上司が首を縦に振らない現実

「DXを進めたいのに、上司がまったく理解してくれない」。これはDX推進を任された担当者が最も多く抱える悩みのひとつである。現場では業務効率化やデジタル活用の必要性を日々感じているのに、いざ上司に提案すると「今のままで十分回っている」「よくわからないから後にしてくれ」と一蹴されてしまう。この認識のズレは単なる世代間ギャップではなく、DXの本質が正しく共有されていないことに根本的な原因がある。

上司世代が抵抗する3つの理由

上司世代がDXに消極的な理由は主に3つある。第一に、成功体験への執着である。従来のやり方で結果を出してきた上司にとって、業務プロセスの変更はリスクにしか映らない。第二に、デジタル技術への不慣れである。ITツールに日常的に触れてこなかった世代ほど、新しいシステムの導入に対する心理的ハードルは高くなる。第三に、評価制度との不一致である。短期的な売上や数値目標が評価軸になっている場合、すぐに効果が数字に表れにくいDX投資は優先順位が下がる。こうした構造的な背景を理解せずに「DXは必要です」と正論をぶつけても、上司の心には響かないのが現実だ。

上司を動かす3つの巻き込み術

では、どうすれば上司をDX推進の味方にできるのか。効果的なアプローチを3つ紹介する。まず、「DX」という言葉を使わないことだ。上司にとってDXはカタカナ用語の塊であり、抽象的で自分ごとに感じにくい概念である。代わりに「月次レポートの作成時間を半分にできます」「入力ミスによるクレームを8割減らせます」といった具体的な業務課題に紐づけて提案すべきである。次に、小さな成功事例をつくることだ。Excelマクロの自動化やクラウドストレージの導入など、低コストかつ効果が実感しやすい施策から着手し、目に見える成果を上司に報告する。最後に、競合他社の事例を活用することである。「同業のあの会社はもう取り組んでいる」という情報は、上司の危機感を最も強く刺激する説得材料になる。

上司は敵ではなく最大の味方

上司を巻き込めないままDXが停滞すると、競合との差は開く一方だ。しかし悲観する必要はない。上司が理解してくれないのは、提案内容が間違っているのではなく、伝え方と巻き込み方にもう一工夫が必要なだけである。大切なのは、上司を「抵抗勢力」ではなく「味方にすべき最重要キーパーソン」として捉え直すことだ。上司が何を重視し、どんな成果を求められているのかを把握した上で、相手の立場にメリットが伝わる提案に再構築すべきである。DXは担当者一人で進めるものではない。上司の理解と後押しがあってこそ、組織全体を巻き込んだ本当の変革が実現する。焦らず戦略的に、一歩ずつ認識のギャップを埋めていくことが重要だ。

まとめ

上司がDXに消極的な原因は世代差ではなく、伝え方と評価構造のズレにある。「DX」という言葉を避けて具体的な業務改善として提案し、小さな成功体験を積み重ねて見せることで、上司の認識は確実に変わる。上司を味方につける戦略的アプローチこそ、DX推進を成功に導く最大のカギである。

開発手法の選択基準

大がかりなシステム開発においては、ウォーターフォールモデルという開発手法がとられ、設計書などのドキュメント類も整理してから、プログラミングへ着手する。逆に中小規模なシステム開発においては、アジャイル開発と呼ばれ、プログラミングをしながらシステム開発が進められたり、ドキュメント類は簡易にして、プログラミング工程へ着手するといった方法がとられる。状況に応じて開発手法は使い分ける必要がある。

設計書の必要と課題

建築では図面なく建物を建てることはないが、中小規模のシステムについては簡単な概要だけでシステムの開発ができてしまう。もちろん設計書をしっかりと書いて、要件を詰めてシステム開発を進めることができれば、トラブルもなくていいのではないかと言われる。しかし、設計書を作成するにはシステムをプログラミングすることと同じくらい費用が掛かる。

設計書の粒度と要因

中小規模のシステム開発において設計書が簡易になってしまう理由は、ユーザー側や発注側の予算が乏しいという理由がある。建築のパターンの場合は、法律によって作成しなければならない図面や、施主から同意をもらうべき書類などが決められている。システム開発には法的に作成しなければならない書類が明確にされているわけではないため、この粒度が各社・各エンジニアによりバラツキが発生する。

文書管理の現状

中小規模のシステム開発において、最悪の場合は設計書がないケースもある。小さなプロジェクトの場合は予算も少なく特にドキュメント類がないが多くある。あるいは、システムはアップデートされ続けているのにドキュメントはアップデートされていなかったり、ひどい場合にはシステム保守ベンダーが紛失している場合もある。

まとめ

システム開発に時間がかかる理由は、設計書から作成することでプログラミング作業の2倍以上の時間がかかると言われる。いわゆる動作検証の工程まで入れるとプログラミング作業の3倍程度は時間がかかる。また、システム開発はほとんどが人件費である場合が多く、かかる時間に応じて費用が上がる。つまり、非エンジニアが単純に開発費用を値切ると、プログラミング以外の重要な情報を削っていくことになる。

AI活用の第一歩

AI活用による生産性向上のためのシステムツール構築では、過去データの利用が必要不可欠である。しかし、過去データが整備されていない場合の対処法を考えてみたい。多くの企業がAI導入を検討する際、まず直面するのがこのデータ品質の問題である。完璧なデータセットを求めがちだが、実際には現実的なアプローチで進めることが成功への鍵となる。

目的の明確化

まず「何に使いたいデータなのか」を明確にする必要がある。目的に応じて、必要なデータの「粒度・項目・量」が変わるため、いつも扱っている部門ではない人が客観的に整理するのがよいかもしれない。例えば、生産管理の異常検知であればセンサーデータの時系列とアラート履歴が必要になり、顧客離反の予測であれば購買履歴と問い合わせ履歴が必要になる。このように具体的な用途を定めることで、収集すべきデータの方向性が見えてくる。

データの現状把握

やりたいことを整理すれば、次に足りないデータなどが見えてくるはずである。このとき、データが重複していたり、欠損していたり、バラバラであったりというのも、すべてデータはあるものと考える。形式としては、Excel、CSV、紙、システム内に点在などを把握して、データの棚卸を行う。完璧でないデータでも、適切な処理を施すことで価値ある情報源に変わる。重要なのは、現在持っているデータ資産の全体像を正確に把握することである。

データ整備の実践

データの棚卸が終われば、データクレンジング（整備）の作業方針を立てる。手動で整えるのか、何らかのツールを使うのか検討が必要である。また、このツールはExtract（抽出）、Transform（変換）、Load（読み込み）の頭文字をとってETLツールと呼ばれている。Power Queryなどがその代表例である。作業量と精度のバランスを考慮し、コストパフォーマンスの高い整備方法を選択することが重要になる。自動化できる部分は積極的にツールを活用すべきである。

まとめ

データを整えていく途中で足りないデータが発見されることもあるだろう。しかし、ここからがAIの使い様である。ファインチューニング（学習させていく）ことや、生成AIやRAG（Retrieval-Augmented Generation）を利用して補完するなどが考えられる。