TechTarget Japan

データ活用の必要性は増す一方で、現場には“データメンテ疲れ”とセキュリティの壁が立ちはだかる。本資料は、その打開策を2本立てで解説する。 前半は、Sansanの調査を基にした情シスの負担増だ。データ整備や連携に費やす工数は1社当たり年間約3億9000万円相当に上り、担当者の75.2％が本来業務に時間を割けないと回答。生成AIの普及がデータ整理の手間をさらに膨らませている。 後半は、セールスフォース・ジャパンが日本で提供を始めた「Tableau Desktop Free Edition」だ。分析作業を利用者のPC内で完結できるため、顧客情報や売り上げなどの機密データを外部に出さず、初期投資なしで本格的なデータ分析を無期限に試せる。Excelやデータベースへの接続、ドラッグ＆ドロップ操作で、専門知識のない担当者でも可視化・分析が可能だ。データ活用を全社展開する星野リゾートの事例や、13週間の人材育成プログラムも紹介し、現場主導のデータ活用を後押しする。

ソフトウェア開発において、AI駆動開発が拡大している。確かにAI活用には、ソースコードの記述スピードが劇的に向上するといったメリットがある。しかし、その一方でレビュー負荷の増大により、「プルリクエストの肥大化」「シニア層の負担増」「品質の低下」といったさまざまな課題が発生し、組織を疲弊させている。AIが生成した大量かつ複雑なコードを人間が確認するための時間が膨張し、ハルシネーション対応にハイパフォーマーの工数が奪われるといった悪循環が生じている。 本動画では、全社規模でAI駆動開発を推進するラクス、カカクコム、フリーの3社が登壇。組織を疲弊させずにAI駆動開発の効果を最大化させるために、各社がどのように取り組んでいるのか、その実践方法について解説する。 各社の取り組みは、単なる構文チェックに終始しない自動コードレビューの運用や、実装手前のプロセス改革など、多岐にわたる。AIにコードを書かせる時代だからこそ、人間は設計思想やドメイン知識の定義といった本質的な領域に注力することができる。3社の取り組みをぜひ参考にしてほしい。

企業のデータベース戦略が、AI時代を見据えて大きく変わり始めた。かつて“コスト削減の代替手段”と見なされたオープンソースDBが、いまや戦略的な基盤として選ばれている。本資料は、その主役となった「PostgreSQL」と「MongoDB」を巡る最新動向を2本立てで解説する。 前半は、Microsoftが示すPostgreSQLのAI時代対応を取り上げる。ベクトル検索やRAGとの親和性に加え、過剰なストレージ投資を避けられる「Premium SSD v2」、プライマリDBの負荷を抑える“カスケード型読み取りレプリカ”など、約8億人規模のChatGPTを支えるOpenAIの大規模利用を後押しする進化に迫る。 後半は、合併でデータベースが乱立し保守に苦しんだ住宅ローン大手Lendi Groupが、AIプロジェクトの共通基盤として「MongoDB Atlas」へ全面移行し、開発スピードを約40％高めた事例を紹介。AI開発で“切実に”DBが問われる理由と、企業の選定基準が見えてくる。

「AIで人件費を削減できる」という期待は幻想なのか。本資料は、AIと雇用を巡る複数の調査から、企業が人員削減に踏み切らない理由とAI時代に求められる人材像を読み解く。 まず米Gartnerは、AIを理由に顧客サービスの人員を削減した企業の半数が、2027年までに類似業務で再び人を雇うと予測する。AIは人間の専門知識や共感力、判断力を代替できるほど成熟していないためだ。 次にTWOSTONE&Sonsの調査では、全社的にAIを導入した大企業の71.3％が「人員削減を実施していない」と回答。理由は「削減できる業務が限定的」「雇用維持を重視する企業文化」「新規事業に人材が必要」だった。企業は浮いた工数を既存事業の強化や新規事業へ再投資し、人材をより付加価値の高い業務へシフトさせている。 さらにアクセンチュアの報告書からは、若手採用を縮小しAIで代替する動きが“スキルの断絶”を招くリスクも示される。AI時代に問われる「人間ならでは」のスキルとは何かを考える。

システムの導入において従来のスクラッチ開発やSaaSだけでなく、AI駆動システム開発という新たな選択肢が登場している。どの方法が自社に合うかは、業務への適合度や検証の速度、連携の要件などによって異なるため、比較検討から社内合意の形成まで事前にしっかりと行うことが重要だ。 本資料は、導入判断から本番運用までに必要な検討項目をまとめたチェックリストである。具体的には、開発方法を決める前には、まず自社の状況を点検する必要がある。その際には、「既存SaaSに業務を合わせると現場の手作業やExcel管理が残る」「自社独自の業務フローが競争力に直結している」といった項目を確認することが求められる。 その次の比較／検証フェーズでは、SaaS向きの標準業務とAI駆動システム開発向きの固有業務を切り分け、SaaSで十分なのか、独自開発が必要なのかを見極めることが重要だ。本資料では、さらに「PoC（概念実証）／MVP（Minimum Viable Product）」「AI生成コードの品質／セキュリティ／保守性」「開発パートナーの選定」などの確認事項に加え、社内合意と相談準備の進め方も解説している。

AIが実装のほぼ全量を担当し、人間が意思決定と最終チェックに集中する「AI駆動開発」。この手法により、開発全体の工数削減や生産性向上が可能になる一方、AIへの不信感や、半世紀以上続く古い商習慣といった「組織」と「業界」の壁が立ちはだかっている。 本資料では、これらの壁を突破し、組織にAIを定着させるための「伴走型イネーブルメントサービス」を紹介している。このサービスは、自社の現在地を5段階で把握した上で、経営層のコミットと現場の旗振り役が連携できる推進体制の構築を支援する。単なる研修にとどまらず、企業固有の文化的習慣や評価制度に即した定着ノウハウを提供し、変革を形骸化させることなく実効性の高い取り組みを促進するのが特徴だ。 さらに、AI活用の大きな足かせとなる「レガシーシステムのブラックボックス化」を解消する、独自のコード解析を用いた刷新支援サービスについても言及している。AIの定着やシステムの刷新に課題を抱える企業は、解決の手掛かりとして、ぜひ本資料を参考にしてほしい。

AIは急速な進化を遂げており、AIへの投資額は2028年までに6320億ドルに到達すると予測されている。しかし、AIの導入を急ぐ中で、組織は従来のサイバーセキュリティツールでは対応できないリスクにさらされている。 AIの大規模な導入に当たっては、事後対応的なリスク管理以上の対策が求められる。AIワークロード特有のリスクに対処するには、AIセキュリティポスチャー管理とデータセキュリティポスチャー管理を組み合わせた構造化されたフレームワークが必要だ。 このフレームワークの導入には、「AIインベントリー」「AIデータセキュリティ」「AIガバナンス」「責任あるAI」の4つのステップが役に立つ。本資料ではこの4ステップについて詳しく解説した上で、データセキュリティとAIガバナンスの両方を管理するための統合プラットフォームを紹介する。同プラットフォームを活用することで、進化する規制要件に準拠しながら、AIリスクを予防的に軽減することが可能となる。ぜひ資料で詳細を確認してほしい。

生成AIやSaaSの利用急増に伴い、機密データの流出リスクが拡大している。しかし、従来のセキュリティ製品は、「不十分な可視性」「過剰なアラート」「非効率な運用」といった課題がある。この解決策として注目されているのが、通信をリアルタイムに検査するインラインDLP、保管データの機密性を可視化するDSPMを統合したプラットフォームだ。 Web／SaaS／メール／エンドポイントを横断し、機密データの外部送信をリアルタイムに遮断。生成AIへの入力内容を検査し、機密を含むプロンプトを可視化・ブロックする。また、クラウド／SaaS／IaaS上の機密データを継続スキャンし、所在をマップ化。さらに、誰がアクセスできるかを分析し、過剰共有・公開状態の機密を自動で警告する。 本資料では同プラットフォームの概要の他、「可視化と現状把握」「機密の定義・分類・ポリシー設計」「制御・自動化・インシデント対応」の3つのフェーズにおけるデータセキュリティ戦略について解説している。ユースケースや導入事例も紹介しているので、参考にしてほしい。

AI活用において、「シャドーAI」の無秩序な増殖が大きな課題となっている。AIアプリの設定や権限、データ接続先の不備といった構成上のリスクに加え、入出力データやファイルの監視不足による機密情報漏えいの懸念も高まっている。さらに、AIエージェントが自律的にSaaSやデータにアクセスすることで、実行権限に伴うリスクも増大している。 このようなリスクに対応するには、まず組織内のAIアセットを可視化し、利用しているモデルやエージェントに潜む脆弱性を特定して、リスクを継続的に把握する必要がある。加えて重要となるのが、「インライン制御」による保護だ。リアルタイム保護が可能なソリューションを用いてプロンプトやレスポンスを検査し、機密データの漏えいを阻止することが求められる。 今後は、より高度なAIモデルの登場により脆弱性の発見が加速し、従来のパッチ適用による対処は限界を迎えることが予想される。そのため、境界型セキュリティの限界を認識し、侵害を前提としたゼロトラストに基づく防御策を実装することが重要となる。本資料では、AI普及に伴うリスクに対する包括的な保護策について解説する。

デジタルデータの急増は、組織に新たな機会をもたらす一方で、データの紛失や不正アクセスなどの重大な課題を突き付けている。対策として提唱される「データ保護プログラム」は、組織全体の情報資産を管理するための基盤であり、プライバシー法や業界標準に準拠したフレームワークとして機能する。 プログラムの主な要素は、「データの分類とインベントリ化」「アクセス制御」「リスク管理」「トレーニングと意識向上」「インシデント対応」「継続的な改善」の6つだ。プログラムの有効性と持続可能性を確保するには、戦略的な視点と全体の連携が求められる。そのため、単純な技術導入ではなく、ビジネス目標から取り組みを開始することが成功の鍵となる。また、部門横断的なサポートを早期に獲得することや、セキュリティ対策と使いやすいプロセスを両立させることも重要だ。 本資料では、プログラムの重要性や主な要素、具体的なフェーズについて解説する。法的な要件を満たすだけでなく、顧客、従業員、ビジネスパートナーのプライバシーを守り、信頼を築く姿勢を示すためのアプローチを、本資料で確認してほしい。