SIerはどう変わるべき？ 「下剋上」も夢じゃない、ユーザー企業のために獲得すべき技術とは：SIerはどこから来て、どこへ行くのか（1/2 ページ）

ユーザー企業のDXを支援するSIerの中には、実は自社のDXはさほど進んでいない会社もある。SIer勤務歴の長い筆者が考える、自社とユーザー企業のDXを実現するためにSIerが獲得すべき技術とは。

[室脇慶彦，SCSK株式会社]

この連載について

　ユーザー企業にとって、SIerはITシステムの導入から運用、故障時の対応や更新などに欠かせない存在です。

　ただし、その関係性はと言うと、対等なパートナーと言うよりも、ユーザー企業はSIerに対して丸投げしがちで、SIerも「お客さまであるユーザー企業の要望は断りづらい」ために、ユーザー企業のITシステム全体の最適化よりも、その場その場のニーズへの対応を重視しがちな「御用聞き体質」が指摘されてきました。

　しかし今、DX案件の増加やIT人材の慢性的な不足、ユーザー企業の内製化志向などのさまざまな環境変化によって、ユーザー企業とSIerとの関係は変わらざるを得なくなりつつあります。

　この連載を通じて、SIビジネスを取り巻く構造的な問題を掘り下げ、ユーザー企業とSIerが目指すべき関係の在り方を探っていきます。

　前回から少し間が空いた。日本通運がアクセンチュアに対して訴訟を起こした件について寄稿したためだ。

　前回の連載では「SIビジネスが消滅する日が近い」と述べたが、日本運輸の件も、SIビジネスが内在する歪みが基になって発生した事象だと思う。記事でも触れたように、ITシステムの開発が失敗する最大の原因は、現在のSIerの在り方にあると筆者は考えている。

　それではSIerはどう変わるべきか。今回は、SIerがユーザー企業のDXを支援するために獲得すべき技術について深掘りする。

下剋上も夢じゃない　中小SIerによる形勢逆転を可能にする技術

　前回まで「SIビジネスモデルの崩壊」について述べたが、SIerが不要になると考えているわけではない。むしろSIerこそが、リーダーシップを発揮し、顧客企業、場合によっては顧客企業が所属する業界にIT変革を働きかける唯一の存在になり得るのではないかと考えている。そうなるためにSIerはどう変わるべきか。この困難な問題の解決を図ることこそが、SIerが自身の構築技術を変革し、新たなビジネスモデルを構築する道につながると筆者は思う。

　現在、DX（デジタルフォーメーション）の中心はソフトウェアにある。ソフトウェア開発を担うSIerが自社のDXを進めない限り、SIerの存続は厳しい。逆に言えば、自らのDXを推し進めたSIerこそが大きな果実を得る。SIerの変革が進んだ時には「SIer」という呼び方も含めて、さまざまなことが大きく変わるだろう。

　中小のソフトウェア企業も、生産性を数十倍に向上させる技術を身に付ければ、大手SIerに打ち勝つチャンスは十分にある。まさに下剋上だ。Amazonが世界最大規模の「書店」になったように、DXは下剋上を可能にする。形勢逆転をすさまじいスピードで進ませるのがDXだ。

　本稿では、SIerの進むべき方向として顧客のDXを進めるために獲得すべき技術、SIer自身のビジネスモデル変革の2つに絞って述べる。

顧客のDXを進めるためにSIerが獲得すべき技術とは？

　先ほどDXの中心はソフトウェアだと言ったが、ソフトウェア開発を大きく変えるのがAI技術だ。AI技術を活用するためにはデータ分析技術が必要になる。そういう意味で、ディープラーニングなどの技術者、あるいはデータサイエンティストを揃（そろ）えることが今、最優先事項になりつつある。

　今後、AIがDXの中心となることは間違いない。しかし、ディープラーニングの技術者やデータサイエンティストが活躍するためには前提が必要だ。それはデータがクリーンで利用可能な状態であること、さらに利用するデータが他社にはない自社の独自データであることだ。

　約5年前に、米国で複数社のデータサイエンティストを対象にしたヒアリングを実施した。興味深かったのは「利用するデータのクレンジングに1年単位の時間がかかる。やっと分析できる状態になったら、上司から『君は何も貢献していない』と言われた」との話が異口同音に出てきたことだ。

　同じ年の年末、マサチューセッツ工科大学（MIT）主催のAIをテーマにしたシンポジウムでは、「（AIを活用するために）まず何をすべきですか」という質問に対して、MITの教授は「古いシステムを作り直しなさい」と答えた。

　このシンポジウムの後、大手コンサルティングファームから米国におけるAIへの投資状況をヒアリングした。「今年からAIへの投資は大きく変わった。AI技術者やデータサイエンティストを活用する投資よりも、はるかに大きな投資がシステムの再構築を含むデータクレンジングに向かっている」という話だった。

　この3つのエピソードから何が言いたいかというと、米国ではAI技術を適用する前に、既存のシステムの見直しと、データのクレンジングが必須であることに5年も前に気付いていたということだ。

　データクレンジングとは、今あるデータを「使えるデータ」にすることだ。では、使えるデータとは何か。筆者は、使えるデータには「鮮度」「精度」「粒度」の3つが必要だと考える。

• 鮮度：　リアルタイムでデータが取得できること
• 精度：　データの定義が明確であること、つまり、同様のデータで異なる定義のデータが存在せず、データが正規化されていること
• 粒度：　分析をするための必要条件が満たされていること。分析するためには、データの粒度（分類）が適切でなければならない。例えば「注文」のデータがどの経路から来ているのか（店頭、コールセンター、Webなど）が分からないデータでは、注文経路の分析はできない。Webであればどのサイトから来ているかといった情報が把握できないデータでは、Web経由の注文であること以上の詳細な分析はできない。都度分析に必要な粒度のデータを揃えるにはアジリティが必要だ

　上記に加えて、他社が持ち得ない独自データも重要だ。自社の独自データは基幹系システムに多く存在していると筆者は考える。