内製化の成功術

目標設定の要諦

SESと呼ばれる派遣や準委任契約では、プロジェクトを完遂することが難しいとしている。これはゴールが未設定であったり、曖昧になってしまう場合が多くあるからである。ゴールの設定や未来像は非常に重要で、プロジェクトマネージャーなどリーダーが必ず持っておくべき指針である。

真のリーダー像

システム開発に参画するメンバーは一般的に経歴書やスキルシートによって決まる。プロジェクト経験数が多かったり、扱える言語が多かったりするだけでは、本当のスキルは推しはかれない。やはり、確認すべきは不測の事態が起きたときの対処方法を豊富に持つリーダーが必要となる。

アジャイルの本質

犬小屋を建てるときに設計書はいらないが、マンションを建てるには設計書がいる。アジャイル開発といっても、例えばマンションを設計図なしに建てるといったことを考えるとある程度は見通しや知見などを持つメンバーが方向性を決めていく必要がある。システム開発はその時その時の条件によっていい悪いの判断軸が変わる。さらに時間の経過でも判断軸が変化していくのである。

部分最適の罠

日本には「カイゼン」という高度経済成長期を支えた力強い言葉がある。しかし、時と状況によって判断軸が変わるソフトウェアという無形財産の前では、「善」に「改」めることができているのか、変化してしまう背景がある。職人気質である国民性も相まって、どうしても部分改善、部分最適を繰り返してしまうというプロジェクト現場が少なくない。

まとめ

システム運用や保守における部分最適は必ずしも全体最適になるわけではない。むしろ、この部分最適が全体を考えたときの労働生産性を下げていることすらある。小回りが利く人であればあるほど属人化してしまったりするため、誰が全体最適を見るのがベストなのか、改めて考える必要がある。

AI教師モデルにおけるBPOの重要性

AI技術の急速な進化により、教師モデルの構築が重要視されています。テキスト型のAIだけでなく、画像認識などの領域でも教師モデルの役割は増大しています。これらのモデルの開発には人手によるタグ付けや手作業が不可欠です。こうした教師モデルのプロジェクトをBPO（ビジネス・プロセス・アウトソーシング）としてオフショアに委託することで、労働力の確保とコスト効率の向上を図ることが可能です。

ベトナムのBPOにおけるアドバンテージ

ベトナムはBPOプロジェクトにおいて、他の国に比べてアドバンテージを持っています。BPOの重要な要素は末端のワーカーがコンピューターベースのルールに基づいた作業を行うことです。ベトナムは安価な人件費を提供し、労働力の習熟度が高いため、大量生産に適しています。また、日本との文化的類似性や日本語の理解により、コミュニケーションがスムーズに行われます。これらの要素により、ベトナムはBPOにおける優れた選択肢となっています。

ベトナムのBPOのマネジメントと技術力はこなれてきている

BPOプロジェクトにおいては、マネジメントと技術力の確保が重要です。ベトナムはこれらの点においても成熟しています。効率的なプロジェクトマネジメントを行うことで、タグ付けやデータ整理などの作業が円滑に進行します。また、BPOにおいて必要なコンピューター作業に対するリテラシーも高く、新しい技術分野にも積極的に対応しています。ベトナムの成長に伴い、BPOの品質と効率は更なる向上が期待されます。

BPOにおけるコミュニケーターの重要性

BPOのプロジェクトには、ルールやマニュアルを作成する段階でコミュニケーターが重要な役割を果たします。ルールの策定には様々な要素が考慮される必要があり、ベトナム側からのフィードバックも重要です。コミュニケーターは日本とベトナムの文化や言語の違いを理解し、円滑なコミュニケーションを図ることで、プロジェクトの成果物の品質向上に寄与します。

AIでのコスト優位性の確保のための戦略的投資

AI技術の製品化において、BPO部分のコストダウンが重要な課題となります。ベトナムに安定したAIのためのBPO作業をオフショアにすることで、コストセンターの効率化を図ることができます。将来的にAI技術はますます製品化が進み、BPOの需要も増加することが予想されます。そうした中で、ベトナムのアドバンテージを活かした戦略的な投資により、ソフトウェア開発企業のマネージャは競争力を強化し、成功につなげることができるでしょう。

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。