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

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 >
記事

生成AI活用術

生成AIと業務の未来

近年、ChatGPTをはじめとする生成AIが急速に普及し、ビジネスシーンでの活用が注目されている。文章作成、データ分析、アイデア創出など、これまで人間が時間をかけて行っていた業務を、AIが短時間で支援できるようになった。特に中小企業においても導入ハードルが下がり、生産性向上のための強力なツールとして認識されつつある。しかし、単にツールを導入するだけでは効果は限定的である。業務フローに適切に組み込み、活用方法を理解することが成功の鍵となる。

5つの活用法

生成AIは様々な業務シーンで活用できる。まず、メール文面や報告書などの文書作成では、下書きの自動生成により大幅な時間短縮が可能だ。次に、会議の議事録作成では、音声データから要点を抽出し整理できる。カスタマーサポートでは、よくある質問への回答案を即座に生成し、対応品質の向上と担当者の負担軽減を実現する。マーケティング分野では、SNS投稿文やキャッチコピーのアイデア出しに活用でき、クリエイティブな業務も効率化される。さらにデータ分析では、複雑なデータから傾向を読み取り、レポート作成まで支援してくれる。

注意点

一方で、生成AI導入には課題も存在する。最も多い問題は、社員のITリテラシーの差による活用格差である。一部の社員だけが使いこなし、組織全体の生産性向上につながらないケースが見られる。また、生成された内容の精度確認を怠り、誤った情報をそのまま使用してしまうリスクもある。セキュリティ面では、機密情報を不用意にAIに入力してしまう情報漏洩の懸念がある。さらに、AIに過度に依存することで、社員の思考力や創造性が低下する可能性も指摘されている。これらの課題に対しては、適切な社内ガイドラインの策定、定期的な研修の実施、そして人間の判断を最終確認として残す仕組みづくりが重要である。

活用の3原則

生成AIを効果的に活用するためには、いくつかのポイントがある。第一に、AIはあくまで「支援ツール」であり、最終的な判断は人間が行うという原則を徹底することである。第二に、段階的な導入を心がけ、小規模なプロジェクトから始めて成功体験を積み重ねることが大切だ。第三に、定期的な効果測定を行い、どの業務でどれだけの時間削減ができたかを可視化することで、改善点が明確になる。また、社内でベストプラクティスを共有し、ナレッジを蓄積することも重要である。AIと人間がそれぞれの強みを活かし、協働することで、単なる効率化を超えた価値創造が可能になる。

まとめ

生成AIは業務効率化の強力な武器だが、導入方法次第で効果は大きく変わる。適切な活用シーンの選定、社員教育、セキュリティ対策を行うことで、組織全体の生産性を飛躍的に向上させることができる。まずは小さく始めて、徐々に活用範囲を広げていくことが成功への近道である。

続きを見る >
記事

運用の昇華

開発現場の想定外

基幹システムの開発現場では、最初に想定した仕様とは異なる業務フローが後から発覚することが多い。

マネジメントの試金石

後から発覚した業務フローは、すでに構築が進んでいるシステムに組み込むことが難しいため、どのように対応するかがプロジェクトマネージャーの腕の見せ所である。

プロジェクトの舵取り

プロジェクトマネージャーとは何かと問われたときに、一言で言い表すならば、不測の事態にどのように対応できるか、ということではないかと考える。プロジェクトが何の問題もなく、完遂できることは少ない。したがって、イレギュラーケースが発生した時にどのような手立てを打てるか、迅速に行動できるかがプロジェクトマネージャーのレベルとなる。

パートナーシップの重要性

プロジェクトマネージャーがシステムの完成しか考えていなければ、途中から発覚した仕様は「運用でカバーせよ」とユーザー側に責任を押し付けてしまうことがある。しかし、より良いシステムを目指す、パートナーとしてであればこの回答は好ましくない。

まとめ

どのような事象がきっかけで、途中で使用漏れが発覚したのか、プロジェクトの進行状況を見ながら、ひも解くことが重要である。運用でカバーというユーザー側だけにだけ負担をさせるのではなく、運用をカバーするようなシステムを構築できるのが理想である。

続きを見る >