データサイエンス層：なぜほとんどの機械学習の失敗はモデルではないのか（2024–2026）

機械学習アーキテクチャ、オープンソースツール、および生成AIシステムの急速な進歩にもかかわらず、企業におけるAI導入は構造的に非効率なままである。2024年から2026年の調査、ポストモーテム、市場分析を通じて、多くの失敗した機械学習プロジェクトには共通のパターンが見られる：決定的なボトルネックはめったにモデルの高度さではない。代わりに、失敗はより早期に現れる―データ品質、ターゲットの設定、統計的枠組み、評価設計、および運用監視の段階である。本論文はこの中間領域をデータサイエンス層として定義する：生データをモデル準備済みの意思決定構造に変換する分析的かつ方法論的な分野。最近の企業調査、リーケージ研究、ドリフト文献、運用ケース分析を基に、本論文はこの層を強化することが、モデルの複雑さを高めるよりも現在の機械学習成功のより強い予測因子であると主張する。