このページの内容は、サードパーティサービスによって自動翻訳されています。

シグナルは人員削減ではなく、資源の再配分にある

AIと雇用に関する見出しは、本質とは異なる物語を伝えています。確かに、人員削減は現実に起きています。2026年3月、Challenger, Gray & Christmasは、米国における計画的なレイオフの理由としてAIが最も多く挙げられ、その月全体の約4分の1を占めたと報告しました。しかし同じデータは、AIが実際の雇用喪失の最大要因にはまだなっていないことも示しています。市場環境や経済状況の方が依然として大きな影響を与えています。

このギャップこそが本当のシグナルです。AIは、企業が人員を削減する理由になる前に、まず資源を再配分する理由になります。予算はチーム拡大からAI施策へと移行しています。戦略的な役割は再定義されつつあります。どのプラットフォームへの投資を継続するかという判断も、今ではAIという視点から行われています。

言い換えれば、AIは企業が追加する単なる機能ではなくなりました。企業が組織を構築する際の原則そのものになったのです。デジタルエンジニアリングのリーダーにとって、この変化は何に投資すべきかを根本から変えます。そして、その答えは多くのベンダーが売り込んでいるものとは異なります。

エンジニアリングにおける制約はデータではなく調整である

一般的には、エンジニアリングにおけるAIの価値は、より多くのデータとより賢いアシスタントから生まれると考えられています。しかし、PLM、デジタルスレッド、MBSE、またはMBE環境では、その考え方は正しくありません。

本当にコストがかかる問題は、データ不足ではありません。ライフサイクル全体にわたるデータ、意思決定、アクションの調整コストです。要求事項と設計、設計と検証、検証と製造やサービスを結び付けることに大きな負担がかかっています。AIが持続的な価値を生み出すのは、この調整負担を信頼性と再現性をもって削減できる場合に限られます。

だからこそ、エンジニアリングツールにコパイロットを追加するだけでは成果ではなくデモしか生まれません。文書に関する質問へ回答できるコパイロットは、実際のコストが発生している領域間の引き継ぎという問題を何も解決しないからです。

AIは構造化された知識の経済性を変える

ここからが、計画の立て方を変えるべき重要なポイントです。

長年にわたり、MBSEやMBEは、投資回収に時間がかかり不確実性の高い長期的な変革プログラムとして扱われてきました。戦略的には妥当でも、財務的な正当化は容易ではありませんでした。しかし、AIはその計算を覆します。

構造化されたモデル、管理されたベースライン、成果物間の正式なリンク、そして機械が読み取れるエンジニアリングコンテキストは、AIワークフローを実際に活用できるほど信頼できるものにするための基盤です。組織が要求事項、システムモデル、製品構造、サービスデータ全体でAIを活用しようとするほど、その構造化された知識の価値は増幅されます。分断された記録や場当たり的な統合は、もはや品質上の問題ではありません。それらはAIが安全に実行できることの上限を決める要因です。

その結果、経済的な評価軸は逆転します。MBSEやMBEがAIによって抽象的に重要になるのではありません。AIによって、既に保有している構造化された成果物一つひとつの限界価値が高まるため、財務的な正当性が強まるのです。エンジニアリングの厳格さに投資してきた企業は、今やAIを実用化するための資産を手にしています。そうでない企業は、AIによってそのギャップが埋められるよりも先に露呈することになるでしょう。

実際にはどのような形になるのか

この資産を価値へと変える仕組みがエージェントです。エージェントは単に質問へ回答するだけではありません。管理されたエンジニアリング成果物に対して動作し、ライフサイクル履歴へトレーサブルにアクセスしながら、統制されたプロセスの中で業務を遂行します。

例えば、エンジニアリング変更を考えてみましょう。提案された変更の影響を評価するエージェントは、信頼できる場合にのみ価値があります。そして信頼されるためには、管理されたWhere-Used構造、最新のベースライン、影響を受ける部品間の検証済みリンクを参照できなければなりません。同じエージェントを整理されていない文書の集合に向ければ、それはリスクになります。デジタルスレッドこそがエージェントを安全に展開可能にする要素なのです。構造を取り除けば、自信に満ちた推測が残るだけです。

これがAI機能とAIワークフローの違いです。機能はデモで人を魅了します。しかしワークフローは、それを支えるエンジニアリング基盤が堅牢であるからこそ実運用に耐えられます。

例えば、InnovatorEdgeを使用して、私たちはRequirements Ingestion Agentを開発しました。このエージェントは仕様書を取り込み、その内容をAras Innovator®内の要求事項オブジェクトへマッピングします。その結果、接続されたデジタルスレッドによって管理される、トレーサブルで構造化されたデータを提供します。さらに、最近のブログExploring the Smart Variants Agentで紹介したエージェントも公開しています。

本当の分岐点はガバナンスにある

今後1〜2年の間に、多くの組織がここで苦労することになるでしょう。エンジニアリング分野におけるAIへの期待は至るところにあります。しかし、それを大規模に運用するために必要なデータの整合性、トレーサビリティ、ガバナンスは十分に整備されていません。

市場での分岐点は、最も多くAIについて語る企業によって決まるのではありません。AIを実運用できる基盤を構築した企業によって決まります。相互運用性、プロセス統合、そしてエンジニアリング、製造、品質、サービス全体にわたるガバナンスが、AIを競争優位へと変えるか、高価な失望に終わらせるかを左右します。AIは健全なエンタープライズアーキテクチャの必要性を減らすものではありません。むしろ、その品質をビジネスに対して迅速かつ明確に可視化するのです。

今、何をすべきか

AIへの準備状況を進行中のパイロットプロジェクトの数で測るのはやめましょう。代わりに、ライフサイクルアーキテクチャの強さで測るべきです。

今四半期、デジタルエンジニアリングリーダーにとって最も有益な取り組みは、ライフサイクル内の調整コストが集中する箇所を洗い出すことです。要求事項、変更、コンプライアンス証跡、構成影響の調整が、依然として手作業で、時間をかけて、高いリスクのもとで行われている引き継ぎポイントです。これらは単なるプロセス上の問題ではありません。AIロードマップそのものです。それぞれが管理され、追跡可能なエージェントの候補であり、その有効性は基盤となる構造化知識の質によって決まります。

エンタープライズAIは、より規律ある時代に入りました。優位性を得るのは、最も派手なデモを見せる企業ではありません。エンジニアリング知識をすでに構造化し、関連付け、統制しており、その上でAIを活用できる企業です。

このテーマについてさらに詳しく知りたい方は、Why Great Engineering Teams Don’t Reduce Complexity, They Manage Itをご覧ください。

Category:
Aras Insights Artificial Intelligence Digital Engineering Digital Thread