記事

フルスクラッチは体力

開発手法の選択

フルスクラッチかパッケージか、最近ではSaaSなどもシステム構築の検討に入る。実は開発手法やツールよりも、どのようなシステムで、どれくらいの規模のシステム開発会社が担当するかが重要である。

SESのリスク

人数が多い会社であればあるほど安心感があってよいと安易に考えることは適切ではない。なぜなら、SE派遣やSESと呼ばれる人月（人工）単位で売り上げの経つ会社には技術の総合力がないからである。

技術の総合力

技術の総合力とは、SE作業やプログラミング作業などの1人で対応できる技術力を差すのではなく、システム構築やシステムの運用全般における最適手段を考えることができる能力のことである。

表層の即効性

SE派遣やSESの付加価値はその人単体のプログラミング能力に偏るため、一見対応がよく、何も問題がないように思える。しかし、これが技術的負債を作ってしまうひとつの要因でもある。

まとめ

フルスクラッチを考えるなら、SESを中心としないシステム会社で且つ人数規模も多い方がよい。安価にフルスクラッチでシステムを構築してしまうと、メンテナンスや運用でしっぺ返しが待っている。時間が経つごとにシステム保守費用が高くなるのである。

運用の昇華 前の記事 賢いコスト削減 次の記事

関連記事

記事

マニアの逆効果

趣味の進化

趣味やコミュニティにファンが定着しないという話をよく耳にする。この現象を理解するには、戦後日本の変遷を振り返る必要がある。高度経済成長期に入ると、人々の可処分所得が増加し、余暇時間も確保されるようになった。これに伴い、日本人の趣味の選択肢は爆発的に広がっていったのである。

IT黎明期

そんな多様な趣味の選択肢の中から、パーソナルコンピュータという新しい文化が誕生した。初期のパソコンマニアたちは、その後のIT業界の礎を築いていった。彼らの情熱と探究心は、技術革新の原動力となったのである。ユーザー数が増加するにつれて、独自の用語やネットスラング、コミュニティ文化が形成され、デジタル時代特有の新しいコミュニケーション様式が確立されていった。

マニアの防衛

しかし、ユーザー層が拡大するにつれて、必然的にライトユーザーや一般層の参入が増えていった。この変化に対して、コアなマニア層の中から、自分たちが築き上げた文化や価値観を守ろうとする動きが現れる。彼らは意図的に専門用語を多用したり、新規参入者に対して高い障壁を設けたりすることで、独自の世界を保持しようとした。このような排他的な姿勢は、結果として健全なコミュニティの成長を阻害する要因となったのである。

IT変革期

このような状況は、しばしば「マニアが業界を衰退させる」という批判の対象となってきた。IT業界を例に取ると、黎明期には「オタク」というレッテルを貼られ、社会的偏見にさらされることも少なくなかった。しかし、ITバブル期に入ると状況は一変する。テクノロジーの急速な発展と共に、IT関連の職種は一気に注目を集める花形職業となっていったのである。この変化は、マニア文化が一般社会に受け入れられていく過程を象徴的に示している。

まとめ

現代では、パソコンの使用者をマニアと結びつけて考えることはほとんどなくなった。しかし、同様の現象は量産型のプログラミング業務の中でも起きていた。ローコード開発の台頭により、プログラミングは特別な知識を持つ人だけのものではなくなり、誰もが気軽に扱える時代となったのである。

続きを見る >
記事

IoT業務改善が進まない理由

IoT導入の落とし穴

製造業や物流業を中心に、IoTセンサーやデバイスの導入が加速している。設備の稼働状況、温度・湿度、位置情報など、あらゆるデータがリアルタイムで収集できる時代になった。しかし、IoTを導入したものの「期待した業務改善効果が得られない」という声が多く聞かれる。データは確かに取得できているのに、なぜ業務改善に結びつかないのか。この問題は多くの企業が直面している共通の課題である。

データの墓場化

IoTデバイスから送られてくるデータは、サーバーやクラウドに蓄積されていく。しかし、その膨大なデータを見ても「何をすればいいのか分からない」という状況に陥る企業が少なくない。ダッシュボードには数値やグラフが表示されているものの、それを見て具体的なアクションを起こせる人材がいない。結果として、高額な投資をしたIoTシステムが「データ収集マシン」で終わってしまい、経営層からは「費用対効果が見えない」と指摘される悪循環に陥る。

失敗の典型パターン

活用が進まない企業には明確な共通点がある。第一に「導入目的が曖昧」なケースだ。「とりあえずIoTを入れてみよう」という姿勢では、取得すべきデータの種類も不明確になる。第二に「データ分析のスキル不足」である。統計知識やデータ分析ツールの使い方を理解している人材がいなければ、データから意味のある洞察は得られない。第三に「業務プロセスとの連携不足」だ。データ分析の結果を実際の業務改善アクションに落とし込む仕組みがなければ、分析は絵に描いた餅で終わる。これらの問題は技術以前の、組織体制や戦略の問題なのである。

正しい活用ステップ

IoTを真に業務改善につなげるには、段階的なアプローチが必要だ。まず「解決したい課題」を明確にし、その課題解決に必要なデータだけを取得する設計から始める。次に、データを見える化するだけでなく、「どの数値がどうなったら、誰が何をするか」というアクションルールを事前に設定する。さらに、現場担当者がデータを日常的に確認し、判断できるよう、シンプルなダッシュボードと教育体制を整えることが重要だ。IoT活用は技術導入ではなく、業務プロセス改革として捉え、全社的な取り組みとして推進することで初めて成果が生まれる。

まとめ

IoTで業務改善が進まない企業の共通点は、データ収集が目的化し、活用のための戦略・スキル・体制が不足している点である。導入前の課題設定、データ分析人材の育成、業務プロセスへの組み込みという3つの要素を整えることで、IoTは真の業務改善ツールになる。技術導入だけでなく、組織全体での活用文化の醸成が成功の鍵である。

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 >