内製化の成功術

開発現場の変革

2025年、デザインツールFigmaに搭載されたAI機能が業界に衝撃を与えている。Figma Makeは、AIチャットを通してプロンプトを入力すると、UIデザインを自動生成する。従来、画面設計には専門的なスキルと多大な工数が必要だったが、テキスト入力だけでデザインが生成される時代が到来した。この変化は単なる効率化ではなく、開発プロセスそのものの再定義を意味している。

主要機能

Figma AIは、機械学習を活用したデザインアシスタント機能である。画像生成、背景削除、解像度向上に加え、モックアップへのリアルなテキスト追加やトーン調整が可能だ。さらに注目すべきは「Figma Make」の登場である。Figma Makeは、Figma社が提供するAIデザイン生成ツールだ。テキストで指示を入力すると、UIデザインや画面構成、コンポーネントなどを自動生成する。デザインシステムの公開ライブラリをデザインに反映でき、生成したデザインデータをFigmaのフレームに還元できる点が大きな強みとなっている。

具体的メリット

Figma AI導入による最大のメリットは、開発スピードの劇的な向上である。UIを作るのに通常半日かかる作業も、0フェーズのプロジェクトであれば1時間程度である程度整ったプロトタイプが生成できるため、スピード面で大きく工数を削減できる。また、Figma Makeはチームメンバーやプロダクトオーナー、カスタマーサクセスの方々とやり取りする際に言語化しづらい領域をデザインで表現できる点が強みだ。アイディアレベルのものも即座に形にしてフィードバックを受けられることで、意思決定の迅速化と手戻りの削減が実現する。非デザイナーでもアイデアを視覚化できるため、部門間コミュニケーションが円滑になる。

留意点と活用法

Figma AIの導入にあたっては、適切な活用領域の見極めが重要である。現時点では既存プロダクトの運用フェーズでフル活用するのはまだ難しいものの、新規プロジェクトやモックアップ作成には十分効果的と評価されている。生成されるコードはReactベースの構成になっているため、既存技術スタックとの整合性確認も必要だ。Figma Makeは他職種のメンバーとのコミュニケーションをスムーズにし、アイディア出しを活発にするための共通の思考ツールとしても活用できる点を踏まえ、段階的な導入計画を立てることが成功の鍵となる。まずはパイロットプロジェクトでの検証から始めることを推奨する。

まとめ

Figma AIとFigma Makeは、UI/UX開発の在り方を根本から変革するポテンシャルを秘めている。チャットによるデザイン生成は、開発工数の削減だけでなく、チーム全体の創造性向上とコミュニケーション活性化をもたらす。ただし、既存ワークフローとの統合や適切な活用領域の選定には専門的な知見が求められる。

誤解されるコスト削減

実はローコード・ノーコードツールを使えば、開発が必要なくなるので安くなるというのは正しくない。たしかに、ノーコードツールを社内メンバーでCMSを使ってソフトを作るという場面は開発費用はかからない。

CMSとはコンテンツ・マネジメント・システムの略で、たとえばWebサイトのコンテンツを構成するテキストや画像、デザインなどを非エンジニアがプログラミングをせずに作成や管理できる仕組みのことである。ローコードツールはそれに加えて少しのプログラミング知識でシステムやツールを作成できることである。

開発手法の選択基準

断じてローコード開発だからといって安いわけではない。開発手法の特性による得手不得手を上手に使い分けるからトータルとして価格が安くなるということである。非エンジニア営業の金額調整という意味での判断でローコード開発を選択する場合は失敗することがある。

システム導入の本質理解

ローコード開発でも、システム導入の目的や条件が本質的にわかっていなければ、仕様要件のブレによって結果としてトータルが安くなることはない。これはローコード開発ということが問題なのではなく、フルスクラッチ開発であっても、SaaSと利用する場合であっても同じことが言える。

負債の危険

本来ローコード開発が適さない場合にも関わらず無理やりに合わせることで、プログラム部分の複雑性が増し、技術的負債となって大きな問題になっていく。結果として安くはならず、ローコード開発のメリットであるメンテナンス性までも損なうため、トータルで考えると高くなる。

まとめ

お客様の予算内で考えないといけないので、といった口癖があれば注意が必要である。クライアントの言いなり状態であれば、無理な要求は開発における仕様だけではないだろう。金額を含めた総合的な判断ができる人が、結果としてローコード開発を選択するわけである。

思い通りにならない理由

生成AIを導入したのに思ったような結果が得られない――そんな経験をしたことがある人も多いだろう。AIは進化を続けているが、それを使いこなす側にも試行錯誤が求められている。特に企業においては、社内情報を整理すればするほど目的の答えに辿り着けなくなる「RAGの沼」にハマることがある。多くの企業が生成AIを武器にしようとしているが、その真価を引き出すには、正しい導入と運用が欠かせない。

RAGとは何か

RAG（Retrieval-Augmented Generation）は、「検索」「拡張」「生成」の頭文字を取った技術であり、生成AIに独自情報を与えることで回答の精度を上げる手法である。インターネット上の情報だけでなく、社内マニュアルや業務データなどを取り込むことで、より業務に即した回答が可能になる。ただし、期待する結果が得られない場合、その原因は提供リソースの質や構造にある可能性が高い。

ChatGPT以外の選択肢

現在、生成AIとして多くの大規模言語モデル（LLM）が存在する。OpenAIのChatGPTをはじめ、AnthropicのClaude、GoogleのGemini、MetaのLLaMA、Mistral、Cohere、さらにAlibabaやBaiduといった中国系ベンダーもある。それぞれに強みがあり、RAGに適したモデルも存在する。たとえばCohereのCommand R+やMistralのMixtralなどが代表的だ。目的に応じてLLMを選び、最適な環境を整えることが重要である。

社内AIを成功させるには

セキュリティ上の理由から、社内情報をインターネットに出せない企業も少なくない。その場合、オンプレミス環境（社内ローカル）に生成AIを構築する選択肢がある。たとえばTinyLLaMAやPhi-2のような軽量モデルから、Nous HermesやMixtralなどの対話・RAG対応モデルまで選択肢は豊富だ。これらを活用すれば、外部にデータを出さずともAIの恩恵を享受できる。必要なのは、自社の目的と環境に適した判断力である。

まとめ

生成AIはあくまで「道具」にすぎない。導入しただけで目的が自動的に達成されるわけではない。課題を定義し、適切な情報を整備し、それを使いこなす力が必要だ。RAGがうまくいかないと感じたら、その原因はリソースや設計のミスマッチにあるかもしれない。