相場の不在

DX推進とAIツール活用

2025年現在、DX推進において生成AIツールの活用は避けて通れないテーマとなっている。調査によれば国内ソフトウェア開発におけるAIコード生成の利用率は49％に達し、資料作成においても従来の60％以上の時間短縮が報告されている。しかし現場では「どのツールを選べばよいかわからない」「導入したものの活用が進まない」という声も多い。本記事では、デザイン・ドキュメント作成・コーディング・業務自動化の4分野において、DX担当者が即活用できる実践的なツールを具体的に紹介する。

デザイン・資料作成の効率化

デザイン・UI/UX分野では「Figma AI」と「Canva AI」が二大勢力として君臨している。Figma AIはプロトタイプ生成やレイヤー名の自動整理が可能で、Config2025で発表された「Figma Make」ではテキスト指示だけでコード生成まで実現する。Canvaは非デザイナー向けに画像編集・自動翻訳・音声生成を統合し、SNS投稿やプレゼン資料を短時間で仕上げられる点が強みである。資料作成分野では「Gamma」がテキスト入力のみでプロ級スライドを自動生成し、「Notion AI」は要約・文章生成・議事録作成をワンストップで対応する。Microsoft 365環境なら「Copilot」がWord・Excel・PowerPointと連携し、既存資産を活かした効率化が図れる。

コーディング支援AIの進化

コーディング・開発分野では「GitHub Copilot」が依然としてデファクトスタンダードの地位を維持している。VS CodeやJetBrains IDEとの深い統合によりコード補完・生成・テスト作成をシームレスに実行でき、NTTドコモやカカクコムなど大手企業での導入事例も増加中である。一方で2023年登場の「Cursor」はAIネイティブエディタとして進化を続け、2025年10月のバージョン2.0では専用モデル「Composer 1」とマルチエージェント実行機能を搭載した。プロジェクト全体を理解しながら複数ファイルを横断編集できる点が特徴である。さらにAnthropicの「Claude Code」はターミナル上で動作し、自然言語指示だけでコード生成からデバッグ・リファクタリングまで対応する。開発チームの規模や既存環境に応じた使い分けが重要となる。

業務自動化によるDX改革

業務自動化分野では「Microsoft Power Automate」がMicrosoft 365との統合度の高さで優位性を発揮している。2025年のアップデートではAIファーストの設計思想のもと、自然言語でフローを作成・編集できるCopilot機能が強化された。「Zapier」は7,000以上の外部サービスと連携可能で、異なるアプリ間のデータ転送を直感的なUIで自動化できる。エンタープライズ向けでは「UiPath」が世界的シェアを持ち、教育コンテンツとコミュニティが充実している点で社内人材育成にも適している。ただしツール導入においては、セキュリティポリシーの策定・情報漏洩対策・ライセンス管理が不可欠である。生成AIが業務データを扱う以上、社内ルールに沿った運用設計を先行させることが成功の分岐点となる。

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。

提案と負担

「なぜ、自社のシステム担当者や社外から常駐するSEは、システムの改善提案をしてくれないのだろう？」と思うことはないか。それは、提案することで自分が大変になってしまうことを理解しているからである。

現状維持の理

自分たちが大変になるだけであるため、普通に考えれば、それを「やろう」と思うはずがない。それがシステム担当者から提案が出てこない理由であろう。

知と意欲

そうなると、非エンジニアやシステム営業が発想する提案は、システムの要件や縛りを無視した案になってしまう。問題解決意欲の高い非エンジニアが指揮するシステム開発を成功させるには、同じ温度感を持つエンジニアを味方につけるほかない。

人材の見極め

システム担当として向いている人材を探すことは非常に困難である。仮に全社的な問題解決意欲の高いエンジニアを採用したとしても、本当のスキルがどの程度であるか知ることができない。システムの開発のほとんどは巻き戻すことができないからである。

まとめ

システム開発や運用の大変さを知る人材ほど、モチベーションがない限り全力を出し切らせるには、相当の熱量を伝えることが肝要である。