AIは広がったが、本番AIはまだ少ない
シニアエンジニアの機会は、AIを試験導入からID、承認、ログ、rollbackを備えた安全なworkflowへ移すことです。
AI採用率だけでは十分なシグナルになりません。チームはchatbot、コード補助、会議要約を毎日使っても、仕事の流れを変えないままです。重要なのは、AIが制御された本番workflowに入り、測定できる価値を作れるかです。
McKinseyの2025 State of AIはこの差を示しています。88%の組織が少なくとも一つの業務機能でAIを使っていますが、AIプログラムを拡大し始めた組織は約三分の一です。Agentic systemでは、23%がどこかで拡大し、39%が実験段階です。
試験導入と本番のギャップ
プロトタイプは本番制約に耐える必要がありません。デモは選ばれた文脈、広い権限、協力的なユーザー、rollbackなしで動けます。本番workflowは汚いデータ、古いrunbook、部分障害、衝突するticket、監査、承認を扱います。
多くのAIプロジェクトはここで止まります。モデルが有用な回答を出せることを証明してから、回答だけでは足りないと気づきます。システムにはアクセス制御、ツール範囲、証跡、テスト、可観測性、コスト制限、停止方法が必要です。
本当にスケールするとはどういうことか
AIをスケールするとは、同じchatbotを部署に配ることではありません。一つのworkflowをデモの振る舞いから運用の振る舞いへ移すことです。安定した入力、明確なowner、限定されたtool、review queue、サービス期待値、測定できるbaselineが必要になります。地味ですが、ここで価値が出ます。
本番チームは、モデルのtranscriptを開かなくても基本的な問いに答えられるべきです。workflowはどの頻度で走るのか。どの手順に人間reviewが必要か。どれだけのoutputが却下されたか。同じerrorは何度起きたか。reviewと手戻りを含めた後で、どれだけ時間を節約できたか。
- accepted output、rejected output、manual overrideを追跡する。
- AI導入前後のcycle timeを比較する。
- incident noteでmodel failure、tool failure、人間プロセスの失敗を分ける。
- tokenやmodel spendだけでなく、完了したworkflowごとのcostを見る。
本番AIは統合作業
- privateまたは運用データを漏らさず記録系システムへ接続する。
- 広いservice accountではなくIDと最小権限を使う。
- 提案、下書き、承認、実行を分ける。
- 時間削減、欠陥削減、応答時間改善などのbaselineで測る。
- モデル入力、tool call、reviewerの判断、最終結果を記録する。
- Agentが本番影響のある操作を行う前にrollbackを定義する。
Web3では基準が上がる
BlockchainとDeFiのチームは、気軽な自動化に向きません。SaaSの失敗は後片付けで済むことがあります。on-chainの失敗は資金移動、key経路の露出、Safe moduleの誤設定、戻しにくいparameter変更につながります。
Agentを避けるべきという意味ではありません。まずadvisory modeで、公開文書を集め、取引文脈を比較し、monitor出力を確認し、署名者向けbriefやrelease checklistを準備します。実行はsimulation、人間承認、audit trailの後に残します。
初期の有用な成果は、多くの場合、実行workflowではなくreview workflowです。Agentに証拠を集めさせ、矛盾を出させ、人間が承認できるpacketを準備させます。Agentが運用リスクを背負うふりをせずに価値を出せます。
シニアが作るべきもの
価値のあるスキルは、AI for DevOpsのような曖昧な依頼を動くworkflowへ翻訳することです。actor、context、tool set、承認ルール、検証gate、出力形式、失敗経路を定義します。境界が不明ならAgentはread-onlyのままにします。
本番AI workflowは運用しやすいべきです。狭い権限、明確なログ、再現可能なchecks、名前付きreviewer、測定済みの結果を持ちます。
参考資料
Nexuain の実務上の示唆
市場に足りないのはAIデモではなく、本番で使える信頼性を設計できるエンジニアです。AIは準備、シミュレーション、説明を行い、人間が承認、署名、実行します。
