思考と決断のPM力

デジタル化は効率化を保証しない

デジタル化と聞くと、多くの人が効率化を期待する。しかし、たとえばFAXで受け取った紙の受注をOCR（文字認識）でデジタルデータ化し、データベースに保存しても、それは単なるデジタル化に過ぎない。デジタル化を行うだけでは本質的な効率向上は望めず、業務フローの見直しがなければ効果は限定的だ。

非効率なフローをそのままデジタル化するリスク

最も大きな問題は、業務フローを見直さずにデジタル化を行うことだ。従来の手作業のフローをそのままデジタル化すれば、かえって作業が煩雑化し、時間がかかることもある。特にITに疎い権限者が意思決定を行う場合、このような失敗はよく見られる。「デジタル化＝効率化」と誤解し、実際には逆効果となるケースも少なくない。

俯瞰できないシステム担当者の問題

システム担当者やシステム会社が、俯瞰的な視点を持たない場合も問題だ。業務フローを把握せず、指示通りにデジタル化を進めれば、非効率なシステムが出来上がる。ユーザー部門は「IT化で逆に効率が悪くなった」と感じ、最悪の場合、システムが欠陥品だと誤解されることもある。業務の流れを把握し、適切にデジタル化を進めることが必要だ。

生成AI導入の失敗例

生成AIの導入に関する相談も増えているが、その多くは「期待通りに動かない」という内容だ。その原因は、多くの場合、AIが本来必要ない箇所に導入されていることだ。たとえば、ただのデータ管理であれば、生成AIではなくRDB（リレーショナルデータベース）のほうが合理的だ。効率を上げるには、AIの利用が本当に適切かを見極める判断力が必要だ。

まとめ

「ITが分からないから任せる」という姿勢はリスクが高い。ITを知らない人がIT化を進めるのは、決算書を読めないのに経営をするのと同じだ。業務フローを理解し、技術を正しく活用するには横断的な視点と経験が不可欠だ。

DX推進とAIツール活用

2025年現在、DX推進において生成AIツールの活用は避けて通れないテーマとなっている。調査によれば国内ソフトウェア開発におけるAIコード生成の利用率は49％に達し、資料作成においても従来の60％以上の時間短縮が報告されている。しかし現場では「どのツールを選べばよいかわからない」「導入したものの活用が進まない」という声も多い。本記事では、デザイン・ドキュメント作成・コーディング・業務自動化の4分野において、DX担当者が即活用できる実践的なツールを具体的に紹介する。

デザイン・資料作成の効率化

デザイン・UI/UX分野では「Figma AI」と「Canva AI」が二大勢力として君臨している。Figma AIはプロトタイプ生成やレイヤー名の自動整理が可能で、Config2025で発表された「Figma Make」ではテキスト指示だけでコード生成まで実現する。Canvaは非デザイナー向けに画像編集・自動翻訳・音声生成を統合し、SNS投稿やプレゼン資料を短時間で仕上げられる点が強みである。資料作成分野では「Gamma」がテキスト入力のみでプロ級スライドを自動生成し、「Notion AI」は要約・文章生成・議事録作成をワンストップで対応する。Microsoft 365環境なら「Copilot」がWord・Excel・PowerPointと連携し、既存資産を活かした効率化が図れる。

コーディング支援AIの進化

コーディング・開発分野では「GitHub Copilot」が依然としてデファクトスタンダードの地位を維持している。VS CodeやJetBrains IDEとの深い統合によりコード補完・生成・テスト作成をシームレスに実行でき、NTTドコモやカカクコムなど大手企業での導入事例も増加中である。一方で2023年登場の「Cursor」はAIネイティブエディタとして進化を続け、2025年10月のバージョン2.0では専用モデル「Composer 1」とマルチエージェント実行機能を搭載した。プロジェクト全体を理解しながら複数ファイルを横断編集できる点が特徴である。さらにAnthropicの「Claude Code」はターミナル上で動作し、自然言語指示だけでコード生成からデバッグ・リファクタリングまで対応する。開発チームの規模や既存環境に応じた使い分けが重要となる。

業務自動化によるDX改革

業務自動化分野では「Microsoft Power Automate」がMicrosoft 365との統合度の高さで優位性を発揮している。2025年のアップデートではAIファーストの設計思想のもと、自然言語でフローを作成・編集できるCopilot機能が強化された。「Zapier」は7,000以上の外部サービスと連携可能で、異なるアプリ間のデータ転送を直感的なUIで自動化できる。エンタープライズ向けでは「UiPath」が世界的シェアを持ち、教育コンテンツとコミュニティが充実している点で社内人材育成にも適している。ただしツール導入においては、セキュリティポリシーの策定・情報漏洩対策・ライセンス管理が不可欠である。生成AIが業務データを扱う以上、社内ルールに沿った運用設計を先行させることが成功の分岐点となる。

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。