IT×AIで企業の
未来を創造する

「AIは、それらしい答えは返してくれる。でも、仕事の判断まで任せるのはちょっと怖い」AIエージェントの活用を考えている企業では、そんな声をよく聞きます。 一方、個人向けAIの世界では、状況が大きく変わり始めています。 2026年9月、Metaは米国とカナダで個人向けAIエージェント「Muse」の提供を開始しました。メールの送信、旅行の予約、買い物、料金交渉など、これまで人が行っていた作業をAIが代わりに進めてくれます。 では、なぜ個人の生活ではAIが動き始めているのに、会社の中では「判断を任せる」ところまで進まないのでしょうか？ 私たちは、その理由の一つが「AIが参照できる知識」にあると考えています。

E-Business

昨日のGoogleトレンドの急上昇ワードに「楽天モバイル ローミング終了」が入っていました。

E-Business

この連載では、基幹システムの中に残っている業務知識を、一つひとつ読み解き、AIが使える形に整え、育てていく方法を書いてきました。 Vol.01 では、「業務知識がどこにあるのか」。 Vol.02 では、「どう読み解き、どう更新し続けるのか」。最終回では、その知識を整理すると何が変わるのか、そして最後に「その資産は誰のものか」を考えます。 基幹システムの刷新、社内AIの活用、ベンダー選定。それらに関わる方の判断材料になればと思います。

E-Business

既存システムに残っている業務知識を知ろうとしても、コードを読むだけでは十分ではありません。コードから分かるのは、システムが実際にどんな処理をしているかです。なぜその処理が必要なのか、現場でどのように使われているのかまでは、コードだけでは分からないことがあります。 そこで、運用ログや設計書、手順書も合わせて見ます。書かれていることと実際の動きが合っているかを確かめ、食い違いがあれば、その理由を調べます。 もう一つ大切なのは、一度整理した知識も、業務が変われば古くなるということです。最初にどれだけ丁寧につくるかだけでなく、その後も更新できる仕組みが必要になります。 前回は、AIの進歩によって、これまで人手では割に合わなかった作業が現実的になりつつあること、そして知識は一度つくって終わりではないことを書きました。今回は、この二つの中身を順に見ていきます。

E-Business

企業の競争力を支える業務知識は、文書・人・コードの中に分散し、見えないまま失われつつあります。そして、知識は「存在する」だけでは使えず、AI時代には人とAIの双方が読める形で構造化されていることが重要です。 そのために、埋もれた業務知識を取り戻し、オントロジーとして「育て続けられる資産」に変えていく必要があります。

E-Business

AI FinOpsについて、Vol.01では、AIのコストが設計判断から生まれることを書きました。Vol.02では、モデル選択、人の介入、並列度、知識基盤という四つの設計を見ました。

E-Business

AIのコストは、モデルの価格だけで決まるものではありません。 モデルの使い分け、人が判断するポイント、Agentの並列化、知識基盤への投資。 品質を落とさず、AIを経済的に使い続けるための「4つの設計」を考えます。

E-Business

AIを開発の現場で使い続けるために、今考えるべきこと

E-Business

AI-Agent（以下、Agent）が要件定義のたたき台をつくり、コードを書き、テストまで回す。人が直接手を動かす仕事が減るにつれ、「プロジェクトマネジメントも必要なくなるのではないか」という見方が出てきた。だが、私たちは逆だと考えている。AI駆動開発の時代には、PMの重要性はむしろ高まる。ただし、従来のやり方をそのまま続ければよいわけではない。管理する対象、関係者、タスクの分け方、QCD＋Rの評価軸、プロジェクトの進め方、そしてPMに必要な力まで、Agentがチームに加わった現実に合わせて見直す必要がある。

E-Business

AI駆動開発の進展によって、SIerが提供するものも、担う役務も大きく変わり始めている。では、顧客はこれから何を基準にSIerを選べばよいのか。本稿では、その問いに対する答えとして、「蓄積」「運用」「保証」の三つの観点から、新しい選定基準を整理し、AI時代に選ばれるSIerの条件を考察した。

E-Business

AIがコードを書く時代、SIerはどの仕事で収益を生み出していくのでしょうか。開発生産性が向上する一方で、人月型ビジネスの前提は大きく揺らぎ始めています。本稿では、「判断品質」「責任設計」「業務設計」という3つの視点から、AI時代に求められるSIerの新しい役割と継続的な価値について考察します。

E-Business

開発の各工程にAIを組み込む――いわゆるAI駆動開発が、現場に急速に広がっている。だがこの変化は、単に「コードを書くのが速くなった」というだけの話ではない。 生成AIとAI Agent（以下、Agent）が日々の開発に定着し始めた瞬間から、SI契約を成り立たせてきた前提ーー何を作り、どう作り、誰がどこまで担い、どんな品質を保証し、いくらで売るのか――それらが、いま問い直されている。本稿では、この変化の正体を明らかにしたうえで、SI契約をどこから組み直していくべきかを考える。

E-Business

AI活用の競争力は、生成能力そのものよりも、それを継続的・安定的・説明可能な形で機能させる「運用設計」へと重心を移している。本稿では、AI支援開発の延長線上にある現状から、人・AIエージェント・成果物・協働プロセスを一体で扱う「組織運用型AI駆動開発」へと進む道筋を整理する。

E-Business

下流工程のAI活用が進むほど、開発・テストの工数やコストは削減され、開発全体における重心は上流へ移っていく。これから重要になるのは、要件整理や影響範囲分析といった従来の上流工程だけではない。暗黙知の形式知化をはじめとする知識整備や、人とAIの協働設計まで含めた、より広い意味での上流整備だ。 AIが最初に変えたのは、導入しやすい下流工程の効率だった。設計・実装・テストの工数が削減されるにつれ、開発全体のボトルネックはおのずと上流へ移っていく。いま問われているのは、上流の精度と、AI駆動開発を成立させるための前提整備の質だ。 要点は3つある。

E-Business

マルチモーダルAIは、画像・音声・文章など複数の情報を統合して理解・判断する技術であり、製造・建設・医療・物流などのDXを加速させ、人とAIの協働による高度な業務自動化を実現する。

E-Business

目標駆動型AIエージェントは、自ら計画・実行・改善を繰り返しながら目標達成を支援する次世代AIであり、業務自動化と意思決定支援を通じて企業DXを加速する。

E-Business

協働型AIは、人間の知識・判断・創造性を拡張し、相互理解と役割分担を通じて共に価値を創出することで、人とAIが協働する次世代の知的業務モデルを実現する。

E-Business

生成AIの実用化が進む中、従来の静的ベンチマークでは測れない対話品質やユーザー体験を評価する手法として、User Simulationが注目を集めている。

E-Business

「AIは、それらしい答えは返してくれる。でも、仕事の判断まで任せるのはちょっと怖い」AIエージェントの活用を考えている企業では、そんな声をよく聞きます。 一方、個人向けAIの世界では、状況が大きく変わり始めています。 2026年9月、Metaは米国とカナダで個人向けAIエージェント「Muse」の提供を開始しました。メールの送信、旅行の予約、買い物、料金交渉など、これまで人が行っていた作業をAIが代わりに進めてくれます。 では、なぜ個人の生活ではAIが動き始めているのに、会社の中では「判断を任せる」ところまで進まないのでしょうか？ 私たちは、その理由の一つが「AIが参照できる知識」にあると考えています。

E-Business

昨日のGoogleトレンドの急上昇ワードに「楽天モバイル ローミング終了」が入っていました。

E-Business

この連載では、基幹システムの中に残っている業務知識を、一つひとつ読み解き、AIが使える形に整え、育てていく方法を書いてきました。 Vol.01 では、「業務知識がどこにあるのか」。 Vol.02 では、「どう読み解き、どう更新し続けるのか」。最終回では、その知識を整理すると何が変わるのか、そして最後に「その資産は誰のものか」を考えます。 基幹システムの刷新、社内AIの活用、ベンダー選定。それらに関わる方の判断材料になればと思います。

E-Business

既存システムに残っている業務知識を知ろうとしても、コードを読むだけでは十分ではありません。コードから分かるのは、システムが実際にどんな処理をしているかです。なぜその処理が必要なのか、現場でどのように使われているのかまでは、コードだけでは分からないことがあります。 そこで、運用ログや設計書、手順書も合わせて見ます。書かれていることと実際の動きが合っているかを確かめ、食い違いがあれば、その理由を調べます。 もう一つ大切なのは、一度整理した知識も、業務が変われば古くなるということです。最初にどれだけ丁寧につくるかだけでなく、その後も更新できる仕組みが必要になります。 前回は、AIの進歩によって、これまで人手では割に合わなかった作業が現実的になりつつあること、そして知識は一度つくって終わりではないことを書きました。今回は、この二つの中身を順に見ていきます。

E-Business

企業の競争力を支える業務知識は、文書・人・コードの中に分散し、見えないまま失われつつあります。そして、知識は「存在する」だけでは使えず、AI時代には人とAIの双方が読める形で構造化されていることが重要です。 そのために、埋もれた業務知識を取り戻し、オントロジーとして「育て続けられる資産」に変えていく必要があります。

E-Business

AI FinOpsについて、Vol.01では、AIのコストが設計判断から生まれることを書きました。Vol.02では、モデル選択、人の介入、並列度、知識基盤という四つの設計を見ました。

E-Business

AIのコストは、モデルの価格だけで決まるものではありません。 モデルの使い分け、人が判断するポイント、Agentの並列化、知識基盤への投資。 品質を落とさず、AIを経済的に使い続けるための「4つの設計」を考えます。

E-Business

AIを開発の現場で使い続けるために、今考えるべきこと

E-Business

AI-Agent（以下、Agent）が要件定義のたたき台をつくり、コードを書き、テストまで回す。人が直接手を動かす仕事が減るにつれ、「プロジェクトマネジメントも必要なくなるのではないか」という見方が出てきた。だが、私たちは逆だと考えている。AI駆動開発の時代には、PMの重要性はむしろ高まる。ただし、従来のやり方をそのまま続ければよいわけではない。管理する対象、関係者、タスクの分け方、QCD＋Rの評価軸、プロジェクトの進め方、そしてPMに必要な力まで、Agentがチームに加わった現実に合わせて見直す必要がある。

E-Business

AI駆動開発の進展によって、SIerが提供するものも、担う役務も大きく変わり始めている。では、顧客はこれから何を基準にSIerを選べばよいのか。本稿では、その問いに対する答えとして、「蓄積」「運用」「保証」の三つの観点から、新しい選定基準を整理し、AI時代に選ばれるSIerの条件を考察した。

E-Business

AIがコードを書く時代、SIerはどの仕事で収益を生み出していくのでしょうか。開発生産性が向上する一方で、人月型ビジネスの前提は大きく揺らぎ始めています。本稿では、「判断品質」「責任設計」「業務設計」という3つの視点から、AI時代に求められるSIerの新しい役割と継続的な価値について考察します。

E-Business

開発の各工程にAIを組み込む――いわゆるAI駆動開発が、現場に急速に広がっている。だがこの変化は、単に「コードを書くのが速くなった」というだけの話ではない。 生成AIとAI Agent（以下、Agent）が日々の開発に定着し始めた瞬間から、SI契約を成り立たせてきた前提ーー何を作り、どう作り、誰がどこまで担い、どんな品質を保証し、いくらで売るのか――それらが、いま問い直されている。本稿では、この変化の正体を明らかにしたうえで、SI契約をどこから組み直していくべきかを考える。

E-Business

AI活用の競争力は、生成能力そのものよりも、それを継続的・安定的・説明可能な形で機能させる「運用設計」へと重心を移している。本稿では、AI支援開発の延長線上にある現状から、人・AIエージェント・成果物・協働プロセスを一体で扱う「組織運用型AI駆動開発」へと進む道筋を整理する。

E-Business

下流工程のAI活用が進むほど、開発・テストの工数やコストは削減され、開発全体における重心は上流へ移っていく。これから重要になるのは、要件整理や影響範囲分析といった従来の上流工程だけではない。暗黙知の形式知化をはじめとする知識整備や、人とAIの協働設計まで含めた、より広い意味での上流整備だ。 AIが最初に変えたのは、導入しやすい下流工程の効率だった。設計・実装・テストの工数が削減されるにつれ、開発全体のボトルネックはおのずと上流へ移っていく。いま問われているのは、上流の精度と、AI駆動開発を成立させるための前提整備の質だ。 要点は3つある。

E-Business

マルチモーダルAIは、画像・音声・文章など複数の情報を統合して理解・判断する技術であり、製造・建設・医療・物流などのDXを加速させ、人とAIの協働による高度な業務自動化を実現する。

E-Business

目標駆動型AIエージェントは、自ら計画・実行・改善を繰り返しながら目標達成を支援する次世代AIであり、業務自動化と意思決定支援を通じて企業DXを加速する。

E-Business

協働型AIは、人間の知識・判断・創造性を拡張し、相互理解と役割分担を通じて共に価値を創出することで、人とAIが協働する次世代の知的業務モデルを実現する。

E-Business

生成AIの実用化が進む中、従来の静的ベンチマークでは測れない対話品質やユーザー体験を評価する手法として、User Simulationが注目を集めている。

E-Business

「AIは、それらしい答えは返してくれる。でも、仕事の判断まで任せるのはちょっと怖い」AIエージェントの活用を考えている企業では、そんな声をよく聞きます。 一方、個人向けAIの世界では、状況が大きく変わり始めています。 2026年9月、Metaは米国とカナダで個人向けAIエージェント「Muse」の提供を開始しました。メールの送信、旅行の予約、買い物、料金交渉など、これまで人が行っていた作業をAIが代わりに進めてくれます。 では、なぜ個人の生活ではAIが動き始めているのに、会社の中では「判断を任せる」ところまで進まないのでしょうか？ 私たちは、その理由の一つが「AIが参照できる知識」にあると考えています。

E-Business

昨日のGoogleトレンドの急上昇ワードに「楽天モバイル ローミング終了」が入っていました。

E-Business

この連載では、基幹システムの中に残っている業務知識を、一つひとつ読み解き、AIが使える形に整え、育てていく方法を書いてきました。 Vol.01 では、「業務知識がどこにあるのか」。 Vol.02 では、「どう読み解き、どう更新し続けるのか」。最終回では、その知識を整理すると何が変わるのか、そして最後に「その資産は誰のものか」を考えます。 基幹システムの刷新、社内AIの活用、ベンダー選定。それらに関わる方の判断材料になればと思います。

E-Business

既存システムに残っている業務知識を知ろうとしても、コードを読むだけでは十分ではありません。コードから分かるのは、システムが実際にどんな処理をしているかです。なぜその処理が必要なのか、現場でどのように使われているのかまでは、コードだけでは分からないことがあります。 そこで、運用ログや設計書、手順書も合わせて見ます。書かれていることと実際の動きが合っているかを確かめ、食い違いがあれば、その理由を調べます。 もう一つ大切なのは、一度整理した知識も、業務が変われば古くなるということです。最初にどれだけ丁寧につくるかだけでなく、その後も更新できる仕組みが必要になります。 前回は、AIの進歩によって、これまで人手では割に合わなかった作業が現実的になりつつあること、そして知識は一度つくって終わりではないことを書きました。今回は、この二つの中身を順に見ていきます。

E-Business

企業の競争力を支える業務知識は、文書・人・コードの中に分散し、見えないまま失われつつあります。そして、知識は「存在する」だけでは使えず、AI時代には人とAIの双方が読める形で構造化されていることが重要です。 そのために、埋もれた業務知識を取り戻し、オントロジーとして「育て続けられる資産」に変えていく必要があります。

E-Business

AI FinOpsについて、Vol.01では、AIのコストが設計判断から生まれることを書きました。Vol.02では、モデル選択、人の介入、並列度、知識基盤という四つの設計を見ました。

E-Business

AIのコストは、モデルの価格だけで決まるものではありません。 モデルの使い分け、人が判断するポイント、Agentの並列化、知識基盤への投資。 品質を落とさず、AIを経済的に使い続けるための「4つの設計」を考えます。

E-Business

AIを開発の現場で使い続けるために、今考えるべきこと

E-Business

AI-Agent（以下、Agent）が要件定義のたたき台をつくり、コードを書き、テストまで回す。人が直接手を動かす仕事が減るにつれ、「プロジェクトマネジメントも必要なくなるのではないか」という見方が出てきた。だが、私たちは逆だと考えている。AI駆動開発の時代には、PMの重要性はむしろ高まる。ただし、従来のやり方をそのまま続ければよいわけではない。管理する対象、関係者、タスクの分け方、QCD＋Rの評価軸、プロジェクトの進め方、そしてPMに必要な力まで、Agentがチームに加わった現実に合わせて見直す必要がある。

E-Business

AI駆動開発の進展によって、SIerが提供するものも、担う役務も大きく変わり始めている。では、顧客はこれから何を基準にSIerを選べばよいのか。本稿では、その問いに対する答えとして、「蓄積」「運用」「保証」の三つの観点から、新しい選定基準を整理し、AI時代に選ばれるSIerの条件を考察した。

E-Business

AIがコードを書く時代、SIerはどの仕事で収益を生み出していくのでしょうか。開発生産性が向上する一方で、人月型ビジネスの前提は大きく揺らぎ始めています。本稿では、「判断品質」「責任設計」「業務設計」という3つの視点から、AI時代に求められるSIerの新しい役割と継続的な価値について考察します。

E-Business

開発の各工程にAIを組み込む――いわゆるAI駆動開発が、現場に急速に広がっている。だがこの変化は、単に「コードを書くのが速くなった」というだけの話ではない。 生成AIとAI Agent（以下、Agent）が日々の開発に定着し始めた瞬間から、SI契約を成り立たせてきた前提ーー何を作り、どう作り、誰がどこまで担い、どんな品質を保証し、いくらで売るのか――それらが、いま問い直されている。本稿では、この変化の正体を明らかにしたうえで、SI契約をどこから組み直していくべきかを考える。

E-Business

AI活用の競争力は、生成能力そのものよりも、それを継続的・安定的・説明可能な形で機能させる「運用設計」へと重心を移している。本稿では、AI支援開発の延長線上にある現状から、人・AIエージェント・成果物・協働プロセスを一体で扱う「組織運用型AI駆動開発」へと進む道筋を整理する。

E-Business

下流工程のAI活用が進むほど、開発・テストの工数やコストは削減され、開発全体における重心は上流へ移っていく。これから重要になるのは、要件整理や影響範囲分析といった従来の上流工程だけではない。暗黙知の形式知化をはじめとする知識整備や、人とAIの協働設計まで含めた、より広い意味での上流整備だ。 AIが最初に変えたのは、導入しやすい下流工程の効率だった。設計・実装・テストの工数が削減されるにつれ、開発全体のボトルネックはおのずと上流へ移っていく。いま問われているのは、上流の精度と、AI駆動開発を成立させるための前提整備の質だ。 要点は3つある。

E-Business

マルチモーダルAIは、画像・音声・文章など複数の情報を統合して理解・判断する技術であり、製造・建設・医療・物流などのDXを加速させ、人とAIの協働による高度な業務自動化を実現する。

E-Business

目標駆動型AIエージェントは、自ら計画・実行・改善を繰り返しながら目標達成を支援する次世代AIであり、業務自動化と意思決定支援を通じて企業DXを加速する。

E-Business

協働型AIは、人間の知識・判断・創造性を拡張し、相互理解と役割分担を通じて共に価値を創出することで、人とAIが協働する次世代の知的業務モデルを実現する。

E-Business

生成AIの実用化が進む中、従来の静的ベンチマークでは測れない対話品質やユーザー体験を評価する手法として、User Simulationが注目を集めている。

E-Business

「AIは、それらしい答えは返してくれる。でも、仕事の判断まで任せるのはちょっと怖い」AIエージェントの活用を考えている企業では、そんな声をよく聞きます。 一方、個人向けAIの世界では、状況が大きく変わり始めています。 2026年9月、Metaは米国とカナダで個人向けAIエージェント「Muse」の提供を開始しました。メールの送信、旅行の予約、買い物、料金交渉など、これまで人が行っていた作業をAIが代わりに進めてくれます。 では、なぜ個人の生活ではAIが動き始めているのに、会社の中では「判断を任せる」ところまで進まないのでしょうか？ 私たちは、その理由の一つが「AIが参照できる知識」にあると考えています。

E-Business

昨日のGoogleトレンドの急上昇ワードに「楽天モバイル ローミング終了」が入っていました。

E-Business

この連載では、基幹システムの中に残っている業務知識を、一つひとつ読み解き、AIが使える形に整え、育てていく方法を書いてきました。 Vol.01 では、「業務知識がどこにあるのか」。 Vol.02 では、「どう読み解き、どう更新し続けるのか」。最終回では、その知識を整理すると何が変わるのか、そして最後に「その資産は誰のものか」を考えます。 基幹システムの刷新、社内AIの活用、ベンダー選定。それらに関わる方の判断材料になればと思います。

E-Business

既存システムに残っている業務知識を知ろうとしても、コードを読むだけでは十分ではありません。コードから分かるのは、システムが実際にどんな処理をしているかです。なぜその処理が必要なのか、現場でどのように使われているのかまでは、コードだけでは分からないことがあります。 そこで、運用ログや設計書、手順書も合わせて見ます。書かれていることと実際の動きが合っているかを確かめ、食い違いがあれば、その理由を調べます。 もう一つ大切なのは、一度整理した知識も、業務が変われば古くなるということです。最初にどれだけ丁寧につくるかだけでなく、その後も更新できる仕組みが必要になります。 前回は、AIの進歩によって、これまで人手では割に合わなかった作業が現実的になりつつあること、そして知識は一度つくって終わりではないことを書きました。今回は、この二つの中身を順に見ていきます。

E-Business

企業の競争力を支える業務知識は、文書・人・コードの中に分散し、見えないまま失われつつあります。そして、知識は「存在する」だけでは使えず、AI時代には人とAIの双方が読める形で構造化されていることが重要です。 そのために、埋もれた業務知識を取り戻し、オントロジーとして「育て続けられる資産」に変えていく必要があります。

E-Business

AI FinOpsについて、Vol.01では、AIのコストが設計判断から生まれることを書きました。Vol.02では、モデル選択、人の介入、並列度、知識基盤という四つの設計を見ました。

E-Business

AIのコストは、モデルの価格だけで決まるものではありません。 モデルの使い分け、人が判断するポイント、Agentの並列化、知識基盤への投資。 品質を落とさず、AIを経済的に使い続けるための「4つの設計」を考えます。

E-Business

AIを開発の現場で使い続けるために、今考えるべきこと

E-Business

AI-Agent（以下、Agent）が要件定義のたたき台をつくり、コードを書き、テストまで回す。人が直接手を動かす仕事が減るにつれ、「プロジェクトマネジメントも必要なくなるのではないか」という見方が出てきた。だが、私たちは逆だと考えている。AI駆動開発の時代には、PMの重要性はむしろ高まる。ただし、従来のやり方をそのまま続ければよいわけではない。管理する対象、関係者、タスクの分け方、QCD＋Rの評価軸、プロジェクトの進め方、そしてPMに必要な力まで、Agentがチームに加わった現実に合わせて見直す必要がある。

E-Business

AI駆動開発の進展によって、SIerが提供するものも、担う役務も大きく変わり始めている。では、顧客はこれから何を基準にSIerを選べばよいのか。本稿では、その問いに対する答えとして、「蓄積」「運用」「保証」の三つの観点から、新しい選定基準を整理し、AI時代に選ばれるSIerの条件を考察した。

E-Business

AIがコードを書く時代、SIerはどの仕事で収益を生み出していくのでしょうか。開発生産性が向上する一方で、人月型ビジネスの前提は大きく揺らぎ始めています。本稿では、「判断品質」「責任設計」「業務設計」という3つの視点から、AI時代に求められるSIerの新しい役割と継続的な価値について考察します。

E-Business

開発の各工程にAIを組み込む――いわゆるAI駆動開発が、現場に急速に広がっている。だがこの変化は、単に「コードを書くのが速くなった」というだけの話ではない。 生成AIとAI Agent（以下、Agent）が日々の開発に定着し始めた瞬間から、SI契約を成り立たせてきた前提ーー何を作り、どう作り、誰がどこまで担い、どんな品質を保証し、いくらで売るのか――それらが、いま問い直されている。本稿では、この変化の正体を明らかにしたうえで、SI契約をどこから組み直していくべきかを考える。

E-Business

AI活用の競争力は、生成能力そのものよりも、それを継続的・安定的・説明可能な形で機能させる「運用設計」へと重心を移している。本稿では、AI支援開発の延長線上にある現状から、人・AIエージェント・成果物・協働プロセスを一体で扱う「組織運用型AI駆動開発」へと進む道筋を整理する。

E-Business

下流工程のAI活用が進むほど、開発・テストの工数やコストは削減され、開発全体における重心は上流へ移っていく。これから重要になるのは、要件整理や影響範囲分析といった従来の上流工程だけではない。暗黙知の形式知化をはじめとする知識整備や、人とAIの協働設計まで含めた、より広い意味での上流整備だ。 AIが最初に変えたのは、導入しやすい下流工程の効率だった。設計・実装・テストの工数が削減されるにつれ、開発全体のボトルネックはおのずと上流へ移っていく。いま問われているのは、上流の精度と、AI駆動開発を成立させるための前提整備の質だ。 要点は3つある。

E-Business

マルチモーダルAIは、画像・音声・文章など複数の情報を統合して理解・判断する技術であり、製造・建設・医療・物流などのDXを加速させ、人とAIの協働による高度な業務自動化を実現する。

E-Business

目標駆動型AIエージェントは、自ら計画・実行・改善を繰り返しながら目標達成を支援する次世代AIであり、業務自動化と意思決定支援を通じて企業DXを加速する。

E-Business

協働型AIは、人間の知識・判断・創造性を拡張し、相互理解と役割分担を通じて共に価値を創出することで、人とAIが協働する次世代の知的業務モデルを実現する。

E-Business

生成AIの実用化が進む中、従来の静的ベンチマークでは測れない対話品質やユーザー体験を評価する手法として、User Simulationが注目を集めている。

E-Business

「AIは、それらしい答えは返してくれる。でも、仕事の判断まで任せるのはちょっと怖い」AIエージェントの活用を考えている企業では、そんな声をよく聞きます。 一方、個人向けAIの世界では、状況が大きく変わり始めています。 2026年9月、Metaは米国とカナダで個人向けAIエージェント「Muse」の提供を開始しました。メールの送信、旅行の予約、買い物、料金交渉など、これまで人が行っていた作業をAIが代わりに進めてくれます。 では、なぜ個人の生活ではAIが動き始めているのに、会社の中では「判断を任せる」ところまで進まないのでしょうか？ 私たちは、その理由の一つが「AIが参照できる知識」にあると考えています。

E-Business

昨日のGoogleトレンドの急上昇ワードに「楽天モバイル ローミング終了」が入っていました。

E-Business

この連載では、基幹システムの中に残っている業務知識を、一つひとつ読み解き、AIが使える形に整え、育てていく方法を書いてきました。 Vol.01 では、「業務知識がどこにあるのか」。 Vol.02 では、「どう読み解き、どう更新し続けるのか」。最終回では、その知識を整理すると何が変わるのか、そして最後に「その資産は誰のものか」を考えます。 基幹システムの刷新、社内AIの活用、ベンダー選定。それらに関わる方の判断材料になればと思います。

E-Business

既存システムに残っている業務知識を知ろうとしても、コードを読むだけでは十分ではありません。コードから分かるのは、システムが実際にどんな処理をしているかです。なぜその処理が必要なのか、現場でどのように使われているのかまでは、コードだけでは分からないことがあります。 そこで、運用ログや設計書、手順書も合わせて見ます。書かれていることと実際の動きが合っているかを確かめ、食い違いがあれば、その理由を調べます。 もう一つ大切なのは、一度整理した知識も、業務が変われば古くなるということです。最初にどれだけ丁寧につくるかだけでなく、その後も更新できる仕組みが必要になります。 前回は、AIの進歩によって、これまで人手では割に合わなかった作業が現実的になりつつあること、そして知識は一度つくって終わりではないことを書きました。今回は、この二つの中身を順に見ていきます。

E-Business

企業の競争力を支える業務知識は、文書・人・コードの中に分散し、見えないまま失われつつあります。そして、知識は「存在する」だけでは使えず、AI時代には人とAIの双方が読める形で構造化されていることが重要です。 そのために、埋もれた業務知識を取り戻し、オントロジーとして「育て続けられる資産」に変えていく必要があります。

E-Business

AI FinOpsについて、Vol.01では、AIのコストが設計判断から生まれることを書きました。Vol.02では、モデル選択、人の介入、並列度、知識基盤という四つの設計を見ました。

E-Business

AIのコストは、モデルの価格だけで決まるものではありません。 モデルの使い分け、人が判断するポイント、Agentの並列化、知識基盤への投資。 品質を落とさず、AIを経済的に使い続けるための「4つの設計」を考えます。

E-Business

AIを開発の現場で使い続けるために、今考えるべきこと

E-Business

AI-Agent（以下、Agent）が要件定義のたたき台をつくり、コードを書き、テストまで回す。人が直接手を動かす仕事が減るにつれ、「プロジェクトマネジメントも必要なくなるのではないか」という見方が出てきた。だが、私たちは逆だと考えている。AI駆動開発の時代には、PMの重要性はむしろ高まる。ただし、従来のやり方をそのまま続ければよいわけではない。管理する対象、関係者、タスクの分け方、QCD＋Rの評価軸、プロジェクトの進め方、そしてPMに必要な力まで、Agentがチームに加わった現実に合わせて見直す必要がある。

E-Business

AI駆動開発の進展によって、SIerが提供するものも、担う役務も大きく変わり始めている。では、顧客はこれから何を基準にSIerを選べばよいのか。本稿では、その問いに対する答えとして、「蓄積」「運用」「保証」の三つの観点から、新しい選定基準を整理し、AI時代に選ばれるSIerの条件を考察した。

E-Business

AIがコードを書く時代、SIerはどの仕事で収益を生み出していくのでしょうか。開発生産性が向上する一方で、人月型ビジネスの前提は大きく揺らぎ始めています。本稿では、「判断品質」「責任設計」「業務設計」という3つの視点から、AI時代に求められるSIerの新しい役割と継続的な価値について考察します。

E-Business

開発の各工程にAIを組み込む――いわゆるAI駆動開発が、現場に急速に広がっている。だがこの変化は、単に「コードを書くのが速くなった」というだけの話ではない。 生成AIとAI Agent（以下、Agent）が日々の開発に定着し始めた瞬間から、SI契約を成り立たせてきた前提ーー何を作り、どう作り、誰がどこまで担い、どんな品質を保証し、いくらで売るのか――それらが、いま問い直されている。本稿では、この変化の正体を明らかにしたうえで、SI契約をどこから組み直していくべきかを考える。

E-Business

AI活用の競争力は、生成能力そのものよりも、それを継続的・安定的・説明可能な形で機能させる「運用設計」へと重心を移している。本稿では、AI支援開発の延長線上にある現状から、人・AIエージェント・成果物・協働プロセスを一体で扱う「組織運用型AI駆動開発」へと進む道筋を整理する。

E-Business

下流工程のAI活用が進むほど、開発・テストの工数やコストは削減され、開発全体における重心は上流へ移っていく。これから重要になるのは、要件整理や影響範囲分析といった従来の上流工程だけではない。暗黙知の形式知化をはじめとする知識整備や、人とAIの協働設計まで含めた、より広い意味での上流整備だ。 AIが最初に変えたのは、導入しやすい下流工程の効率だった。設計・実装・テストの工数が削減されるにつれ、開発全体のボトルネックはおのずと上流へ移っていく。いま問われているのは、上流の精度と、AI駆動開発を成立させるための前提整備の質だ。 要点は3つある。

E-Business

マルチモーダルAIは、画像・音声・文章など複数の情報を統合して理解・判断する技術であり、製造・建設・医療・物流などのDXを加速させ、人とAIの協働による高度な業務自動化を実現する。

E-Business

目標駆動型AIエージェントは、自ら計画・実行・改善を繰り返しながら目標達成を支援する次世代AIであり、業務自動化と意思決定支援を通じて企業DXを加速する。

E-Business

協働型AIは、人間の知識・判断・創造性を拡張し、相互理解と役割分担を通じて共に価値を創出することで、人とAIが協働する次世代の知的業務モデルを実現する。

E-Business

生成AIの実用化が進む中、従来の静的ベンチマークでは測れない対話品質やユーザー体験を評価する手法として、User Simulationが注目を集めている。

E-Business