に効くのかを考察していくうちに、ある事実に気づきました。私たちはその実験室で、合成の前日から原材料をエージング（環境に馴染ませる）させていたのです。実験室の空気の絶対湿度が高ければ、その環境に置かれている原材料は水分を吸収しやすくなる。つまり、当日測っていた絶対湿度は、合成直前に原材料が含んでいた水分量を反映する指標になっていたのです。
その水分量が、合成反応の収率を左右していた。実験当日の温湿度を記録していたつもりが、結果として「原材料の水分状態」という、本当に効いているパラメータを、間接的に記録していたことになります。
ここまで来て、ようやくこの発見は「知恵」になりました。「絶対湿度が高い時期の合成は、原材料の水分状態を意識する」「重要な実験前は、原材料のエージング環境そのものを制御する」——具体的な行動の指針が生まれた。
何年もただ書き残してきただけのデータが、データベース化と可視化を経て、知識になり、知恵になった。記録の階段を上り切った瞬間でした。
そして、もうひとつ大切な気づきがありました。当時の私は「意味があるかわからない」と思いながらも、記録を続けていた。もしあのとき、温湿度の記録をやめていたら、この発見にはたどり着けなかったということです。記録の価値は、その瞬間にはわからないことが多い。だからこそ、文脈とともに丁寧に残しておくこと——それが、未来の知識と知恵への投資になります。
知恵を、目指すべきか
DIKW階層の話を聞くと、つい「知恵が最上位だから、そこを目指すべきだ」と考えてしまいます。
でも本当に重要なのは、自分が今どの階層にいるかを正しく見極めることだと思っています。
「データを集めた」段階で「知っている」と勘違いするのは危険です。「Excelに数字が入っている」ことを「分析できている」と思い込むのも危険。多くの組織がDXに苦戦しているのは、データを集めるところで止まり、その先のジャンプができていないからかもしれません。
逆に、すべてのデータを知恵にまで昇華させる必要もありません。日々の業務記録の多くは、情報のレベルでとどまっていて十分です。重要なのは、「これはデータのまま残しておく」「これは情報として整理する」「これは知識として体系化する」という意識的な仕分けです。
そしてこの仕分けこそが、「記録の設計」の本質です。前章で書いた図書館の哲学——残る・探せる・変わらない——は、データを情報や知識のレベルに引き上げるための仕組みでした。
データを記録するだけで終わるか、それを情報・知識・知恵へと階段を上げていくか。記録の設計とは、その階段の傾きを決める行為です。
次の章へ
ここまで3章にわたって、記憶と記録の違い、記録の歴史、そしてデータと知識の階層について書いてきました。
ここからは、いよいよ具体的な話に入っていきます。
研究現場では、どうやってデータを情報に、情報を知識に変えてきたのか。ExcelからどんなふうにSQLiteやPostgreSQLといったデータベースへと移行したのか。GitやGitHubは記録の設計をどう変えたのか。
次の章では、私自身の研究現場での実践を紹介します。難しい話ではありません。「記録の階段を上る」というシンプルな考え方を、具体的なツールと習慣に落とし込んでいきます。
続きはこちらへ👇
第一章はこちらから👇