メインナビゲーション

AI ネイティブエンジニアリングの運営モデル

ソフトウェア制作のコストが下がるにつれ、より良い意思決定を行い、成果を安全に検証できる組織が優位に立つようになります。

経営層が押さえるべきポイント

  • AI によってソフトウェア制作のコストが下がる中、競争優位を実現するには、運営モデルの変革が必要です。AI アシスタントを導入するだけでなく、チームの働き方を再設計する組織のほうが、持続的な改善を実現しやすくなります。

  • AI ネイティブエンジニアリングには、相互に補完する 2 つの機能が必要です。一つは、顧客と課題に寄り添うアプリケーションチームです。もう一つは、人と AI エージェントが大規模かつ安全に活動するために必要な、共通のコンテキスト、ガードレール、評価、ガバナンスを提供するプラットフォームチーム、または「ハーネス」チームです。

  • 技術リーダーの役割は、ソフトウェアの提供能力の管理から、提供体制の設計へと移ります。リーダーは、アプリケーションチームが担う責任、共通化するコンテキストと制御、エージェントに人の承認が必要な場面、検証に基づく学習と顧客価値の測定方法という、4 つの判断を明確にすべきです。

実装能力を主な制約とした従来のモデル

現代のエンジニアリングの多くは、ソフトウェアの制作に高いコストがかかるという前提の下で発展してきました。組織設計の中心にあった問いは、「より多くのチームが、より多くのソフトウェアを、より予測可能な形で提供するにはどうすればよいか」でした。その前提が、チームの構成、プラットフォームへの投資、ソフトウェア提供の測定方法を形作ってきました。規模の拡大はしばしば増員を意味し、成功は通常、体制全体でどれだけの業務を処理できたかで表されていました。

AI は、その前提を変えます。私たちは、AI ネイティブエンジニアリングを、従来のエンジニアリングに高性能なツールを加えたものとは考えていません。必要なのは、顧客の課題に寄り添う小規模なアプリケーションチームを、プラットフォームチームや「ハーネス」チームが支える、新たな運営モデルです。ここでいう「ハーネス」とは、人とエージェントが AI を大規模かつ安全に利用するために必要な、コンテキスト、ツール、権限、フィードバックループ、活動範囲の制約を提供する、管理された実行環境を指します。

技術やデータのリーダーにとって、この点は重要です。個人の生産性を高めるだけでは、組織全体での安全な導入は実現できないからです。意図的に設計された運営モデルがなければ、ツールの分散、パターンの重複、責任の所在の曖昧さ、管理されないデータ露出、品質のばらつきといったリスクが生じます。

企業が自らに問うべきことは、「エンジニアの AI 活用をどう支援するか」から「人とエージェントが全社規模で安全に価値を創出できるよう、エンジニアリング体制をどう再設計すべきか」へと変える必要があります。

制作コストの低下に伴う意思決定の重要性の高まり

AI により、エンジニアはより多くのアイデアを探り、より素早く試作し、より多くの手法を試せるようになります。ただし、成果物の増加が、そのまま価値の増大につながるわけではありません。確かな判断力、適切なコンテキスト、効果的な評価がなければ、何を信頼し、デプロイし、学びに生かすべきかを判断するよりも速く、作業量ばかりが増えてしまう可能性があります。

AI は、コード生成や実験のコストを下げられます。ソフトウェアの総コストまで下がるかどうかは、レビュー、統合、運用、保守、手戻りに、どれだけの作業が引き続き必要かによって決まります。

私たちは、エンジニアリングの優位性を左右するものとして、次の 4 つの能力がますます重要になると考えています。

  • 何をどう構築し、その選択をどう記録するかを決める能力

  • 人と AI システムの活動を、適切な組織の知識に基づかせる能力

  • 共通のプラットフォーム、制御、評価を通じて、安全に規模を拡大する能力

  • 混乱を繰り返さずに、新しいツールやコンポーネントを取り込めるアーキテクチャの設計能力

その結果、希少な能力は、成果物を生み出す力から、成果物がもたらす価値を高める力へと移ります。取り組むべき仕事を選び、コンテキストに基づいて進め、機能するかを検証し、何をリリースすべきでないかを見極める力です。

実験のコストが下がるにつれ、意思決定の記録の価値も高まります。組織は、何を試し、何が失敗し、何を学び、なぜ別の道ではなくその道を選んだのかを把握する必要があります。

エンジニアリング体制は、提供速度だけでなく、迅速な検証、安全な反復改善、学びの記録にも最適化すべきです。これにより、エンジニアの役割も、その周囲のチームも変わります。

エンジニアが担うシステム全体の調整範囲の拡大

エンジニアにとって、これは開発から離れるというより、何を構築するかを形作り、評価し、全体を調整する方向への変化です。

AI がソフトウェアを生成しても、エンジニアが不要になるわけではありません。むしろ、システムの制約を理解し、インターフェースを定義し、評価を設計し、人とエージェントの作業を調整できる人材の重要性が高まります。深い技術力に加え、判断力、プロダクトへの理解、評価スキルを備えるエンジニアは、個々のコンポーネントの実装だけに集中する人より、多くの価値を生み出す場面が増えるでしょう。

AI によるプロダクトとエンジニアリングの学習ループの強化

従来は、プロダクトチームが何を構築するかを決め、エンジニアリングチームがその実現方法を考えていました。現在は、多くの組織がプロダクト、デザイン、エンジニアリングを一つのチームにまとめています。AI ならではの変化は、そのチームの内部で起こります。試作のコストが下がり、課題の定義から実装、評価まで、同じサイクルの中でアイデアを進められるようになります。チームは、より多くの選択肢を試し、見込みの薄いアイデアを早い段階で捨て、検証済みのアイデアを本番運用に向けてさらに進められます。

こうした環境では、プロダクト、デザイン、エンジニアリング、専門領域の担当者が一つの学習ループで動く、小規模な部門横断チームが力を発揮します。プロダクトと技術の判断を一つの役割に統合するわけではありませんが、両者の連携をより緊密にする必要があります。プロダクトリーダーには、試作し、選択肢を評価できるだけの技術的な理解が必要です。エンジニアには、決められた答えを実装するだけでなく、課題そのものを定義できるだけの、顧客や事業に関するコンテキストが必要です。

戦略的資産となる組織のコンテキスト

エンジニアリング組織は従来、コードを主要な資産として扱ってきました。コードを生成しやすくなるにつれ、長期的な価値は、その背後にあるコンテキストにより多く宿るようになります。専門領域の知識、顧客理解、運用経験、独自データ、評価用データセット、機械可読なポリシー、そしてシステムが現在のように動作する理由を説明するアーキテクチャの意思決定履歴です。

コードベースが重要なのは、苦労して得た事業や顧客の知識が、そこに組み込まれているからでもあります。AI はコード制作にかかる労力を変えますが、そうした知識を獲得するための努力まで不要にするわけではありません。だからこそ組織は、コード量だけに目を向けず、蓄積によって価値が増す資産に投資すべきです。適切に管理された独自データ、活用しやすいナレッジシステム、深い顧客理解、明確な意思決定の記録がそれに当たります。

CIO や CDO にとって、これは情報アーキテクチャとデータガバナンスが、エンジニアリングの成果を左右する中核になることを意味します。AI エージェントが利用できるのは、アクセスが許可され、かつ解釈できるコンテキストだけです。そのため、分散した知識、データの責任主体の曖昧さ、一貫性のない権限設定は、単なる情報管理の問題ではなく、エンジニアリングの制約になります。

コンテキストが本番システムの一部になると、必要なときに参照するだけの文書にはとどまれません。プラットフォームが提供する機能になるのです。

AI 提供の連邦型モデル:現場のチームと共通のガードレール

コンテキスト、評価、ガバナンスが本番システムの一部になると、AI の提供を個々のチームに全面的に任せることはできません。一方で、チームが顧客の実際の課題から離れてしまうほど、中央に集約すべきでもありません。

連邦型モデルは、この両方の要請を両立させます。自律的なアプリケーションチームは、課題に寄り添い続けます。その活動を支えるのが、再利用可能なツール、管理されたコンテキストへのアクセス、評価パターン、権限、ガバナンスを提供する、共通のプラットフォームとハーネスの機能です。連邦型モデルが機能するには、責任の所在を明確にする必要があります。アプリケーションチームはワークフローとその成果に責任を持ち、ハーネスチームは安全に活動するための共通機能を提供し、リスク、セキュリティ、ガバナンスの各部門は独立した監督を維持します。

アプリケーションチームと専門領域の有識者が、タスクに特化した評価ケースと受け入れ基準を定めるべきです。ハーネスチームは、それらの評価を一貫して実施するために必要な評価基盤、共通の制御、レポート機能を提供すべきです。

領域

アプリケーションチーム

ハーネスチーム

リスク、セキュリティ、ガバナンス

プロダクトと成果

課題、ワークフロー、ユーザー体験、成功指標の選定と、顧客・事業の成果に対する責任

再利用可能なパターン、ツール、テレメトリの提供

ユースケースが重大なリスクを生む場合の制約の設定

コンテキストとアクセス

ワークフローに必要な情報と操作の指定

コンテキストインターフェース、エージェントの識別情報、ツールの権限の提供

機密データへのアクセスと制御範囲の承認

評価とリリース

受け入れ基準の定義と結果のレビュー

評価スイート、監査ログ、承認済みのデプロイ経路の維持管理

高リスクのユースケース、例外、重大な変更の承認

予算と説明責任

アプリケーションの成果に対する予算配分と説明責任

共通機能としての予算配分と、再利用、網羅性、安全な本番運用までの時間による評価

独立した監督と制御に関する意思決定への責任

活動サイクルと学習

専門領域の有識者との反復改善、および成果、人による判断の変更、インシデントのレビュー

学びを新たなテスト、制御、再利用可能な機能へ反映

合意した承認ゲートでのインシデントと変更のレビュー

これに伴い、リーダーがチームの規模をどう考えるべきかも変わります。小規模なチームでより多くのソフトウェアを制作すること自体が、目的ではありません。目指すのは、人の判断力が最も価値を生む場所に、それを配置することです。具体的には、課題に近いアプリケーションチームと、統制を保ちながら素早く動けるようチームを支える共通機能の中です。

人とエージェントを支えるハーネスとしてのプラットフォーム

アプリケーションチームの小規模化と AI 活用が進むにつれ、組織には、安全性、一貫性、説明責任を保ちながらソフトウェアを提供するための、より強固な共通機能が必要になります。

従来のプラットフォームエンジニアリングは、人を主な利用者とし、開発者の生産性向上に重点を置いてきました。AI ネイティブなプラットフォームは、人とエージェントの両方を支える必要があります。

エージェントによる開発者向けプラットフォームの利用方法は、人の場合とは異なります。機械からアクセスできる指示やツール、明示的な権限、そして作業結果を確実に評価する方法が必要です。ハーネスでは、可観測性、セキュリティ、コンプライアンス、ナレッジ管理も考慮する必要があります。その目的は、明確かつ強制力のある境界を設けることで、自律性を有益なものにすることです。

具体例:規制下にある銀行での AI 支援型サポート

カード利用の異議申し立てに関する問い合わせ対応に、AI 支援型のワークフローを導入する銀行を考えてみます。アプリケーションチームは、案件の分類、適用ポリシーの検索、人のサポート担当者に向けた回答案の作成という、限定的な業務から始めることにします。このチームは、ワークフロー、ユーザー体験、エスカレーションの基準、成功指標に責任を持ちます。規制対応のポリシーを定めたり、エージェントに新たな権限を付与したりする役割は担いません。

この例では、エージェントが実装を支援し、タスクに特化したテストを実施し、リリースを準備できます。本番環境へのデプロイは引き続き人が承認し、本番環境で得られた結果を次の評価と開発に生かします。実行時の制御は、これとは別に設けます。顧客サポート用のエージェントは、定められた権限とエスカレーション経路の範囲内で、承認済みのツールとデータだけを使用すべきです。

  • コンテキスト:エージェントは、対応中の案件、解決に必要な最小限の顧客情報項目、承認済みの商品関連手順と苦情対応手順、機械可読なエスカレーションルールにアクセスできます。決済認証情報そのものや無関係な顧客記録へのアクセス、案件管理システムへの書き込みはできません。

  • 評価:リリース前に、代表的な過去の案件と専門家がラベル付けしたエッジケースで構成するテストスイートを用い、分類精度、ポリシー遵守、適切な回答保留、個人データの漏えい、苦情や金銭面で慎重な扱いが必要な案件のエスカレーションについて、チェックに合格する必要があります。

  • 承認:プロダクトに関する意思決定は、アプリケーションチームが担います。リスク、セキュリティ、コンプライアンスの各部門が、データアクセス、ポリシーの対応付け、デプロイ経路を承認します。顧客に送るメッセージはすべて人のサポート担当者が承認します。顧客の金銭や権利に影響する判断は、エージェントが自律的に行える範囲に含めません。

  • ハーネスの記録:実行ごとに、エージェントの識別情報とモデルのバージョン、取得したコンテキストと情報源、呼び出したツール、ポリシーチェック、評価結果、人による編集や判断の変更、インシデントを記録します。チームは、うまく機能したものを、再利用可能なコンテキストインターフェース、評価ケース、権限テンプレート、承認済みのデプロイ経路として整備します。失敗や人による判断の変更は、新たなテストやワークフローの改善につなげます。

この例が示すように、エージェントには行動の余地を与えつつ、利用できるコンテキストとツールを承認済みのものに限定できます。そして、重要な境界ごとに、確認と再利用が可能な証跡を残します。重要な意思決定には、引き続き人が責任を持ちます。銀行は実際の案件を蓄積し、エージェントが正しく対応できたこと、人が介入した場面、失敗した場面を基にワークフローを改善して、任せる範囲を広げるかどうかを判断できます。これが、範囲を限定した自律性と、検証に基づく学習を実践する姿です。

こうした役割分担は、ハーネスチームが運用するシステムや制御にも反映されます。ハーネスチームは、次のような役割を担うことが考えられます。

  • エージェントの識別情報:サービス用の識別情報の発行、責任主体と環境の記録、各エージェントが使うモデル、プロンプト、ツールのバージョンの追跡

  • ツールの権限:読み取りと書き込みの範囲、データアクセスの境界、レート制限、承認ゲート、エージェントの行動を原則拒否とするルールの定義

  • コンテキストインターフェース:バージョン管理され、権限を反映するインターフェースを通じた、出所と鮮度が明確な承認済みナレッジやデータの提供

  • 評価スイート:代表的な事例、エッジケース、安全性・セキュリティテスト、回帰テスト、リリース基準の維持管理

  • 監査ログと可観測性:適切な保存・アクセス制御の下での、エージェントの識別情報、取得したコンテキスト、呼び出したツール、出力、承認、人による判断の変更、失敗、インシデントの記録

  • 承認済みのデプロイ経路:自動チェック、ロールバックの仕組み、変更管理を備えた、サンドボックス、シャドー運用、段階的展開、本番運用への経路の提供

ハーネスチームは、既存のプラットフォーム機能全体を単に改称したものではありません。機械学習運用、セキュリティ、ガバナンス、プラットフォームの各チームは、引き続きそれぞれの責任を担います。ハーネスチームの役割は、これらの制御を、アプリケーションチームによる AI ワークフローの構築・運用に結び付けることです。具体的には、ポリシーを適用する権限と承認ゲート、コンテキストを提供する管理下のインターフェース、評価用のテストスイート、エージェントの振る舞いを監査し再利用できるようにするログを整備します。

共通のプラットフォームとハーネスがアプリケーションチームを支える、AI ネイティブエンジニアリングの運営モデルの図

人材配置、リーダーシップ、指標の変革

エンジニアリング業務がアプリケーションの提供と共通基盤による支援に分かれていくなら、人材配置、リーダーシップ、測定のあり方も変える必要があります。

アプリケーションチームには、課題の現場に即して、プロダクト、エンジニアリング、専門領域に関する判断を下す力が必要です。プラットフォームチームとハーネスチームには、人とエージェントを大規模に支える共通環境を設計・運用できる人材が必要です。

技術リーダーの新たな役割:ソフトウェア提供体制の設計

CTO、CDO、CIO にとっての課題は、何を全社共通で整備し、何を個々のチームに任せるかを決めることです。

アプリケーションチームには、顧客に寄り添い、素早く動くための自由が必要です。安全なデータアクセス、可観測性、評価、ガバナンスといった機能を、各チームが一から構築する必要はないはずです。

AI ネイティブな組織では、技術リーダーはソフトウェアの提供能力を管理するだけでなく、提供体制の設計にも目を向ける必要があります。具体的には、次のような取り組みが含まれます。

  • 判断力と意思決定の質を重視した人材の採用・育成

  • 共通の AI プラットフォーム、評価、ガードレール、承認済みの経路、ナレッジの流通、アクセスパターンへの投資

  • エージェント、人、両者を組み合わせたワークフローの活動範囲の定義

  • 検証に基づく学習、信頼性、顧客への影響、安全な再利用の測定

  • AI がソフトウェア提供の経済性を本当に変える領域を見極められるよう、技術への理解を維持

この体制を適切に構築すれば、チームは必要なコンテキストにアクセスし、AI が生成した成果物をテストし、実証済みのパターンを再利用しやすくなります。また、人の承認がなお必要な場面も見極めやすくなります。

既存のエンジニアリング指標では捉えきれない全体像

多くのエンジニアリング指標は、ソフトウェアの制作が大きな制約だった時代に生まれました。ベロシティ、ストーリーポイント、スループット、デプロイ頻度は、今も運用状況を知るうえで有用です。ただし、AI によってソフトウェア制作に必要な労力が減るにつれ、それらの指標だけでは判断しにくくなります。

コードの生成量や実験回数が増えても、チームが誤った判断をしたり、不要な複雑さを生んだり、リスクを増やしたりする可能性はあります。

そのため技術リーダーは、ソフトウェアの制作量や AI ツールの利用の広がりだけを問うのでは不十分です。AI が組織の学習を加速し、顧客にとっての成果を改善し、合意した範囲内での安定した運用に役立っているかを把握する必要があります。

アプリケーションチームにとっては、次のような指標が役立つと考えられます。

  • 検証に基づく学習に至るまでの時間

  • 顧客にとっての成果の改善

  • 創出した事業価値

  • 利用の定着と行動の変化

  • 実験が根拠のある意思決定につながった割合

検証に基づく学習に至るまでの時間は、実験の開始から、意思決定に十分な根拠が集まるまでの全期間を対象にすべきです。月曜日に着手し、水曜日にデプロイして、金曜日に根拠のある意思決定に至ったチームのサイクルは、2 日間の提供サイクルではなく、1 週間の学習サイクルです。

プラットフォームチームとハーネスチームにとっては、次のような指標が役立つと考えられます。

  • 承認済みの AI パターンの再利用

  • 評価の網羅性と有効性

  • AI 関連のインシデントと手戻り

  • アイデアから安全な本番運用までの時間

  • エージェントの行動の可観測性

  • 監査とコンプライアンスへの対応状況

関連するコスト指標には、成功した成果ごとに、モデルの利用、人によるレビュー、失敗した試行、手戻り、運用サポートの費用を含めるべきです。

こうした指標にも、明確な定義、ベースライン、評価方法が必要です。目的は、万能とされるスコアカードを別のものに置き換えることではありません。ソフトウェアの提供体制が、信頼できる成果を生み出しているかを測ることです。

このモデルも過渡的である可能性

アプリケーションとハーネスを軸とするモデルは、AI ネイティブエンジニアリングの現段階に対する一つの対応策です。恒久的な完成形と捉えるべきではありません。

次のような変化によって、エンジニアリング業務の基本単位は再び変わる可能性があります。

  • エージェントがワークフロー全体を担当

  • 一部のソフトウェアが、長年保守するものから一時的に使うものへと変化

  • ユーザー体験が、アプリケーションの画面操作からエージェント主導の体験へと移行

  • 基盤モデルが、より多くのプラットフォーム機能を吸収

  • 規制によって、監査可能性と説明責任がエンジニアリングの最大の制約に

これらは可能性であり、確定した未来ではありません。実現すれば、アプリケーションチームとプラットフォームチームという区分さえ、狭すぎる枠組みになるかもしれません。

こうした不確実性に最もよく備えられるのは、運営モデルを状況に応じて変えていく組織です。固定的なチーム構成やツールの選択ではなく、明確な原則、充実したコンテキスト、範囲を限定した自律性、迅速な学習を軸に組織を設計します。

優れたエンジニアリングの新基準:信頼できる進歩

AI によって、エンジニアリング体制の重要性が下がるわけではありません。むしろ、それを適切に設計する価値が高まります。

ソフトウェア制作のコストが下がるにつれ、より良い意思決定を行い、有用なコンテキストを蓄積して価値を高め、安全に運用できる組織が優位に立つようになります。AI ネイティブなエンジニアリングとは、単に AI ツールを使うことではありません。意思決定の質、共通のコンテキスト、範囲を限定した自律性、迅速な学習という新たな制約を軸に、自らのあり方を再設計することです。

技術リーダーは、まず次の 4 つの判断を明確にすることから始められます。

  1. 顧客やプロダクトに関するどの意思決定を、アプリケーションチームの近くに残すべきですか?

  2. どのコンテキスト、制御、評価機能を共通化すべきですか?

  3. どこまでエージェントが自律的に行動でき、どこで人の承認が必要ですか?

  4. 検証に基づく学習、顧客価値、安全な運用を示すのは、どの指標ですか?

AI 導入の価値を左右するのは、組織が導入するアシスタントの数よりも、こうした問いへの答えです。

Authors

Abbie Manning, Saurabh Singh