記事

思考と決断のPM力

PMの真価

スキルシート上にあるPMというのは、どういった開発言語や開発環境などを使ってきたかという内容であることが多く、SEの延長という意味合いが強く残っている。もし、期待するポジションが発想力や提案力にあるとすれば、姿勢をみることが大切となる。

従順の呪縛

就職氷河期と呼ばれる世代より上の年齢層では、常に従うことを幼少期から叩き込まれていると考えられる。日本では「禁止」か「許可」かを常に意識しながら仕事をしており、「許可されるまでは禁止されている」と考えているのではないかと推察される。

失敗からの成長

正しいか、間違っているか、の判断基準しか持ち合わせていない場合、何か問題が発生したときに時間を遡ってどこで判断を間違えたのかを追求する。それは大切なことであるが、実際のプロジェクトでは誤ったことを反省しつつ修正しながら進むことが大切である。

判断力の真髄

エンジニア出身のPM（開発プロジェクトのPM）だと、禁止か許可かというデジタルのような見方をしている人もいる。特に今日のシステムに関するプロジェクトでは、ゼロかイチだけでは判断できないような、ウエットでアナログな状況判断が必要となる。

まとめ

たとえ能力の高いPMだったとしても、仕事になると発想することや作ることの楽しみより、ミスによる懲罰を恐れたりするために、無難で当たり障りのない判断をしがちである。システムに関するプロジェクトがなかなか前へ進まない理由でもある。

熱意の共有 前の記事 リーダーの多忙による弊害 次の記事

関連記事

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

要件定義のアプローチ

要件定義の基本

すべてをシステムで解決してしまおうとする要件定義には注意が必要である。システムの成功の可否は要件定義にかかっていると言っても過言ではない。しかし、十分に要件定義の時間を使ったにも関わらず、ITプロジェクトが失敗することがある。

規模別の要件定義

システム構築の規模によって、要件定義の粒度が変わる。小さなITプロジェクトの場合は要件定義をせずにプロトタイプを作りながらシステム構築を進めるといった方法がある。これをアジャイル開発、プロトタイプ開発と呼ぶ。

要件定義の本質

要件定義の粒度は時間を掛ければ細かくなるわけではない。ユーザー側でも要件定義を進めるにつれて、想定している機能の矛盾点が出てくることがある。この矛盾点を解消していくこと自体を要件定義としてはならない。要件定義はあくまで本質的なコアとなる部分から膨らませることが重要である。

対話型要件定義

要件定義フェーズで失敗するパターンは、ユーザー側との対話ではなく、システム会社側がヒアリングに徹する場合である。ユーザー側はITを利用してどのようなことができるかを知らない可能性が高いため、システム専門家がそれを鵜呑みにした仕様で要件を固めてしまうと、製造工程で無駄な工数が発生し予算をオーバーしてしまうことがある。

まとめ

本質的な要件をコミュニケーションによって、はっきりさせていく作業こそが要件定義と言えるのである。さまざまな視点から何度も繰り返し要件をなぞることで粒度が落ちていき、適切な要件定義書となる。何でもかんでもシステム化せず、オペレーションとの関係性を見合わせながら進めることが望ましい。

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 >