オフショア開発における契約形態の選択と、重要なポイント

思い通りにならない理由

生成AIを導入したのに思ったような結果が得られない――そんな経験をしたことがある人も多いだろう。AIは進化を続けているが、それを使いこなす側にも試行錯誤が求められている。特に企業においては、社内情報を整理すればするほど目的の答えに辿り着けなくなる「RAGの沼」にハマることがある。多くの企業が生成AIを武器にしようとしているが、その真価を引き出すには、正しい導入と運用が欠かせない。

RAGとは何か

RAG（Retrieval-Augmented Generation）は、「検索」「拡張」「生成」の頭文字を取った技術であり、生成AIに独自情報を与えることで回答の精度を上げる手法である。インターネット上の情報だけでなく、社内マニュアルや業務データなどを取り込むことで、より業務に即した回答が可能になる。ただし、期待する結果が得られない場合、その原因は提供リソースの質や構造にある可能性が高い。

ChatGPT以外の選択肢

現在、生成AIとして多くの大規模言語モデル（LLM）が存在する。OpenAIのChatGPTをはじめ、AnthropicのClaude、GoogleのGemini、MetaのLLaMA、Mistral、Cohere、さらにAlibabaやBaiduといった中国系ベンダーもある。それぞれに強みがあり、RAGに適したモデルも存在する。たとえばCohereのCommand R+やMistralのMixtralなどが代表的だ。目的に応じてLLMを選び、最適な環境を整えることが重要である。

社内AIを成功させるには

セキュリティ上の理由から、社内情報をインターネットに出せない企業も少なくない。その場合、オンプレミス環境（社内ローカル）に生成AIを構築する選択肢がある。たとえばTinyLLaMAやPhi-2のような軽量モデルから、Nous HermesやMixtralなどの対話・RAG対応モデルまで選択肢は豊富だ。これらを活用すれば、外部にデータを出さずともAIの恩恵を享受できる。必要なのは、自社の目的と環境に適した判断力である。

まとめ

生成AIはあくまで「道具」にすぎない。導入しただけで目的が自動的に達成されるわけではない。課題を定義し、適切な情報を整備し、それを使いこなす力が必要だ。RAGがうまくいかないと感じたら、その原因はリソースや設計のミスマッチにあるかもしれない。

DX推進の落とし穴

デジタルトランスフォーメーション（DX）に取り組む企業が増える一方で、期待した成果を得られずに頓挫するケースが後を絶たない。経済産業省の調査でも、DXに成功したと実感している企業はわずか数パーセントに留まっている。なぜ多くの企業がDXで失敗してしまうのか。本記事では、失敗する会社に共通する特徴を分析し、成功へ導くための視点を紹介する。

失敗企業の共通点

DXが失敗する会社には、いくつかの共通点がある。第一に「目的の不明確さ」である。ツール導入そのものが目的化し、何を解決したいのかが曖昧なまま進めてしまう。第二に「経営層の関与不足」が挙げられる。DXは全社的な変革であり、現場任せでは推進力が生まれない。第三に「現場との乖離」である。実際に業務を担う社員の声を聞かず、使われないシステムが構築されるケースが多発している。これらの問題は単独ではなく、複合的に絡み合って失敗を引き起こす。

成功企業の原則

では、成功している企業は何が違うのか。成功企業に共通するのは「ビジネス課題起点の発想」である。まず解決すべき経営課題を明確にし、その手段としてデジタル技術を選定する。また、経営者自身がDXの旗振り役となり、変革の必要性を全社に浸透させている。さらに重要なのが「スモールスタート」の姿勢である。最初から大規模なシステム刷新を狙うのではなく、小さな成功体験を積み重ねることで社内の理解と協力を得ていく。加えて、外部パートナーを活用して専門知識を補い、客観的な視点で推進状況を評価する仕組みを持っている。

成功は準備次第

DXの成否は、取り組む前の「準備」で大きく左右される。自社の現状を正しく把握し、何のためにDXを行うのかという目的を明文化することが第一歩である。その上で、経営層から現場まで一貫したビジョンを共有し、段階的に進める計画を立てるべきだ。失敗を恐れて動かないことが最大のリスクである。しかし、闇雲に進めても成果は出ない。重要なのは、正しい方向性を持って着実に歩みを進めることである。自社だけで判断が難しい場合は、DX推進の実績を持つ専門家の力を借りることも有効な選択肢となる。

まとめ

DXが失敗する会社には、目的の不明確さ、経営層の関与不足、現場との乖離という共通点がある。成功するためには、ビジネス課題を起点とした発想、経営者主導の推進体制、スモールスタートによる段階的な取り組みが不可欠である。正しい準備と専門家の支援を活用し、着実なDX推進を目指すべきだ。

負債の本質

技術的負債には、設計負債やコード負債がある。金銭的な負債であれば借入金やマイナスの表記で数字化できるのだが、技術的負債においては数字化できないことがとても難しい点である。経営に関するほとんどのことは定量化や定性化が可能だが、たとえば企業創業者の発想する「野生の勘」を直接的に数字化できないように技術的負債も一筋縄では見える化しない。

設計時の対策

技術的負債の中でもコード負債については、システム開発の現場からよく発想されるリファクタリングや再構築などを行うことで比較的わかりやすい返済方法となる。知らない人が作ったプログラムや古くなったプログラムのバージョンなど、リスクを表現し対応することができる。何よりも最初の企画設計段階で負債が積みあがりにくい仕組みを考えることが大切である。

高負担な設計

技術的負債の中でも利息の高い負債が設計負債である。単体機能における設計であれば、モジュールごとの再設計によって返済が可能である。しかし、プログラムは複数のモジュールが絡まり合っていることがほとんどなので、複雑なオペになってしまう。また、稼働中のシステムにわざわざ再設計したプログラムを導入するリスクに対して、得れるメリットも少ないので見過ごされがちである。設計能力は例えば、紙というオブジェクトのメソッド（振る舞い）とプロパティ（保持する情報）を聞いて正しい答えが帰ってくれば多少安心であろう。紙の振る舞いは燃えるであり保持する情報は面積などがある。

根本的解決

しかし、技術的負債はこのように目に見えやすい設計負債やコード負債が致命的になることは少なく、やはりその上層でどのような指針に基づいてシステム運用がなされてきたか、また長期視点で一貫したメンテナンスを行うことが必要である。システムの維持には保守費用や運用費用を払っていることが多いと思うが、これだけでは将来の負債を減らしていくことはできない。やはり、鳥の目を持つITコンサルタントやITアナリストなどの役割を持つメンバーが必要である。

まとめ

ITコンサルタントやアナリストは、すぐに利益も生まない、経費を削減するわけでもないといったコストセンターとしてのポジションなので、あまり起用していない中小企業も多いようである。投資に対する効果が見えにくいのは、料理でいう香辛料と同じなのかもしれない。その少しの投資が未来を大きく変えることになる。IT技術は日進月歩で発展するからである。