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

相場の不在

開発の相場観

相場とは、一般的に市場で競争売買によって決まる商品の価格とされているが、ことシステム開発においては、相場というものが存在しない。

比較の難しさ

比較できる同じものであれば競争原理が働き相場が構築されるが、フルスクラッチされるシステム開発においては全く同じものができることはない。しかも、出来上がるものはパッケージシステムやSaaSの利用以外は、未来にしか完成しないので当然比較もできないものとなる。

将来要件判断

比較的ないからこそ、しっかりと吟味する必要があるが、吟味する材料や条件などは現時点で明確になるものが元となる。未来に発生する追加条件や変更される環境などはジャッジする時点にはすべて出そろわないという難しさがある。

変化への対応

システム開発は未来にどのような条件変更やルール変更が行われるかわからないものであるという認識を持つことが大切である。その上で最善のジャッジを行うべきである。その判断は過去を遡って正解か間違いかを評価すべきではない。

まとめ

日本では原点方式の人事評価が行われるため、イノベーションは起こりにくい本質的な問題がある。これを無視して「DXだ」といっている組織があるとすれば、それは本質を見誤っているといえる。

続きを見る >
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 >