記事

QCDの死角

失敗の正体

システムの失敗は見えないことがある。ブラックボックスであるがゆえに隠せてしまうからである。失敗かどうかの線引きができないところがシステム構築プロジェクトの難しいところである。

エンジニアの真実

もしかしたら、エンジニアが都合の悪いことは隠していることがあるかもしれない。しかし、決めつけてしまうとエンジニアはへそを曲げてしまう可能性がある。隠しているつもりはなくても隠れていることもある。

成功の境界

失敗の線引きは、納期が遅れることであろうか。バグが多いということであろうか。実は、状況によって一概に言えないのである。QCDという言葉があるが、品質と費用と納期のバランスを上手にとったとしても成功か失敗か、すぐにはわからないのがシステムという無形物である。

コスパの本質

コスパという言葉があるが、かけるコストに対して、どれだけのパフォーマンスが出せるかが問題となる。システム開発では、コストからやりたいことを計算するのではなく、やりたいことを明確にしたうえで、コスト内でリッチ度合いを調節することが重要である。

まとめ

システム開発においては、失敗が見えにくいため、失敗しないように見えるのかもしれない。失敗しないことは、成功であるということでもない。時間が経つにつれて失敗を感じることもあり得るのである。

システム開発の混迷 前の記事 効率化の誤解 次の記事

関連記事

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 >
記事

思考と決断のPM力

PMの真価

スキルシート上にあるPMというのは、どういった開発言語や開発環境などを使ってきたかという内容であることが多く、SEの延長という意味合いが強く残っている。もし、期待するポジションが発想力や提案力にあるとすれば、姿勢をみることが大切となる。

従順の呪縛

就職氷河期と呼ばれる世代より上の年齢層では、常に従うことを幼少期から叩き込まれていると考えられる。日本では「禁止」か「許可」かを常に意識しながら仕事をしており、「許可されるまでは禁止されている」と考えているのではないかと推察される。

失敗からの成長

正しいか、間違っているか、の判断基準しか持ち合わせていない場合、何か問題が発生したときに時間を遡ってどこで判断を間違えたのかを追求する。それは大切なことであるが、実際のプロジェクトでは誤ったことを反省しつつ修正しながら進むことが大切である。

判断力の真髄

エンジニア出身のPM（開発プロジェクトのPM）だと、禁止か許可かというデジタルのような見方をしている人もいる。特に今日のシステムに関するプロジェクトでは、ゼロかイチだけでは判断できないような、ウエットでアナログな状況判断が必要となる。

まとめ

たとえ能力の高いPMだったとしても、仕事になると発想することや作ることの楽しみより、ミスによる懲罰を恐れたりするために、無難で当たり障りのない判断をしがちである。システムに関するプロジェクトがなかなか前へ進まない理由でもある。

続きを見る >
記事

DX伴走支援の成否 –丸投げと真の伴走の違い–

伴走支援の落とし穴

多くの企業がDX推進のために「伴走支援」を謳うコンサルティング会社に依頼するが、期待した成果が得られず終わるケースが後を絶たない。その原因の多くは、「伴走」という名目でありながら、実態は「丸投げ」になっているためだ。発注側も受注側も、伴走支援の本質を理解しないまま契約を結び、プロジェクトが進むにつれて認識のずれが明確になる。結果として、導入したシステムが活用されない、現場が混乱する、投資対効果が見えないという事態に陥る。

丸投げ支援の特徴

失敗する「丸投げ型支援」には明確な特徴がある。まず、コンサルタントが一方的に最新ツールやシステムを提案し、現場の業務フローや課題を十分にヒアリングしない。次に、導入後の運用は企業側に任せきりで、定期的なフォローアップがない。さらに、従業員への教育や研修が形式的で、実際の業務に即した内容になっていないのだ。このような支援では、高額なシステムを導入しても現場に定着せず、結局は以前の方法に戻ってしまう。経営層だけが満足して終わる「見せかけのDX」になってしまうのである。

真の伴走支援とは

では、真の「伴走支援」とは何か。第一に、企業の現状を深く理解することから始まる。業務フロー、従業員のスキルレベル、社内の文化まで把握したうえで、最適なDX戦略を設計する。第二に、導入プロセス全体に伴走者が関与し、現場の声を拾いながら柔軟に軌道修正する。システムを導入して終わりではなく、定着するまで継続的にサポートするのだ。第三に、従業員が自走できるよう、実践的な教育を提供する。マニュアルを渡すだけでなく、実際の業務シーンを想定したトレーニングを行い、疑問にその場で答える。つまり、企業と同じ目線で課題に向き合い、成果が出るまで責任を持つのが真の伴走支援である。

支援会社の選び方

伴走支援を選ぶ際は、いくつかの判断基準がある。まず、過去の実績と具体的な成果指標を確認すべきだ。単なる導入事例ではなく、導入後の定着率や業務効率の改善率などの数値データを提示できるかが重要である。次に、初回のヒアリングで、どれだけ深く現場の課題を掘り下げようとするかを見極める。表面的な質問だけで終わる会社は要注意だ。さらに、契約内容に導入後のサポート期間や具体的な支援内容が明記されているかを確認する必要がある。曖昧な表現ではなく、何を、いつまで、どのように支援するのかが明確であることが、真の伴走支援を提供する会社の証である。

まとめ

DX伴走支援の成否は、「丸投げ」か「真の伴走」かで決まる。表面的なシステム導入ではなく、現場に寄り添い、定着まで責任を持つパートナーを選ぶことが、DX成功への第一歩だ。明確な成果指標と継続的なサポート体制を持つ支援会社と組むことで、投資を確実に成果に変えることができる。

続きを見る >