内製化の成功術

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。

DX化の現状

多くの企業でExcel業務のDX化が話題になっている。「Excelは古い」「すぐにシステム化すべき」という声も聞かれるが、本当にすべてのExcel業務をDX化すべきなのだろうか。実は、やみくもなDX化は逆効果になることも少なくない。Excel業務のDX化には正しい順序と判断基準が必要である。本記事では、DX化の利点を理解しながら、適切なアプローチについて考えていく。

DX化の利点

Excel業務をDX化することで得られる利点は確かに多数ある。まず、データの一元管理により情報の正確性が向上し、複数人での同時編集や更新作業がスムーズになる。次に、自動化による作業時間の大幅な削減が可能である。手作業で行っていた集計や転記作業から解放されることで、より付加価値の高い業務に時間を使えるようになる。さらに、データ分析の高度化により、経営判断のスピードと精度が向上する。これらの利点は、企業の競争力強化に直結する重要な要素である。

DX化の落とし穴

しかし、DX化を急ぐあまり失敗するケースも多く見られる。業務フローが整理されていない状態でシステムを導入すると、非効率な業務がそのままシステム化されてしまう。また、現場の声を聞かずにツールを選定すると、使いにくいシステムが現場に定着せず、結局Excelに戻ってしまうこともある。さらに、すべてを一度に変えようとすると、従業員の負担が大きくなり、業務が混乱する。投資したコストに見合う効果が得られず、DX化自体が目的化してしまう危険性もある。適切な準備なしのDX化は、かえって生産性を下げる結果を招くのである。

正しい進め方

Excel業務のDX化を成功させるには、段階的なアプローチが不可欠である。まず、現状の業務フローを可視化し、本当に必要な作業とムダな作業を明確に区別する。次に、Excelで十分な業務と、システム化すべき業務を見極めることが重要である。すべてをシステム化する必要はない。その上で、優先順位をつけて小さく始め、効果を確認しながら展開していく。従業員のITリテラシーに応じた教育も並行して行うことで、スムーズな移行が実現する。DX化は手段であり目的ではない。自社の状況に合わせた最適な方法を選ぶことが、真の業務改善につながるのである。

まとめ

Excel業務のDX化は、正しく進めれば大きな効果をもたらすが、順序を誤ると逆効果になる。利点を理解しつつ、自社の状況を冷静に分析し、段階的に進めることが成功の鍵である。やみくもなシステム化ではなく、業務改善を第一に考えた戦略的なアプローチを取るべきである。

負債の本質

技術的負債には、設計負債やコード負債がある。金銭的な負債であれば借入金やマイナスの表記で数字化できるのだが、技術的負債においては数字化できないことがとても難しい点である。経営に関するほとんどのことは定量化や定性化が可能だが、たとえば企業創業者の発想する「野生の勘」を直接的に数字化できないように技術的負債も一筋縄では見える化しない。

設計時の対策

技術的負債の中でもコード負債については、システム開発の現場からよく発想されるリファクタリングや再構築などを行うことで比較的わかりやすい返済方法となる。知らない人が作ったプログラムや古くなったプログラムのバージョンなど、リスクを表現し対応することができる。何よりも最初の企画設計段階で負債が積みあがりにくい仕組みを考えることが大切である。

高負担な設計

技術的負債の中でも利息の高い負債が設計負債である。単体機能における設計であれば、モジュールごとの再設計によって返済が可能である。しかし、プログラムは複数のモジュールが絡まり合っていることがほとんどなので、複雑なオペになってしまう。また、稼働中のシステムにわざわざ再設計したプログラムを導入するリスクに対して、得れるメリットも少ないので見過ごされがちである。設計能力は例えば、紙というオブジェクトのメソッド（振る舞い）とプロパティ（保持する情報）を聞いて正しい答えが帰ってくれば多少安心であろう。紙の振る舞いは燃えるであり保持する情報は面積などがある。

根本的解決

しかし、技術的負債はこのように目に見えやすい設計負債やコード負債が致命的になることは少なく、やはりその上層でどのような指針に基づいてシステム運用がなされてきたか、また長期視点で一貫したメンテナンスを行うことが必要である。システムの維持には保守費用や運用費用を払っていることが多いと思うが、これだけでは将来の負債を減らしていくことはできない。やはり、鳥の目を持つITコンサルタントやITアナリストなどの役割を持つメンバーが必要である。

まとめ

ITコンサルタントやアナリストは、すぐに利益も生まない、経費を削減するわけでもないといったコストセンターとしてのポジションなので、あまり起用していない中小企業も多いようである。投資に対する効果が見えにくいのは、料理でいう香辛料と同じなのかもしれない。その少しの投資が未来を大きく変えることになる。IT技術は日進月歩で発展するからである。