第3章 Open Dataspacesとは何か

3.1 Open Dataspacesの基本概念

Open Dataspacesは、企業内データ基盤の延長でも、単一企業が支配する共有プラットフォームでもない。 重要なのは、「すべてのデータをどこか一か所に集める（Push and Ingest）」ことではなく、「分散したまま、どこにあり、何を意味し、誰がどう使えるかを扱えるようにする（Serving and Pull）」ことである。

分散データマネジメントの手法としては、すでに米国などで「Data Mesh（データメッシュ）」といったアプローチが注目されており、その導入企業も増加している。しかし、Data Meshは「企業組織内に散らばったデータを、どう分散したままマネジメントするか」が焦点であり、企業や国境を横断するデータマネジメントについては、対応できていない。Open Dataspacesは、このギャップを埋めるためのアプローチである。

企業を横断するデータマネジメントには様々な課題があるが、Open Dataspacesは主に以下3点の課題に対処するための解決策を提供する：

1. Where to getの問題：データの存在・同一性・探索可能性を扱う。（例：そのデータは、そもそもどこにあるのか？そのデータは、このデータと同一のものを指し示しているのか？）

2. What to meanの問題：データの意味、語彙、意味的整合性を扱う。（例：そのデータは、何を意味しているのか？そのデータの意味は、このデータの意味と整合しているか？）

3. Who and How to useの問題：主体の信頼、アクセス、利用条件を扱う。（例：データにアクセスしようとしているのは誰か？誰がそのデータにアクセスできるのか？そのデータはどう使わなければならないか？）

これらはそれぞれ、「（1）DAD（Data Addressability and Discoverability）」、「（2）OSI（Ontology and Semantic Interoperability）」、「（3）IUC（Identity and Usage Control)」の3本柱として整理されている。この3本柱の技術的詳細・設計原則・アーキテクチャへの影響については、Design PhilosophyおよびODS-RAMに体系化されている。

本書では各柱の役割とユーザー事業者の参入余地との対応関係を整理するに留める。

3.2 従来のデータマネジメントとの違い

従来のデータマネジメントは、自社内にデータを集約して管理・分析する発想と、必要な相手ごとに個別接続を行う発想の2つに依拠してきた。Open Dataspacesは、「集約」でも「個別調整」でもなく、分散したまま存在・意味・利用条件を扱うという別のアプローチを取る。 従来のデータマネジメントとの比較を表2に示す。より詳細な比較については、Design Philosophyを参照されたい。

表 2 従来のデータマネジメントとの比較

観点	個別API連携	企業内データ基盤	Open Dataspaces
データの配置	接続先ごとに個別に扱う	自社内に集約して扱う	分散したまま扱う
探索	接続先や仕様を知っている前提	社内カタログを前提	特定可能性・探索可能性を前提とする（DAD）
意味の扱い	個別実装に依存する	自社内部スキーマで管理し、意味と構造が一体化しやすい	構造から意味（セマンティクス・オントロジー）を分離して扱う（OSI）
アイデンティティと利用制御	個別契約・個別実装に依存	社内権限管理が中心	アイデンティティ、アクセス、利用条件を明示的に扱う（IUC）

3.3 Open Dataspacesが提供する価値

3.3.1 データ提供企業にとっての価値

データ提供企業が外部提供をためらう理由は、単に情報漏洩リスクだけではない。 「そのデータが何を意味するかを外部に正しく伝えられない」「他社のデータと同一視されて誤用される」「利用条件を運用に落とし込みにくい」といった問題が重なっていた。 Open Dataspacesでは、データの存在や識別の問題、データの意味や語彙の問題、アクセスや利用条件の問題を分離して扱える。この分離により、データ提供企業は、自社の内部システムや内部識別子をそのまま統一することなく、必要な範囲・条件で外部提供を設計しやすくなる。

3.3.2 データ利用企業にとっての価値

Open Dataspacesは、探索可能性、意味の整理、主体と利用条件の整理を分けて扱うことで、外部データ取得後の「意味の解釈・整合・利用条件確認」にかかる実務負荷を下げる。これにより、利用企業は外部データをBI/DI分析、業務アプリケーション、AI活用に組み込みやすくなる。

3.4 Open Dataspacesで実現できるビジネスモデル例

ユーザー事業者にとってのOpen Dataspaces参入余地は、例えば表3のように整理できる。これは業界・用途に依らない汎用的なビジネスモデルの視点である。

表 3 Open Dataspacesへの参入パターン

参入パターン	概要	Save Money / Make Moneyの視点
外部データの収集・活用	複数の提供者からデータを取得し、BI/DI/AI分析・業務改善に活用する	個別API調整コスト削減、意思決定の高速化（Save）／AI精度向上・新サービス創出（Make）
自社データの外部提供・収益化	自社が保有するデータを条件付きで外部に提供し、収益化する	新たな収益源の獲得・パートナー拡大（Make）
相互連携によるエコシステム参加	複数事業者とデータを相互交換し、サプライチェーン・品質管理・トレーサビリティを実現する	業務効率化・リスク低減（Save）／業界標準への準拠・ブランド価値向上（Make）
ODPベースのサービスをユーザーとして導入	ODP対応のマネージドサービスやアプリケーションをユーザーとして利用する	初期投資抑制・迅速な価値実現（Save）

なお、Open DataspacesではN:N接続構造が一定の規律と相互運用性によって現実の選択肢となる。1:1の個別連携では到達できない規模の事業価値がOpen Dataspaces参入の本質的な動機となる。

3.5 AIとOpen Dataspacesの関係性

最後に、AI産業とOpen Dataspaces市場の関係性を整理する。AI活用、とりわけ業務データを前提とした分析やAgentic AIの利用においては、単に大量のデータがあることよりも、「データの文脈、意味、利用条件、更新性」を継続的に扱えることの方が重要になる。 Design Philosophyにおいても、AI時代において固有のコンテクストはデータの本質であり、ドメインオーナーがそれを明示的に意味（オントロジー）として与えることの重要性が示されている。 Open Dataspaces技術は、こうした課題に対し、エンドポイントの検索可能性、セマンティックスやオントロジー、アイデンティティと利用制御の技術的基盤を提供する。

これにより、例えば以下のような効果が期待できるであろう：

• データ間の関係性や文脈を前提とした推論や解釈を行いやすくなる

• データの出所や更新性を踏まえたAIパイプラインを構成しやすくなる

• 個別調整だけに依存せず、外部データをAI活用に組み込みやすくなる

次章では、この前提の上で、ユーザー事業者がどのような立ち位置を取り得るのかを、参画構造の観点から整理する。