QCDの死角

開発現場の変革

2025年、デザインツールFigmaに搭載されたAI機能が業界に衝撃を与えている。Figma Makeは、AIチャットを通してプロンプトを入力すると、UIデザインを自動生成する。従来、画面設計には専門的なスキルと多大な工数が必要だったが、テキスト入力だけでデザインが生成される時代が到来した。この変化は単なる効率化ではなく、開発プロセスそのものの再定義を意味している。

主要機能

Figma AIは、機械学習を活用したデザインアシスタント機能である。画像生成、背景削除、解像度向上に加え、モックアップへのリアルなテキスト追加やトーン調整が可能だ。さらに注目すべきは「Figma Make」の登場である。Figma Makeは、Figma社が提供するAIデザイン生成ツールだ。テキストで指示を入力すると、UIデザインや画面構成、コンポーネントなどを自動生成する。デザインシステムの公開ライブラリをデザインに反映でき、生成したデザインデータをFigmaのフレームに還元できる点が大きな強みとなっている。

具体的メリット

Figma AI導入による最大のメリットは、開発スピードの劇的な向上である。UIを作るのに通常半日かかる作業も、0フェーズのプロジェクトであれば1時間程度である程度整ったプロトタイプが生成できるため、スピード面で大きく工数を削減できる。また、Figma Makeはチームメンバーやプロダクトオーナー、カスタマーサクセスの方々とやり取りする際に言語化しづらい領域をデザインで表現できる点が強みだ。アイディアレベルのものも即座に形にしてフィードバックを受けられることで、意思決定の迅速化と手戻りの削減が実現する。非デザイナーでもアイデアを視覚化できるため、部門間コミュニケーションが円滑になる。

留意点と活用法

Figma AIの導入にあたっては、適切な活用領域の見極めが重要である。現時点では既存プロダクトの運用フェーズでフル活用するのはまだ難しいものの、新規プロジェクトやモックアップ作成には十分効果的と評価されている。生成されるコードはReactベースの構成になっているため、既存技術スタックとの整合性確認も必要だ。Figma Makeは他職種のメンバーとのコミュニケーションをスムーズにし、アイディア出しを活発にするための共通の思考ツールとしても活用できる点を踏まえ、段階的な導入計画を立てることが成功の鍵となる。まずはパイロットプロジェクトでの検証から始めることを推奨する。

まとめ

Figma AIとFigma Makeは、UI/UX開発の在り方を根本から変革するポテンシャルを秘めている。チャットによるデザイン生成は、開発工数の削減だけでなく、チーム全体の創造性向上とコミュニケーション活性化をもたらす。ただし、既存ワークフローとの統合や適切な活用領域の選定には専門的な知見が求められる。

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。

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。