記事

予算ブレの原因

開発の変動要因

システム開発は長期にわたることが多く、また未来の不確実性の中で予算を策定しなくてはいけないことがある。セキュリティーをはじめ動作環境の変化や人員の欠如、予期していなかった仕様の発覚などが原因だ。

目標変化と予算

進捗率は目的地が明確に設定されていれば数字を負うことで予算達成率を算出することができる。しかし、目的地が近い遠いのは無しではなく、根本的な目的地がなくなったり、複数になったりすることがシステム予算の策定の難しいところである。

計画型開発法

システムに未来を見ることができればブレない、見えないことをすべて調査の上で着手できれば確実な予算と実行が可能である。進捗率の報告が可能になる。フォーターフォールモデルなのでコストがかかることと時間がかかることの覚悟が必要だ。途中での方向修正は原則できない。

柔軟な開発手法

逆に低予算で早く導入するなら、見えにくくなるデメリットがある。状況によって対応を素早く変化させる必要があるため進捗率を算出しにくい。アジャイル開発と呼ばれるものであり、社内開発であることが理想である。途中で出てくる条件に対しても柔軟に方向性を変化させることが可能である。

まとめ

アジャイル開発で予算を立てるときは、1.5-2.5倍くらいを目安に余裕を持って設定することを推奨する。

ローコード開発≠安い 前の記事 内製化の成功術 次の記事

関連記事

記事

2026年DX計画の立て方

なぜ今なのか

2026年は企業のDX推進において大きな転換点となる年だ。政府のデジタル・AI補助金制度が本格始動し、単なるITツール導入ではなく、業務そのものを効率化する仕組みづくりが求められている。AI、IoT、ローコードといったテクノロジーは個別に活用するのではなく、統合的な戦略のもとで導入することで初めて真の効果を発揮する。2025年の今こそ、来年に向けた具体的な計画策定を開始すべきタイミングである。

三技術の役割

DX計画を成功させるには、まず各技術の役割を正しく理解することが重要だ。AIはデータを分析し判断・予測を行うソフトウェアであり、IoTはセンサーを通じてデータを収集するハードウェアの仕組みである。この二つは補完関係にあり、IoTが集めたデータをAIが分析することで、異常検知や需要予測といった高度な自動化が実現する。一方、ローコードはプログラミング知識が少なくてもアプリケーションを構築できる開発手法で、IT人材不足を解消する手段として注目されている。生成AIとの連携により、開発スピードは従来の数倍にまで向上している。

統合戦略の要点

三つの技術を統合した戦略を設計する際には、いくつかの重要なステップがある。第一に、自社のAI成熟度を客観的に評価することだ。戦略、人材、データ、ガバナンス、運用、文化の六つの軸で現状を診断し、業界平均と比較しながら目標を設定する。第二に、大規模導入ではなく「まず一業務」から改善を始めることである。請求書処理や在庫管理など、効果を数字で示しやすい領域を選定し、小さな成功体験を積み重ねる姿勢が重要となる。第三に、現場が使い続けられる仕組みを重視することだ。高機能なツールを導入しても、現場に定着しなければ意味がない。

実行手順

2026年のDX計画を実行するための具体的な手順を整理する。まず今月から着手すべきは、AI成熟度診断の実施と、ROI最大化が見込める業務領域の特定だ。ノーコード・ローコードツールを活用した最小機能でのPoC（概念実証）を開始し、四半期ごとにAI推進委員会でレビューを行う体制を構築する。補助金申請を見据え、AIやDXが業務のどこに組み込まれるかを可視化した資料を準備することも欠かせない。課題とAIのつながりを明確に説明できれば、審査において大きなアドバンテージとなる。経営層が先頭に立ち、全社一丸となって取り組む姿勢を示すことが成功への鍵である。

まとめ

2026年のDX計画では、AI・IoT・ローコードを個別ではなく統合的に活用する戦略設計が求められる。成熟度診断で現状を把握し、小さな成功を積み重ねながら段階的に拡大していくアプローチが効果的だ。補助金活用も視野に入れ、今から計画策定を開始することが重要である。

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

リーダーの多忙による弊害

危険な繁忙化

なぜか忙しくしているPMやリーダーとなるSEがいれば危険信号である。リーダーが忙しくなると全体的な最適化や効率的な運用ができていない可能性がある。結果として、無駄に費用がかかったり、技術的負債が大きくなったりする。

役割分担の歪み

システムのユーザー側から見ると、SEという見え方しかしないと思われるが、実際はシステムの運用や開発には細かな作業分担が発生する。この作業分担ができていない場合は窓口のSEが余計な作業を行っている可能性がある。役割分担の不均衡がもたらす忙しさではなく、まったく仕事としてやらなくてもよいような事に時間を使っていて忙しい場合がある。

プロセスの確立

たとえば、プログラムが解析できる人をリーダーとしてしまうと、開発者に手取り足取り指示をしてしまうことがある。もし、リーダーがプログラムレビューなどの作業や、開発者にプログラム上の細かな指示をしている場合は注意が必要である。何を基準にプログラムレビューや指示を行うのか、という仕事を見える化し、仕組化することがリーダーの務めである。

俯瞰的視点

木を見て森を見ずという言葉があるように、リーダーとなる人は指針を作ったりメンバーをプロジェクト成功へ導く役割がある。リーダーが開発メンバーと同じように木ばかりを見ているようであれば、森を見る人が非エンジニアであるユーザー側となってしまうことが考えられる。

まとめ

誰が森を見るのか、リーダーやPMが常に忙しそうにしている場合は、何に時間を使っているのか調査する必要がある。実はここがボトルネックになっていてプロジェクトの進行が思うようにいかなかったり、頻繁にリスケが発生していることも多くある。しかし、これは本人にヒアリングするだけでは表面化しないため、ユーザー側の担当者やプログラマーなどの周辺人員から浮き彫りにすることが望ましい。

続きを見る >