① ハイブリッド SI とは
「先端 AI を試す」 と「エンタープライズで安全に動かす」 は、 多くの現場で分断している。 この溝を埋め、 大規模・基幹で耐える形に AI を組み込むのがハイブリッド SI。
なぜ分断が起きるか
1. AI は不確実 (ハルシネーション・過学習) で基幹に乗せにくい
2. セキュリティ・監査・運用の前提が AI 検証で抜ける
3. PoC で止まり、 本番運用ペースに乗らない
大山の立ち位置
技術構造を理解した上で「実装できる計画」 に落とす。 キンドリル現職で AI オーケストラ運用設計 + データ辞書 + 品質管理を担当。 個人検証と業務 AI 運用は地続き。
② WF × AI 融合モデル
三木様の Magna 思想と同じ — クリティカルなコア機能はアジャイルで先行、 全体はウォーターフォールで進める柔軟な選択肢。 AI と最も相性が良いのは WF。
なぜ WF × AI なのか
AI 駆動開発はスクラッチの資産化を加速。 計画駆動の品質ゲートと組み合わせると、 高品質 × スピードが両立する。 これが三木様の目指す「SI のアップデート」。
大山の経験
WF/QCDS/大規模 PM (130 億メガバンク基幹・5 億 SAP・50 億 ERP)。 アジャイルの速度を殺さず、 エンタープライズの品質ゲートを構造的に挿入できる。
③ 机上の PoC を本番へ繋ぐ 4 観点
「動いた」 と「本番で安全に動かし続ける」 の間を埋める 4 観点。 ここを設計できないと AI は基幹に乗らない。
AI を「個人の卓越」 でなく「チームの生産性ツール」 に
セキュリティポリシー・データ分類・アクセス制御に準拠した PoC に再設計し、 チーム全体の生産性を上げるツールとして展開する。
④ AI 駆動開発 — 6 ヶ月の個人実証
「AI が分かる」 を口でなく実物で。 個人で AI を使い倒し、 再現性のあるワークフローを 6 ヶ月以上実証してきた。
暗黙知の構造化
AI が人間の暗黙知を構造化し、 判断の連続性を担保する設計。 LLM vs 古典 ML (XGBoost/LightGBM) を用途で使い分けられる。
業務との地続き
キンドリル現職の AI/データ活用 (データ辞書・品質管理・更新ルール・運用設計) と、 個人検証は地続き。 PoC を本番品質に再設計できる。
⑤ PoC → 本番 ロードマップ
AI 活用を「PoC 止まり」 にせず、 本番運用ペースで顧客成果に接続する 4 フェーズ。