記事

相場の不在

開発の相場観

相場とは、一般的に市場で競争売買によって決まる商品の価格とされているが、ことシステム開発においては、相場というものが存在しない。

比較の難しさ

比較できる同じものであれば競争原理が働き相場が構築されるが、フルスクラッチされるシステム開発においては全く同じものができることはない。しかも、出来上がるものはパッケージシステムやSaaSの利用以外は、未来にしか完成しないので当然比較もできないものとなる。

将来要件判断

比較的ないからこそ、しっかりと吟味する必要があるが、吟味する材料や条件などは現時点で明確になるものが元となる。未来に発生する追加条件や変更される環境などはジャッジする時点にはすべて出そろわないという難しさがある。

変化への対応

システム開発は未来にどのような条件変更やルール変更が行われるかわからないものであるという認識を持つことが大切である。その上で最善のジャッジを行うべきである。その判断は過去を遡って正解か間違いかを評価すべきではない。

まとめ

日本では原点方式の人事評価が行われるため、イノベーションは起こりにくい本質的な問題がある。これを無視して「DXだ」といっている組織があるとすれば、それは本質を見誤っているといえる。

賢いコスト削減 前の記事 オオカミ少年化の弊害 次の記事

関連記事

記事

製造業DX – IoT×ローコード活用法

IoT導入の新時代

製造業の現場では、人手不足や品質管理の課題が深刻化しているが、IoTとローコード技術の組み合わせが解決策として注目されている。従来のシステム開発には高額な費用と長期間を要していたが、ローコードプラットフォームを活用することで、現場の作業者でも直感的にIoTシステムを構築できるようになった。センサーからのデータ収集、機械の稼働状況監視、品質データの自動記録など、これまで手作業で行っていた業務を効率化できる。

ローコード開発の威力

ローコード開発プラットフォームは、プログラミング知識がなくても視覚的な操作でアプリケーションを作成できる革新的な技術である。製造現場の作業者が自分たちのニーズに合わせてリアルタイムでシステムをカスタマイズでき、IT部門への依存を大幅に減らせる。温度センサー、振動センサー、カメラなどのIoTデバイスと連携させることで、設備の予知保全や作業効率の向上を実現できる。従来の開発期間を3分の1に短縮し、コストも大幅に削減できるため、中小企業でも導入しやすくなっている。

成功事例と導入効果

実際の導入事例を見ると、ある自動車部品メーカーでは設備稼働率が15%向上し、品質不良率を30%削減できた。IoTセンサーで機械の振動や温度を常時監視し、異常を検知すると自動でアラートを発信するシステムを構築したのである。また、食品製造業では温度・湿度管理の自動化により、品質検査時間を50%短縮し、人的ミスによる製品廃棄を90%削減した。これらの成果は、現場作業者がローコードツールを使って自ら問題解決に取り組んだ結果であり、外部ベンダーに依存しない持続可能なDX推進を実現している。

未来の製造業像

IoT×ローコード技術は単なるデジタル化を超えて、製造業の競争力を根本的に変革する力を持っている。現場の知見を活かしたシステム構築により、真に使えるDXソリューションが生まれ、継続的な改善サイクルが確立される。今後はAI技術との融合により、さらに高度な予測分析や自動最適化が可能になるだろう。重要なのは小さく始めて段階的に拡張していくアプローチである。まずは一つの工程から始めて成功体験を積み重ね、徐々に全社規模へ展開していくことで、確実にDX効果を実感できる。変化に対応できる柔軟な組織作りこそが成功の鍵となる。

まとめ

IoT×ローコード技術は、製造業DXの民主化を実現する画期的なソリューションである。プログラミング不要で現場主導のシステム構築が可能になり、短期間・低コストでの導入を実現できる。成功事例が示すように、設備稼働率向上、品質改善、作業効率化など具体的な成果が期待できる。重要なのは小さく始めて段階的に拡張するアプローチであり、現場の知見を活かした持続可能なDX推進が可能になる。

続きを見る >
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

2025年AI活用トレンド

2025年のAI活用

2025年は企業におけるAI活用が実証実験から本格導入へと移行する転換期となっている。生成AI市場は急速な拡大を続けており、専門人材の不足を補うソリューションとして中堅企業にも急速に普及が進んでいる。大手企業では数百億円規模の投資計画が発表され、業務効率化だけでなく新規事業創出への期待も高まっている。本記事では、2025年に押さえておくべきAI活用の主要トレンドを解説する。

自律型AIエージェントの台頭

2025年の最大のトレンドは「AIエージェント」の台頭である。エージェント型AIは、ユーザーが設定した目標に向けて自律的に計画を立て行動する新しいAIシステムであり、従来のAIアシスタントとは異なり人間からの直接的な指示がなくても主体性を持って行動できる点が特徴である。また、画像、音声、テキストを統合的に処理するマルチモーダル技術の進化により、業務プロセスは新たな段階へと移行している。複数の情報形式を同時に分析することで、これまで見えなかった相関関係の発見が可能となり、意思決定の精度向上に貢献している。

成功と失敗の分岐点

一方で、AI導入には課題も存在する。2024年の実績から、導入効果に大きな差が生じていることも明らかになってきた。成功企業と失敗企業の分岐点として、経営層のコミットメント、段階的な展開計画、現場との密な連携が挙げられている。さらにAIの過剰な期待の時代から、AIの成果が問われる時代へと移行しており、企業は投資から明確で測定可能な価値を生み出す準備が求められている。加えて、AIガバナンスと偽情報対策の重要性も増しており、AIの責任ある活用と安全な運用が求められている。セキュリティリスクへの対応も含め、戦略的なAI導入計画の策定が不可欠となっている。

段階的導入の重要性

AI活用を成功させるためには、いきなり大規模導入を目指すのではなく、自社の課題を正確に把握した上で小規模な実証実験から始めることが推奨される。成功企業に共通するのは、経営層の強いコミットメント、段階的な展開計画、そして現場との密な連携である。特に重要なのは、AIを単なるツールとしてではなく、業務プロセス全体を見直す契機として捉えることである。現場の声を反映しながら、継続的な改善サイクルを回すことで、投資対効果を最大化できる。外部の専門家による伴走支援を受けながら、自社に最適なAI活用戦略を構築していくことが成功への近道となるであろう。

まとめ

2025年のAI活用は、AIエージェントやマルチモーダル技術の進化により大きな転換期を迎えている。しかし、成果を出すためには段階的な導入計画と現場との連携が不可欠である。ROIの実証やガバナンス体制の構築も含め、戦略的なアプローチでAI活用を推進していくことが求められている。

続きを見る >