記事

要件定義のアプローチ

要件定義の基本

すべてをシステムで解決してしまおうとする要件定義には注意が必要である。システムの成功の可否は要件定義にかかっていると言っても過言ではない。しかし、十分に要件定義の時間を使ったにも関わらず、ITプロジェクトが失敗することがある。

規模別の要件定義

システム構築の規模によって、要件定義の粒度が変わる。小さなITプロジェクトの場合は要件定義をせずにプロトタイプを作りながらシステム構築を進めるといった方法がある。これをアジャイル開発、プロトタイプ開発と呼ぶ。

要件定義の本質

要件定義の粒度は時間を掛ければ細かくなるわけではない。ユーザー側でも要件定義を進めるにつれて、想定している機能の矛盾点が出てくることがある。この矛盾点を解消していくこと自体を要件定義としてはならない。要件定義はあくまで本質的なコアとなる部分から膨らませることが重要である。

対話型要件定義

要件定義フェーズで失敗するパターンは、ユーザー側との対話ではなく、システム会社側がヒアリングに徹する場合である。ユーザー側はITを利用してどのようなことができるかを知らない可能性が高いため、システム専門家がそれを鵜呑みにした仕様で要件を固めてしまうと、製造工程で無駄な工数が発生し予算をオーバーしてしまうことがある。

まとめ

本質的な要件をコミュニケーションによって、はっきりさせていく作業こそが要件定義と言えるのである。さまざまな視点から何度も繰り返し要件をなぞることで粒度が落ちていき、適切な要件定義書となる。何でもかんでもシステム化せず、オペレーションとの関係性を見合わせながら進めることが望ましい。

【東京】第2回 オフショア開発　定例勉強会 前の記事 技術的負債の返済方法 次の記事

関連記事

記事

2025年AI活用トレンド

2025年のAI活用

2025年は企業におけるAI活用が実証実験から本格導入へと移行する転換期となっている。生成AI市場は急速な拡大を続けており、専門人材の不足を補うソリューションとして中堅企業にも急速に普及が進んでいる。大手企業では数百億円規模の投資計画が発表され、業務効率化だけでなく新規事業創出への期待も高まっている。本記事では、2025年に押さえておくべきAI活用の主要トレンドを解説する。

自律型AIエージェントの台頭

2025年の最大のトレンドは「AIエージェント」の台頭である。エージェント型AIは、ユーザーが設定した目標に向けて自律的に計画を立て行動する新しいAIシステムであり、従来のAIアシスタントとは異なり人間からの直接的な指示がなくても主体性を持って行動できる点が特徴である。また、画像、音声、テキストを統合的に処理するマルチモーダル技術の進化により、業務プロセスは新たな段階へと移行している。複数の情報形式を同時に分析することで、これまで見えなかった相関関係の発見が可能となり、意思決定の精度向上に貢献している。

成功と失敗の分岐点

一方で、AI導入には課題も存在する。2024年の実績から、導入効果に大きな差が生じていることも明らかになってきた。成功企業と失敗企業の分岐点として、経営層のコミットメント、段階的な展開計画、現場との密な連携が挙げられている。さらにAIの過剰な期待の時代から、AIの成果が問われる時代へと移行しており、企業は投資から明確で測定可能な価値を生み出す準備が求められている。加えて、AIガバナンスと偽情報対策の重要性も増しており、AIの責任ある活用と安全な運用が求められている。セキュリティリスクへの対応も含め、戦略的なAI導入計画の策定が不可欠となっている。

段階的導入の重要性

AI活用を成功させるためには、いきなり大規模導入を目指すのではなく、自社の課題を正確に把握した上で小規模な実証実験から始めることが推奨される。成功企業に共通するのは、経営層の強いコミットメント、段階的な展開計画、そして現場との密な連携である。特に重要なのは、AIを単なるツールとしてではなく、業務プロセス全体を見直す契機として捉えることである。現場の声を反映しながら、継続的な改善サイクルを回すことで、投資対効果を最大化できる。外部の専門家による伴走支援を受けながら、自社に最適なAI活用戦略を構築していくことが成功への近道となるであろう。

まとめ

2025年のAI活用は、AIエージェントやマルチモーダル技術の進化により大きな転換期を迎えている。しかし、成果を出すためには段階的な導入計画と現場との連携が不可欠である。ROIの実証やガバナンス体制の構築も含め、戦略的なアプローチでAI活用を推進していくことが求められている。

続きを見る >
記事

ローコードで失敗する企業

導入の落とし穴

ローコード開発は、プログラミング知識がなくても業務アプリを構築できる手法として注目を集めている。しかし、導入企業の多くが期待した成果を得られず、プロジェクトが頓挫するケースが後を絶たない。「簡単に作れる」という触れ込みを鵜呑みにし、適切な計画なく導入を進めた結果、かえって業務効率が低下する事態も発生している。失敗の原因は、ローコードの特性を正しく理解していないことにある。

活きる業務

ローコードが真価を発揮するのは、定型的な業務プロセスの自動化や、シンプルなデータ管理アプリの構築である。例えば、申請承認ワークフロー、在庫管理、顧客情報の一元管理といった業務では、短期間で実用的なシステムを構築できる。また、現場部門が主体となって改善を繰り返す必要がある業務にも適している。成功企業に共通するのは、最初から大規模なシステムを目指さず、小さな業務改善から着手している点である。スモールスタートで効果を検証し、段階的に適用範囲を広げることで、確実に成果を積み上げている。

業務選定の失敗

一方で、ローコードには明確な限界がある。複雑なビジネスロジックを含む基幹システム、大量データのリアルタイム処理、高度なセキュリティ要件が求められるシステムには不向きである。失敗企業の典型的なパターンは、これらの領域にローコードを適用しようとするケースである。開発途中で機能の限界に直面し、結局フルスクラッチでの再開発を余儀なくされることも少なくない。また、ベンダーロックインのリスクも見過ごせない。特定のプラットフォームに依存することで、将来的な拡張性や他システムとの連携に支障をきたす事例が増えている。業務特性を見極めずに導入を急ぐことが、失敗の最大の要因である。

選定フレームワーク

ローコード導入を成功させるには、業務の棚卸しと適性判断が不可欠である。まず、対象業務の複雑性、データ量、連携要件を可視化し、ローコードで対応可能な範囲を明確にする。次に、将来的な拡張性や保守運用の観点から、長期的なコストを試算することが重要である。短期的な開発コスト削減だけを見て判断すると、運用フェーズで想定外の負担が発生する。成功企業は、ローコードと従来型開発を適材適所で使い分けている。すべてをローコードで賄おうとせず、業務特性に応じた最適な開発手法を選択することが、DX推進における重要な判断軸となる。

まとめ

ローコードは万能ではない。定型業務や小規模アプリには有効だが、複雑な基幹システムには不向きである。成功の鍵は、業務特性を正しく見極め、適切な領域に適用すること。導入前の計画策定と、段階的なアプローチが失敗を防ぐ最善策である。ツールの特性を理解し、戦略的に活用することでDX推進を加速させよう。

続きを見る >
記事

業務データ資産の発見と活用

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。

続きを見る >