記事

要件定義の問題点

はじめに

会社の雰囲気や要件定義の内容をみれば、おおよそそのプロジェクトが成功するか否かがわかる。うまくいかない場合のユーザー側とシステム会社側の原因の一例である。

・要件定義をシステム会社に任せてしまう
・元請けシステム会社が無理な要件でも受注する
・準委任契約の人材紹介会社がリスクなく利鞘を稼げる
・末端エンジニアの作業遂行以外の責任
・ユーザー側、発注側の担当者が保身する

今回はその背景を説明したい。

要件定義の丸投げ

要件定義をシステム会社に任せてしまう。
要件定義はシステム会社がユーザー企業をヒアリングして作るものではなく、ユーザーとシステム会社が議論を重ねることで答えを出していくものにしなくてはならない。ユーザーが目指すべき姿と、システム会社が実現すべき姿のすり合わせが重要である。

無理な受注

元請けシステム会社が無理な要件でも受注する。
無理な要件でも受注できるのは、発注側にもシステムの知識がないため、ゴールが曖昧なまま元請けシステム会社が請け負ってしまうからである。もし、発注側にITリテラシーがなければ、パワハラなども発生する可能性が高い。したがって、元請けシステム会社に精神的な課題を回避するため、要件定義を作る人でさえも二次受けシステム会社から集めてくることがある。

人材紹介会社の利益構造

準委任契約の人材紹介会社がリスクなく利鞘を稼げる。
システムの完成責任は負わず、作業だけ請け負うことになるため、人さえ集めてくれば、そこでリスクなく利鞘が稼げる。発注側のユーザー企業からすれば、契約は元請けシステム会社であるため、3次請け、4次請けを使おうが、完成さえすればいいと考えていることが多い。

エンジニアの責任範囲

末端エンジニアの作業遂行以外の責任。
末端のエンジニアには、クライアントとの調整や導入、一定品質や納期の遵守など、責任感や危機感がないこともある。プロジェクトの全貌が見えないことも原因である。また、言われたことをやるだけで報酬がそこそこあるのが、システムエンジニアの業界だったりするので、作業をした時間分だけ報酬を支払ってほしい、という話にもなる。

発注側の保身

ユーザー側、発注側の担当者が保身する。
システム開発がうまくいかなかったときに、発注側の担当者がシステム会社に責任を押し付けるといったことがある。これは信頼関係によるもので、共同でプロジェクトを成功させようという目標が作れなかった場合に発生する。システム会社を業者扱いして要件定義を丸投げしてしまわないようにしなければならない。

AIで何ができるのか 前の記事 開発費用値下げの危険性 次の記事

関連記事

記事

中小企業のAI活用入門

AI導入の選択肢

近年、AI技術の急速な進化により、大企業だけでなく中小企業にもAI活用の波が押し寄せている。しかし、多くの中小企業経営者は「AIは難しそう」「コストが高い」「専門人材がいない」といった不安を抱えている。実は、現在のAIツールは以前より格段に使いやすく、低コストで導入できるものが増えている。ChatGPTやClaude等の対話型AIから、画像認識、音声認識まで、業務に合わせて選べる選択肢が豊富にある。重要なのは、完璧を求めず、まず小さく始めることだ。

業務効率化の手法

AI活用で最も効果が出やすいのは、定型業務の自動化である。例えば、顧客からの問い合わせ対応にチャットボットを導入すれば、24時間365日の対応が可能になり、スタッフは付加価値の高い業務に集中できる。また、請求書処理や在庫管理にAI-OCRを活用すれば、手入力の時間を大幅に削減できる。ある製造業の中小企業では、品質検査にAI画像認識を導入し、検査時間を70%短縮した。別の小売業では、需要予測AIで在庫の最適化を実現し、廃棄ロスを30%削減した。これらの事例が示すように、AIは確実に業務を変革する力を持っている。

導入の課題と対策

しかし、AI導入には落とし穴もある。最大の失敗要因は「いきなり大規模に導入すること」である。まず現状の業務プロセスを整理し、AIで解決したい具体的な課題を明確にすることが不可欠だ。次に、小規模なパイロットプロジェクトから始め、効果を検証しながら段階的に拡大していくアプローチが成功の鍵となる。また、従業員の不安を解消するため、AIは人の仕事を奪うものではなく、サポートツールであることを丁寧に説明し、研修を実施することも重要である。外部の専門家やコンサルタントの支援を受けることで、自社に最適なAI活用方法を見つけ、導入リスクを最小限に抑えることができる。

実践ステップ

AI活用は、もはや「検討する」段階から「実行する」段階に移っている。競合他社がAIを活用して生産性を向上させる中、導入を先送りすることは競争力の低下を意味する。まずは無料や低価格のAIツールを試し、自社業務への適用可能性を探ることから始めるべきだ。重要なのは、完璧な計画を立てることではなく、小さく始めて学習しながら改善していくことである。社内にAI推進チームを作り、定期的に成果を共有することで、組織全体のAIリテラシーも向上する。今こそ、中小企業がAIの力を借りて飛躍的な成長を遂げるチャンスだ。一歩踏み出すことで、想像以上の変革が待っている。

まとめ

中小企業のAI活用は、もはや特別なことではない。定型業務の自動化から始め、段階的に拡大していくことで、確実に成果を出すことができる。重要なのは、自社の課題を明確にし、適切な支援を受けながら進めることだ。AI導入は投資ではなく、未来への必要な一歩なのである。

続きを見る >
記事

内製化の成功術

IT報酬の実態

海外と比べて日本のITエンジニアの報酬が低いという記事をよく目にする。それもそのはずで、ハイクラスIT人材は都合のいい「何でも屋」にはならないからである。

導入時の誤解

ユーザー企業やシステムのユーザーは、IT化を行うことで業務が減るという先入観を持っていることがある。システム導入を着手したときの目的を忘れて、その時、その場の課題を優先して都合よくITエンジニアを動かしてしまう。また動くITエンジニアもそこにいたりする。

システムと医療

たとえば、「お腹が痛い」と病院にいって「すぐに切開しよう」とはならないはずだ。このようにシステムにもその他にも色々な条件が絡まり合っている。システムは取り扱う情報量や関連する業務が多く導入に時間がかかる。時間がかかる結果、最初の導入目的を忘れてしまうのである。

真のIT人材価値

ハイクラスIT人材はユーザー側の状況と心理を配慮しつつ、現場のプログラマーの状況と心理を考慮して陣頭指揮できる人材といってもよいだろう。心理というのは物の言い方だけではなく、無形の財産を構築したり業務にフィットさせたりするので、プロジェクトの円滑さが変わるのだ。

まとめ

小手先だけでシステムに関するプロジェクトを推進しようとすると、「言われた通りにやった」という受動的な参加者が増えてしまう。情シスのSIer化を回避するにはITエンジニアを「何でも屋」にさせて疲弊させないことも大切である。開発チームの雰囲気作りも非常に効果がある。

続きを見る >
記事

生成AIは使えない？

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。

続きを見る >