運用の昇華

IT導入の難しさ

IT導入では、どの程度のコストをかけるべきか、その費用がどのように効果を生むかの判断が難しい場面が多い。正解が存在しないため、常に試行錯誤が伴うのが実情である。導入後も改善や調整が続き、理想の形を追い求めて進化し続ける必要がある。これこそが、IT導入のハードルを高める最大の要因である。

「導入＝完成」の落とし穴

「導入すれば終わり」と考えると、ITプロジェクトは失敗しやすくなる。IT導入には明確なゴールがないため、段階的なチェックポイントの設計が重要となる。導入途中で要件が変化することも少なくないが、それを「失敗」とみなすのではなく、「成功への第一歩」と捉えるべきである。柔軟な対応と継続的な見直しこそが、成果につながる道である。

見積もりが難しい理由

目に見えるモノを作る場合とは異なり、ITシステムの見積もりには高い不確実性が伴う。業務の関連性、将来的な拡張性、外部環境の変化など、検討すべき要素は無数に存在する。したがって、本格的なIT導入には、実際の開発にかかる時間の2倍ほどの準備期間を設ける覚悟が必要である。余裕を持つことが、後のトラブル回避にも直結する。

DXがカオスになる訳

システム構築やDXのプロジェクトは、時間の経過とともに当初の目的を見失いやすい。最初に定めた要件が現場の混乱の中で忘れ去られ、後から新たな要求が持ち込まれることで、プロジェクトが迷走していく。現場も対応に追われ、全体が混沌としていく。こうした事態を避けるには、目的の定期的な再確認と明確な進行管理が不可欠である。

まとめ

ITに苦手意識があるからといって「なんとかしてくれ」と丸投げする姿勢では、プロジェクトは成功しない。目的や進捗のチェックポイントといった、数値化できないノウハウの積み重ねこそが、成功への鍵となる。

素人仕様と開発遅延

なぜ、システム開発の進捗が悪いのか？
それは、ずばり素人が考えた仕様を開発者に伝えてしまうからである。
すべての原因ではないが、もしシステムのユーザー側の現場担当者や営業担当者がシステム仕様を決めている場合は、ほとんどの場合で満足のいくスピード感はだせていない。

潜む技術的負債

システム仕様さえ伝えていれば、きちんと動くものを作ってくれるので、あとはスピードを上げるだけ。と考えているようであれば、技術的負債が溜まっていることに気付けていない。非エンジニアが決して理解できない技術的負債の怖さは、開発スピードが遅いということだけではない。開発者側から見てシステムが複雑になっていて、メンテナンス性も低い状態になっている。

「できます」の罠

非エンジニアには技術的負債は見えないし説明もわからないことと思う。しかし、技術力でカバーしてくれているから、きちんと動いているのだと思っているなら、それは実は技術力ではない。
「技術的にはできます」このような言葉を聞いたことはないか？
システムエンジニアは「できない」と言えない。「できないことはない」ということが価値なので、素人が考えたシステム仕様でも、言われた通りに作ってしまう。

持続可能な開発へ

システムエンジニアから「技術的にはできます」を聞いたときは、いったん立ち止まるべきである。
エンジニアには、様々な影響範囲や未来のメンテナンス性への懸念などが見えている。これを必要以上のコストだと考えるのか、必要コストと考えるのかで、技術的負債は変わる。

まとめ

自分の理解の範囲でしか人間は発想しないので、システムのことを知らない非エンジニアは、システム仕様を考えるべきではないと言える。また逆に、システムにおいてはシステムエンジニアの方が発想の幅は広いが、業務に関する知識は乏しい。
システムをよく知り業務のこともわかるシステムエンジニアがシステム仕様を考えるべきだが、そんな万能な人は多くはない。だから、その間を取り持つ人間が重要なのである。

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。