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

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

AIチャットボットの現実

チャットボット幻想と現実

人手不足や生産性向上が叫ばれる中、多くの企業で「問い合わせ業務の多くはAIチャットボットで代替できるのではないか」という期待が高まっている。確かに、人間と自然に会話できるAIの実現は、多くの技術者が長年抱き続けた夢でもあった。しかし、過去には言語理解や文脈の把握に技術的な限界があり、実用化には程遠いというのが現実だった。こうした期待と現実のギャップが、AIチャットボット導入の失敗要因となってきた。

チャットボットの進化

2000年代には、ルールベースやシナリオ型のチャットボットが登場し、定型的なカスタマーサポートなどで徐々に実用化され始めた。とはいえ、自然な対話というより「決められた会話」に近く、限定的な使い方にとどまっていた。ところが2020年代に入り、ディープラーニングの飛躍とともに自然言語処理の精度が格段に向上し、Google、Facebook、OpenAIといった技術企業が次々に大規模言語モデル（LLM）を発表したことで、チャットボットは“おしゃべりマシン”から会話パートナーへと進化した。

ChatGPTの衝撃

ChatGPTのような生成AIが登場し、誰でも使えるようになったことで、AIチャットボットの活用は一気に加速した。従来のようなFAQへの対応だけでなく、長文の文書作成や要約、翻訳、さらにはプログラミング支援など、より複雑で創造的な作業もこなせるようになっている。人間の知的作業領域に深く入り込み、単なる効率化ツールにとどまらない存在となった。もはや「使えるかどうか」ではなく「どう使うか」が問われるフェーズに突入している。

業界全体への波及

AIチャットボットの導入は、ビジネスだけでなく教育、医療、自治体など、多様な分野に広がっている。学生の学習サポートから医療問診の補助、行政窓口での自動対応まで、AIは生活の一部に組み込まれつつある。この変化は、かつてITインフラを支えてきた旧世代のエンジニア像を超える大転換だ。業務が高度化し、かつ柔軟性が求められる現代において、AIと協働する力が企業と個人の双方に求められている。

まとめ

AIチャットボットは、単なる業務効率化ではなく、人間の知的作業を補助する“共創”のパートナーである。ただし誤情報、倫理、プライバシーといった課題も存在する。こうした課題を踏まえ、社会全体でのルール整備と、使い方の成熟が必要だ。AI導入を成功させるには、「AIも使い様」という視点が欠かせない。ITの導入に乗り遅れてきた企業ほど、AI活用でも二の舞になりかねない。アタラキシアDXは、AI黎明期からの導入支援経験をもとに、技術とビジネスの橋渡しを支援している。

続きを見る >
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 >