記事

内製化の成功術

IT報酬の実態

海外と比べて日本のITエンジニアの報酬が低いという記事をよく目にする。それもそのはずで、ハイクラスIT人材は都合のいい「何でも屋」にはならないからである。

導入時の誤解

ユーザー企業やシステムのユーザーは、IT化を行うことで業務が減るという先入観を持っていることがある。システム導入を着手したときの目的を忘れて、その時、その場の課題を優先して都合よくITエンジニアを動かしてしまう。また動くITエンジニアもそこにいたりする。

システムと医療

たとえば、「お腹が痛い」と病院にいって「すぐに切開しよう」とはならないはずだ。このようにシステムにもその他にも色々な条件が絡まり合っている。システムは取り扱う情報量や関連する業務が多く導入に時間がかかる。時間がかかる結果、最初の導入目的を忘れてしまうのである。

真のIT人材価値

ハイクラスIT人材はユーザー側の状況と心理を配慮しつつ、現場のプログラマーの状況と心理を考慮して陣頭指揮できる人材といってもよいだろう。心理というのは物の言い方だけではなく、無形の財産を構築したり業務にフィットさせたりするので、プロジェクトの円滑さが変わるのだ。

まとめ

小手先だけでシステムに関するプロジェクトを推進しようとすると、「言われた通りにやった」という受動的な参加者が増えてしまう。情シスのSIer化を回避するにはITエンジニアを「何でも屋」にさせて疲弊させないことも大切である。開発チームの雰囲気作りも非常に効果がある。

予算ブレの原因 前の記事 生成AIは使えない？ 次の記事

関連記事

記事

内製化人材戦略

内製化の壁

システムの内製化が重要ということは、どこでも聞くと思う。しかし、具体的に内製化していくための段取りを整理して教えてもらうのは難しいのかもしれない。業種業態によって様々なケースが存在するからである。内製化を成功させるには、単に技術的な知識だけでなく、組織全体での戦略的な取り組みが不可欠となる。

経営コミット

システム開発の内製化を行っていくには、まず経営層からのコミットメントが必要不可欠である。これが必要であるから諸外国ではCRO（Chief-Revenue-Officer）という部門を横断した権限を持つ人を据えている。その上で、まず内製化の目的を明確にする。おおむねコスト削減、スピード向上、ナレッジ蓄積などであろう。目的がきまると、企画、開発、保守、インフラなどのどの範囲で内製化するのが見えてくる。組織全体での合意形成が内製化成功の基盤となるのである。

失敗回避策

よく聞く失敗例では、権限のないIT戦略室、デジタル推進部などを作ってしまうことである。あるいは、適切な人員の配置や育成がなされないパターンも同様である。大きな権限を持つことになることを前提に考えると、実施するプロジェクトについても小さなプロジェクトにおいて実績を積み上げたほうがいいだろう。たとえば、小規模低リスクである業務改善ツール（例：Power AppsやExcelマクロ）から市民開発を実施していくなどを計画することをお勧めする。段階的なアプローチが組織の信頼獲得につながる。

仕組み化

小さなプロジェクトで実績を積むと、こなれてきてしまうため、やはり属人化の危険性が伴う。ここで、いかに永続的に考えることができるか、内製化のための仕組みを構築できるかは、システム開発経験者などの知見のある人も交えて人材育成に取り組むべきである。定期的な振り返り（レトロスペクティブ）やナレッジ共有会、現場からの改善提案を吸い上げる文化を育て、仕組化していく。持続可能な内製化には組織文化の変革が欠かせない。

まとめ

開発基盤とガバナンス整備、ソース管理やドキュメント管理などの定性的な内製化は簡単に作ることができる。しかし、そのマインドや仕組み、自然とDevOpsをはじめとしたPDCAサイクルにもっていくには、システム知見だけでも難しくある。持続的な内製化にたどり着くためには最初の企画や構成段階で知見をもつメンバーを入れておくのがよいだろう。

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

AIで変わるシステム開発

開発現場の変化

近年、システム開発の現場では深刻な人材不足と納期の短縮化が大きな課題となっている。従来の手法では限界を感じている企業も多いのではないだろうか。そんな中、AI技術の急速な進化により、開発工程に革新的な変化が起きている。コード生成からテスト自動化まで、AIが開発者をサポートする時代が到来した。本記事では、AI活用によってシステム開発がどのように変わるのか、その未来像を探っていく。

日々の開発業務

実際の開発現場では、AIはどのように活用されているのだろうか。要件定義フェーズでは、AIが過去のプロジェクトデータを分析し、最適な機能提案や工数見積もりをサポートする。コーディング段階では、GitHub CopilotやChatGPTなどのAIツールが、リアルタイムでコード補完や不具合検出を行い、開発速度を大幅に向上させている。テスト工程においても、AIが自動的にテストケースを生成し、バグの早期発見を実現する。これらの活用により、開発期間の30%削減や品質向上を達成した企業も増えている。

導入の注意点

しかし、AIの導入には注意すべき点もある。最も大きな課題は、生成されたコードの品質管理である。AIは便利だが、時として不正確なコードや非効率な実装を提案することがある。そのため、開発者にはAI出力を適切に評価できるスキルが求められる。また、セキュリティ面での懸念も無視できない。機密情報を含むコードをAIに学習させることのリスクや、著作権の問題など、法的な側面も考慮が必要である。さらに、既存の開発プロセスとAIツールをどう統合するか、組織全体での運用ルール策定も重要な課題となっている。成功の鍵は、適切なガイドライン設定と継続的な教育にある。

求められるスキル

AI活用が進む中で、開発者の役割も大きく変化している。単純なコーディング作業はAIに任せ、開発者はより創造的で高度な判断を要する業務に集中できるようになる。つまり、システム全体のアーキテクチャ設計、ビジネス要件の深い理解、そしてAIが生成した成果物を評価・改善する能力が重要になるのである。AIは強力なツールだが、あくまで人間の判断を補助するものである。技術トレンドを常に学び、AIとの協働方法を模索し続ける姿勢が、これからの開発者には不可欠である。AI時代だからこそ、人間ならではの創造性と批判的思考力が、より一層価値を持つようになるだろう。

まとめ

AI技術の進化により、システム開発は新たな段階に入った。開発速度の向上や品質改善といった明確なメリットがある一方で、適切な導入戦略と運用ルールが成功の鍵となる。重要なのは、AIを単なる自動化ツールとして捉えるのではなく、人間の能力を拡張するパートナーとして活用することである。技術と人材の両面からバランスよく取り組むことで、開発工程の真の革新が実現できるだろう。

続きを見る >