AI時代の要求管理ハンドブック ~経営・現場・開発がともに描く、問いから実現への道筋~ (独立行政法人情報処理推進機構)
書籍情報
- 著者: 独立行政法人情報処理推進機構
- 発行日: 2026-11-05
- ISBN: N/A
- URL: https://www.ipa.go.jp/digital/kaihatsu/youkyu-kanri.html
書籍目次
- はじめに
- 本書の使い方
- 想定読者
- 主要用語の解説
- コラム: 国際標準における「Requirements」と本書の「要求・要件」
- 実プロジェクトでのテーラリング
- 第1部 要求管理の基礎
- 第1章 要望・要求・要件とは何か
- 1.1 要求定義の出発点
- 1.2 要望、要求、要件の違い
- 1.3 木のブランコの例から学ぶ正確な要求定義の重要性
- 1.4 所与の条件をシンプルにする
- 1.5 要求定義が生む価値
- 1.6 要求管理は職人芸から組織能力へ
- 1.7 AI 時代に一層重要となる要求管理の観点
- 第2章 要求工学の基本プロセス
- 2.1 要求工学とは何か
- 2.2 要求獲得
- 2.3 要求分析
- 2.4 要求仕様化
- 2.5 要求評価
- 2.6 要求管理
- 第3章 要求管理を支える考え方
- 3.1 要求管理は単独の方法論ではない
- 3.2 デザイン思考との関係
- 3.3 ミッションエンジニアリングとの関係
- 3.4 要求工学との関係
- 3.5 システムズエンジニアリングとの関係
- 3.6 MBSE との関係
- 3.7 アジャイルガバナンスとの関係
- 3.8 各方法論の関係整理
- 第4章 グローバル経営時代の要求管理
- 4.1 経営・事業変革において要求管理が重要になる理由
- 4.2 グローバルな取引を例に見る関係者間の共通理解
- 4.3 迅速なサプライチェーン構築と要求管理
- 4.4 M&A における要求定義の役割
- 4.5 文化的背景や制度の違いへの対応
- 4.6 言語の違いを吸収する要求定義
- 4.7 グローバル要求定義で追加すべき観点
- 4.8 グローバル経営時代の要求管理の進め方
- 第1章 要望・要求・要件とは何か
- 第2部 AI 時代に要求管理はどう変わるか
- 第5章 AI が変える要求管理の前提
- 5.1 変化速度が上がる時代の要求管理
- 5.2 AI システムは変化し続ける
- 5.3 AI システムにおける不確実性を要件として定義する
- 5.4 プロンプトエンジニアリングも要求工学の一部である
- 5.5 AI の社会的受容性と倫理的影響を要件として扱う
- 5.6 レジリエンスと継続的アシュアランスを要求として定義する
- 第6章 AI による要求管理支援
- 6.1 AI は要求管理の作業を支援する
- 6.2 AI によるヒアリング支援
- 6.3 AI によるドキュメンテーション支援
- 6.4 AI による過不足・矛盾の確認
- 6.5 AI による要求のモデル出力
- 6.6 AI による変更影響分析と再検証支援
- 6.7 AI 活用時の注意点
- 6.8 複数の AI エージェントの連携による要求管理
- 第7章 AI 時代の要求管理プロセス
- 7.1 AI 時代の要求管理プロセスの全体像
- 7.2 各工程の考え方
- 第8章 AI 時代の要求獲得・分析・仕様化
- 8.1 要求獲得の対象の拡大
- 8.2 マスの意見と「光る原石」を区別する
- 8.3 潜在要求を見つけるための問い
- 8.4 データ供給チェーンの透明性とトレーサビリティ
- 8.5 AI 時代の要求分析
- 8.6 AI 時代の要求仕様化
- 第5章 AI が変える要求管理の前提
- 第3部 モデリングとトレーサビリティ
- 第9章 要求を可視化する
- 9.1 なぜ要求を可視化するのか
- 9.2 Human Readable から Machine Understandable へ
- 9.3 代表的なモデル・モデリング手法・構造化手法
- 9.4 建築や製造から学ぶ可視化
- 9.5 要求情報とモデルを接続する
- 9.6 モデリングを導入する現実的な進め方
- 9.7 形式手法による要求の厳密化と検証
- 第10章 ビルディングブロックやサービスによるシステムの実現
- 10.1 モデリングから実現手段へ
- 10.2 ビルディングブロックとは何か
- 10.3 機能ブロックの実現方法
- 10.4 ビルディングブロック化の利点
- 10.5 セキュリティ対策におけるビルディングブロック
- 10.6 ビルディングブロックを選定するための要件
- 10.7 ビルディングブロックと標準化・相互運用性
- 10.8 ビルディングブロック化と調達・契約
- 10.9 ビルディングブロック化の注意点
- 第11章 トレーサビリティと DevOps 型要求管理
- 11.1 なぜトレーサビリティが重要か
- 11.2 何をつなぐべきか
- 11.3 DevOps 型の要求管理
- 11.4 トレーサビリティマトリクス
- 11.5 変更管理と影響分析
- 11.6 ReqIF と OSLC による要求情報の交換・連携
- 第9章 要求を可視化する
- 第4部 ルール・制度・コンプライアンスと要求管理
- 第12章 外部要件としての法令・規制・標準
- 12.1 外部要件とは何か
- 12.2 「法令を遵守すること」では要件にならない
- 12.3 外部要件を社内要件へ変換する
- 第13章 規則・ガイドライン・マニュアルを要求定義に活かす
- 13.1 社内規則は「使われる要件」でなければならない
- 13.2 社内ルールを種類ごとに整理する
- 第14章 社内ルールの構造化と標準形式
- 14.1 文書を構造化する意義
- 14.2 Markdown による軽量な構造化
- 14.3 XML による構造化
- 14.4 Akoma Ntoso の考え方
- 14.5 ReqIF との接続
- 14.6 社内ルールを AI で活用する
- 第12章 外部要件としての法令・規制・標準
- 第5部 AI 時代の要求管理プロセスの組織への定着
- 第15章 組織への導入と成熟度
- 15.1 要求管理を組織能力にする
- 15.2 役割分担
- 15.3 導入ステップ
- 15.4 成熟度モデル
- 15.5 調達・委託時の注意点
- 第 16 章 成果物一覧
- 16.1 要求定義書と要求管理台帳の位置づけ
- 16.2 AI 時代の要求管理での代表的な成果物
- 第15章 組織への導入と成熟度
- おわりに
- 参考文献
はじめに
AI時代における要求管理の位置づけ
- 要求管理の重要性の高まり:
- AI、データ、ソフトウェアが社会や産業の基盤となる時代に、要求管理(要求・要件定義を含む)の重要性は増している
- 従来の捉え方:
- 情報システム開発の上流工程で、利用者や業務部門の要望を整理する作業
- システムが実現すべき機能や性能を明確にする作業
- これからの捉え方:
- 単なるシステム開発の準備作業ではない
- 企業や行政が変化に対応し、価値を継続的に生み出すための基盤的な活動
AI時代のシステムの特性
- 決められた機能の実行にとどまらないシステム:
- データを利用し、状況を判断する
- 利用者と対話し、継続的に更新される
- 要素間の相互依存:
- 業務プロセス、データ、AIモデル、ソフトウェアは相互に関係する
- 法令、標準、社内規則、マニュアルも相互に関係する
- 一つの変更が広い範囲に影響を及ぼす
- AIモデル更新の影響例:
- データ品質、説明責任、監査に影響する
- 利用者への通知、社内規則、契約、法令遵守にも影響する
- 法令・標準変更の影響例:
- 業務フロー、データ項目、AIの利用条件の見直しが必要になる
- システム仕様、運用手順の見直しも必要になる
- 要求を一度作って終わりにすることは望ましくない
AIによる要求定義支援の可能性
- 大量の文書からの要求候補の抽出:
- 対象は問い合わせ、クレーム、事故報告、議事録など
- マニュアル、ログ、既存仕様書も分析できる
- 要求候補を抽出し、分類し、要約できる
- 対話による情報の聞き出し:
- 利用者や業務担当者から不足している情報を対話形式で聞き出せる
- 業務フローやデータモデルのたたき台を作成できる
- リバースエンジニアリング支援:
- 既存システムやコードから構造を推定できる
AIによる代替の限界と人間の役割
- AIが見落としうるもの:
- AIは過去のデータや一般的な実務に基づいて回答する
- まだ普及していない新しい方法を見落とすことがある
- 制度の抜け道ではなく本質的な目的を見落とすことがある
- 現場に埋もれた潜在要求や、少数だが重要なリスクを見落とすことがある
- 人間に必要な基礎知識:
- AI出力の要求の妥当性判断には、要求工学、業務分析、データ、AIの理解が必要
- 法令・標準、リスク管理に関する基本的な理解も必要
- 要求定義力の重要性:
- 要求定義をAIに任せるのではない
- AIを使いこなすために要求定義の力がより重要になる
要望・要求・要件の区別
- 要求管理の出発点は、要望、要求、要件を区別すること
- 要望:
- 利用者や関係者の望み、困りごと、期待
- しばしば漠然としている
- 要求:
- 要望をもとに、実現したいこととして整理したもの
- 要件:
- 要求を、実現しなければならない事項として具体化したもの
- 変換過程の構造化:
- 属人的な経験や暗黙知に任せない
- 関係者が共通理解でき、機械も利用できる形で構造化することが望ましい
与えられた条件の見直しと単純化
- 要求管理は要望や既存業務をそのまま足し合わせる作業ではない
- 所与の条件をそのまま実装する問題:
- 既存の業務、社内規則、マニュアル、システム制約、データ制約は所与の条件として与えられやすい
- これらをそのままAIやソフトウェアに実装すると、複雑で変更しにくく、説明しにくい仕組みになる
- 目的に照らした見直し:
- 不要な手順、重複した入力を整理する
- 過剰な承認、曖昧な判断基準を整理する
- 可能な限りシンプルな構造にする
- 単純化したうえでの再構成:
- 複雑なものをそのまま自動化しない
- 業務、ルール、データ、システムを見直し、AIやソフトウェアが扱いやすい形に再構成する
- AI適用の見極め:
- すべての業務や機能にAI適用が適切とは限らない
- AIの利用自体を目的としない
- ルールベースの処理や既存システム等も含めて実現手段を比較する
- AIを利用する必要性と適用範囲を見極める
構造化とトレーサビリティ
- 要求を文章として記述するのみでは不十分
- 相互接続すべき要素:
- 目的、要求、制約、業務プロセス、データ、AIモデル
- インターフェース、評価基準、テスト、運用、監査、変更管理
- これらを相互に接続し、トレーサビリティを確保する
- 機械が扱える形への発展:
- 人が読んで理解できるだけでなく、各種ツールが扱える形にする
- 対象はAI、要求管理ツール、モデリングツール、テストツール、監査ツール
- Human ReadableからMachine Readable、さらにMachine Understandableへと進める
- モデルによる構造化・可視化:
- 要求・要件、業務プロセス、データ等をモデルとして構造化・可視化する
- 実装へつなげやすくなる
- ノーコード・ローコードを含む多様な開発手法を活用する基盤となる
- 本書の焦点:
- 個別の開発手法そのものではない
- その前提となる要求・要件の構造化・可視化に焦点を当てる
本書の目的と想定読者
- 本書の目的:
- AI時代に必要となる要求管理の考え方、手順を整理する
- 成果物、注意点も整理する
- 想定読者:
- 情報システム部門や開発者に限らない
- 経営層、事業部門、業務改革担当、DX推進部門
- AI開発・利用部門、データ担当、法務・コンプライアンス部門
- 監査部門、調達部門、行政機関の制度設計担当者
- AIやソフトウェアを用いて価値を実現するすべての関係者
対象とするAI活用の範囲
- AIを組み込んだシステムの新規開発に限らない
- 既存AIサービスによる業務改善も対象:
- 対象業務は企画、管理、品質保証、問い合わせ対応
- 文書作成、審査、監査、事務処理なども含む
- AI活用時に明確にすべき事項:
- AIを使うことを所与としない
- 解決すべき課題や実現したい価値をまず明らかにする
- AI利用の必要性と適用範囲、人とAIの役割分担を明確にする
- 期待する効果、評価・確認方法、運用後の見直し条件を明確にする
- 継続的管理の対象化:
- これらを要求として明確化する
- 要件、運用、評価及び改善へと接続して継続的に管理する
- これもAI時代の要求管理の対象とする
依拠する知見と扱う論点
- 依拠する知見:
- 要求工学、システムズエンジニアリング、ビジネス分析の知見を踏まえる
- ISO/IEC/IEEE 29148、ISO/IEC/IEEE 15288を参照する
- BABOK、INCOSE Guide to Writing Requirementsを参照する
- 基本プロセス:
- 要求の獲得、分析、仕様化、評価、管理
- AI時代に特に重要な論点:
- AIを活用した要求抽出、対話型の要求作成支援
- モデリング、トレーサビリティ、変更管理
- AIへの要求、データ要求
- 法令・標準・社内規則との接続、運用後のフィードバック
ルールを要求として扱う視点
- 要求管理の重要な入力:
- 法令、標準、ガイドライン、社内規則、マニュアル
- ルールの位置づけ:
- ルールは外部制約ではない
- システムや業務が満たすべき要求の一部
- ルールの反映先:
- 法令や標準の義務、禁止事項、評価基準を反映する
- 説明責任、監査証跡も反映する
- 反映先は業務プロセス、データ項目、AIモデル、システム仕様、運用手順
- LE4SDS:
- Legal Engineering for Software-Defined Societyの略
- 制度設計とソフトウェア工学を接続する考え方
- 本書はこの考え方を取り入れる
目指すべき要求管理の姿
- 一度きりの文書化ではない
- 循環的でライブな要求管理:
- 社会や業務の変化に応じて、要求から要件化し、モデル化し、実装する
- 運用データをもとに検証し、再び要求を更新する
- 得られる効果:
- 価値をタイムリーに実現し、変化に柔軟に対応できる
- コンプライアンス、透明性、説明責任を同時に確保できる
- 本書が目指すもの:
- AIに仕事を任せるための要求定義ではない
- 人間とAIが共通理解を持つための要求管理
- 実現したい価値を、要求、要件、モデル、データ、ルールへつなげる
- さらに評価、運用、改善へとつなげる
- 要求管理の本質:
- 開発の前工程ではない
- 変化に強い社会と組織をつくるための中核的な能力
第1章 要望・要求・要件とは何か
要求定義の出発点
- 要求定義の失敗:
- 要求定義の失敗は、システム開発やAI導入の失敗に直結する
- 使われないシステム、現場の期待と合わないAI出力、後からの多数の仕様変更が生じる
- 法令や社内規則への未対応、運用開始後の想定外のトラブルも生じる
- これらの問題の多くは、実装段階に限らず要求定義段階に原因がある
- 要求定義とは:
- 単に必要な機能を一覧にすることではない
- 導入の目的、誰にとっての価値か、どの業務を変えるかを明確にする活動
- どのデータを使うか、どの制約を守るか、何をもって成功とするかも明確にする
- 3つの言葉の区別:
- 要求定義では「要望」「要求」「要件」の区別が重要
- 日常会話ではこれらの言葉は混同されやすい
- 違いを意識しないと、関係者の期待がずれたまま開発や導入が進む
要望、要求、要件の違い
- 要望:
- 利用者や関係者の望み、期待、困りごと
- 必ずしも具体的ではなく、最初は漠然としていることが多い
- 例として「もっと楽に仕事をしたい」「顧客対応を早くしたい」「安全にAIを使いたい」「手続を簡単にしたい」がある
- 重要な声だが、改善内容、対象範囲、守る制約が不明確なため、そのままでは実装できない
- 要求:
- 要望をもとに、実現したいこととして整理したもの
- 要望が困りごとや期待であるのに対し、要求は何を実現したいかをより明確にしたもの
- 「顧客対応を早くしたい」という要望は、問い合わせ内容の分類、過去の回答例の検索に整理できる
- 同じく、担当部署の自動振り分け、回答案の作成といった要求にも整理できる
- 用語に関する補足:
- 国際的にはRequirementsと呼ばれ、「要求」「要件」両方の意味を包含する
- 本書では「要求」と「要件」を区別する
- 要件:
- 要求をさらに具体化し、実現しなければならない事項として定義したもの
- 実装、評価、受入、運用につながるレベルで記述する必要がある
- 「問い合わせ内容を分類したい」という要求は、受付時に苦情、質問、申請、障害報告、その他に分類することに具体化される
- 同じく、分類結果の担当部署への通知、担当者による修正、分類精度の月次評価といった要件にも具体化される
- 要望・要求・要件の対比例:
- 要望は「問い合わせ対応を早くしたい」
- 要求は「問い合わせ内容を分類したい」
- 要件は「問い合わせを5分類し、担当部署へ通知すること」
- 要望をそのまま実装しない:
- 要望の背景にある目的を確認し、要求として整理する
- そのうえで実装・評価可能な要件へ落とし込む
- 要求と要件の関係:
- すべての要求がそのままシステムやAIの要件となるわけではない
- 要求の実現手段を検討した上で、システムやAIが担う部分について必要な要件を具体化する
- 全体像の把握:
- 要件の構成要素はArchiMateで記述できる
- ArchiMateはThe Open Groupが標準化した、エンタープライズアーキテクチャを記述するモデリング言語
- 要望はGoalであり、機能、細かい要求条件や制約、多くの関係者が関わる全体像を考える必要がある
木のブランコの例
- 例の題材:
- 要求定義の説明では、木にぶら下がったブランコの絵がよく使われる
- 「顧客が本当に必要だったもの」を示す絵として様々な派生形がある
- 要望:
- 最初の要望は「木の下で楽しく過ごしたい」こと
- 利用者の望みであり、具体的な実現方法はまだ決まっていない
- 要求:
- 「枝にロープでぶら下がりたい」「座って遊びたい」
- 「子どもが安全に使えるようにしたい」
- 制約条件:
- 「ロープは3メートルしかない」「庭にある部材しか使えない」
- 「大きな工事はできない」「子どもが使うので安全でなければならない」
- 要件:
- 枝からつるすロープは1本とする
- 座る部分には庭にあるタイヤを活用する
- ロープの結び目は荷重に耐える方法とする
- 地面から座面までの高さは子どもが安全に乗り降りできる高さとする
- 例からの教訓:
- 要望から要件へ直接飛ぶことはできない
- 要望の理解、要求の整理、制約条件の確認を行う
- そのうえで実現方法を検討し、評価可能な要件にする
- AI時代への適用:
- 「AIを使いたい」「自動化したい」「効率化したい」という要望のみでは不十分
- 何を実現したいか、どの判断を支援するか、どのデータを使うかを整理する
- 人間の関与箇所、誤り発生時の対応、効果の測定方法も整理する
所与の条件のシンプル化
- 所与の条件を自動的に要件化しない:
- 利用者の要望、既存業務、既存規則、既存システムをそのまま前提にしてしまうことがある
- 与えられた条件を自動的にそのまま要件化してはならない
- 見直しの手順:
- まず業務の目的に照らして、現在の判断そのものが本当に必要かを確認する
- 判断が必要な場合も、基準や例外条件の明確化で属人的な判断を減らせないかを検討する
- そのうえで手順、承認、帳票、データ項目、社内規則の必要性を確認し、可能な限りシンプルにする
- AI時代においてその重要性はより増す
- 申請書の例:
- 「紙の申請書をPDFで提出できるようにしたい」という要求に対し、そのままPDF提出機能を作ることもできる
- 本来の目的が申請者の負担軽減や審査の迅速化であれば、申請書そのものを簡素化できる可能性がある
- 手段はオンラインフォーム、自動入力、既存データの参照、API連携
- 承認業務の例:
- これまで部長承認が必要だったという理由のみで、同じ承認プロセスが新システムに組み込まれることがある
- まず承認という判断自体が本当に必要かを検討すべき
- 低リスクで定型的な案件は、必要な統制を確保しつつ承認自体を不要にできる場合がある
- 承認が必要な場合も、金額、リスク、取引先、情報種別に応じて承認レベルを分けられる
- 低リスク案件は自動処理し、高リスク案件のみ人間が確認する仕組みにできる可能性がある
- 複雑なまま実装する問題:
- AIやソフトウェアは複雑な業務をそのまま実装することもできる
- 判断の必要性や根拠が複雑なまま実装すれば、運用、保守、監査が難しくなる
- 所与の条件を疑い、不要な判断や手順をなくし、必要な判断の基準や責任を明確にすることが重要
- シンプル化の意義:
- 単なる業務削減ではない
- 要求の本質を明確にし、AIやシステムが扱いやすく、人間が理解しやすくする活動
- 変更に強くするための活動でもある
- 複雑な業務をそのままAIに渡さず、要求定義段階で構造を整理し、単純で明確な仕組みにしておく
要求定義が生む価値
- 良い要求定義は単なる文書作成ではなく、組織に大きな価値をもたらす
- 関係者の共通理解の促進:
- 経営層、事業部門、現場、IT部門、法務、セキュリティ、データ担当、外部ベンダーなど多くの関係者が関わる
- 関係者はそれぞれ異なる言葉で話し、異なる期待を持つ
- 要求定義は、同じ対象を同じように理解するための共通言語となる
- 手戻りの削減とリードタイムの短縮:
- 要求が曖昧なまま進めると「思っていたものと違う」「この業務には使えない」といった問題が生じる
- 「法令上問題がある」「データが足りない」といった問題も生じる
- 目的、範囲、制約、評価基準を明確にすれば、手戻りが減り、コスト削減と価値創出を同時に実現できる
- 実行可能性の向上:
- AIやソフトウェアは曖昧な期待では動かない
- 入力、出力、処理条件、例外、評価方法が明確であるほど、実装や自動化がしやすくなる
- コンポーネント化や再利用の推進:
- 要求が整理されていれば、共通機能、共通データ、共通ルール、共通プロセスを見つけやすい
- システムの部品化、サービスの再利用、標準化が進み、開発効率が高まる
- 柔軟な改善:
- 要求・要件と実装、データ、テスト、運用ログがつながっていれば、変更時の修正箇所を把握しやすい
- 運用後も継続的な改善が必要なAIやデータを使うシステムで特に重要
- 事前シミュレーションや検証:
- 要求・要件がモデル化されていれば、業務プロセス、データ、ルール、システムの挙動を事前に確認できる
- 建物や機械では設計段階でのシミュレーションが一般的
- AI時代のシステムや社会制度でも、要件のモデル化により事前に影響やリスクを確認することが重要
- コンプライアンスと説明責任の支え:
- 法令、標準、契約、社内規則に基づく要求が要件として明確なら、機能の必要性や根拠規則を説明しやすい
- 残すべき証跡も説明しやすくなる
- AI利用では、判断根拠、ログ、監査証跡、評価結果を残すことがますます重要になる
- 危機対応の容易化:
- 対象は障害、事故、セキュリティインシデント、AIの誤判定、不正利用
- 要求、要件、設計、データ、コード、運用ログがつながっていれば、原因究明と対策が迅速になる
- 要求定義が不十分でシステム構造も不明確なら、問題箇所の特定に時間がかかる
- 要求定義はコストではなく投資:
- 価値創出、品質向上、リスク低減を支える
- 説明責任、継続的改善も支える
職人芸から組織能力へ
- 要求管理の属人化:
- 多くの組織で、要求管理が特定の担当者の経験や暗黙知に依存している
- 優秀な担当者が異動すると品質が落ちる
- 部署やプロジェクトごとに書き方が異なり、要求・要件の粒度もばらばらになる
- 変更管理が不十分で、どの要件がいつ、なぜ変わったのか分からなくなる
- 属人化はAI時代以前から要求管理の品質や継続性を損なう要因
- AI時代における深刻化:
- AI、データ、クラウド、セキュリティ、法令、標準、社内規則が複雑に関係する
- 要求変更の影響を把握し、関係者間で共有する必要性が一段と高まる
- 個人の職人芸に任せたままでは、AI時代の早い変化に対応できない
- 組織能力としての整備:
- 標準的なプロセス、テンプレート、用語、モデル、レビュー方法を整備する
- 要求管理台帳、変更管理ルール、トレーサビリティ管理も整備する
- 誰が担当しても一定の品質を確保できるようにする
- 標準化と柔軟性:
- 標準化は柔軟性を失わせるものではない
- 標準化により共通理解が生まれ、プロジェクト間の比較ができ、AIやツールの活用がしやすくなる
- 記法やテンプレートは制約ではなく、関係者が協働するための共通言語
AI時代に一層重要となる観点
- 要求管理の要点:
- 組織や社会が実現したい価値と、関係者間で合意した要求・要件を結び付ける
- その実現状況や変更による影響を継続的に把握・管理する
- そのために「可視化」「構造化」「トレーサビリティ」「継続的更新」がより一層重要になる
- 要求・要件の可視化:
- 文章のみでは、複雑な業務やシステム、データ、AIの関係を理解しにくい
- 業務フロー、データモデル、システム構成図、ユースケースを用いる
- 状態遷移、意思決定ルール、リスクモデルなども用いて、関係者が同じイメージを持てるようにする
- 要求・要件の構造化:
- 目的、要求、制約、例外、データ、評価基準、責任主体、運用条件を整理する
- 人間が内容や関係性を理解し、合意できるようにする
- そのうえでAIやツールも扱える形に構造化し、分析や変更管理に活用する
- Human ReadableからMachine Readable、さらにMachine Understandableな形にすることが重要
- トレーサビリティの確保:
- 目的から要求、要件、設計、実装、検証などを関連付ける
- 法令、標準、社内規則に由来する要求も、反映先のシステム機能やデータ項目を追跡できるようにする
- 要求・要件の継続的な更新:
- 事業環境、利用者ニーズ、技術等の変化を踏まえ、要求・要件の妥当性を継続的に確認する
- 必要に応じて変更の影響を評価しながら適切に更新する
- 重要性が高まる理由:
- これらはAI時代に新たに生まれた考え方ではない
- AI活用により管理対象やその関係が複雑化し、変化への迅速な対応も求められる
- そのため重要性は従来以上に高まっている
第2章 要求工学の基本プロセス
要求工学とは何か
- 工学的に管理された状態:
- 一意に表現でき、再現性があり、シミュレーションができる状態
- 要求はこの状態で管理されることが望ましい
- 要求工学の定義:
- 関係者のニーズを明らかにし、要求として整理・仕様化・評価する方法論
- 要求の変更を工学的に管理することも含む
- 情報システムやソフトウェア開発の分野で発展し、AI 時代にはより広い対象に適用される
- 要求工学の本質:
- 要求定義書(要件定義書)を書くための作業にとどまらない
- 何を、なぜ実現すべきかを明確にする活動
- 誰にとって価値があるか、どの制約を守るか、どう確認するかも明確にする
- 上位目的の明確化:
- 具体的な要求の獲得前に、何を解決し何を実現すべきかという上位目的を明確にすることが重要
- 経営戦略や事業・ミッション上の問題・機会を整理する
- 達成すべき目標や成功の尺度も整理し、その実現に必要な要求を具体化する
- ISO/IEC/IEEE 15288:2023 では、この活動を「ビジネス又はミッション分析(Business or Mission Analysis)」と位置付ける
- この分析は一度で確定せず、要求獲得や要求分析で得た知見を踏まえて見直す
- 要求工学の五つの活動:
- 要求獲得(Requirement Elicitation): 関係者や文書、現場、データから要求候補を集める
- 要求分析(Requirement Analysis): 要求を分類し、矛盾、重複、優先度、実現可能性を整理する
- 要求仕様化(Requirement Specification): 要求を文書、モデル、受入条件として明確に記述する
- 要求評価(Requirement Validation): 要求が正しく、必要で、実現・検証可能か確認する
- 要求管理(Requirement Management): 要求の変更、版、状態、トレーサビリティを管理する
- 明確な定義はなく、参考文献を加味した IPA 独自の整理であり、REBOK の整理に最も近い
- 五つの活動に共通する重要事項:
- 利害関係者間のコミュニケーション、共通理解、合意形成が重要
- 要求・要件は文書として作成するだけでは不十分
- 関係者が背景、目的、内容、優先順位、制約を正しく理解する必要がある
- 実現に向けて必要な役割を果たすことについて認識を共有する必要がある
- 各活動で情報共有と認識合わせを継続し、合意とコミットメントを得ながら進める
- 活動の反復性:
- 五つの活動は順番に一度のみ実施するものではない
- 獲得中に分析が必要になり、分析の結果として再ヒアリングが必要になる
- 仕様化した要求の評価結果として要求の修正が必要になる
- AI 時代には運用後のデータやログ、利用者のフィードバックをもとに、要求管理から獲得や分析に戻ることが多くなる
- 本章の構成:
- AI の利用有無に共通する基本を説明したうえで、AI 時代に追加・強化される観点を補足する
- AI 時代の要求管理の詳細は第 2 部で扱う
要求獲得
- 要求獲得の定義:
- 経営戦略や事業・ミッション上の目的・課題を踏まえ、関係者や環境から要求候補を集める活動
- 要求工学の基本活動の入口に当たる
- ここで見落としがあると、後の分析や仕様化が丁寧でも重要な要求が欠けたままになる
- 背景理解の重要性:
- 単に関係者の要望を集めるのではなく、背景にある課題や目的を理解することが重要
- ビジネス又はミッション分析で明確にした目的や価値を関係者間で共有することが前提となる
- 複数手法の組み合わせ:
- 要求は一つの情報源や手法だけでは十分に把握できないことがある
- 経営層へのインタビューは上位目的や事業上の意図の把握に有効
- 現場の暗黙知や例外的な業務の把握には現場観察等が適する
- 対象や目的に応じて複数の手法を組み合わせ、異なる観点から要求候補を収集する
- 要求獲得の代表的な方法(BABOK 等を参考):
- インタビュー: 関係者に個別に聞き、経営層や現場責任者、専門家の意見を深掘りする
- ワークショップ: 複数の関係者で議論し、部門間の認識合わせや業務改革に用いる
- 現場観察: 実際の業務を見て、暗黙知や例外処理、現場の工夫を把握する
- アンケート: 多数の意見を集め、利用者数が多い場合に傾向を把握する
- 既存文書調査: 経営戦略、事業計画、規程、マニュアル、仕様書等から上位目的や制約を確認する
- 業務フロー確認: 業務の流れを整理し、手続、承認、責任分担を把握する
- プロトタイプ提示: 試作品を見せて妥当性を確認し、利用者に完成イメージを持たせる
- ユーザーストーリーマッピング: 利用者体験を時系列で整理し、サービス設計やアジャイル開発に用いる
- ブレーンストーミング: 多くのアイデアを生み出して整理・優先順位付けし、創造的な検討やリスク発見に用いる
- 5W1H による確認:
- 要求獲得で確認すべき基本的な問いは 5W1H で整理できる
- この基本を丁寧に確認することが要求の抜け漏れを防ぐ第一歩
- When: いつ、どのタイミングで必要か
- Where: どこで、どの状況で必要か
- Who: 誰が関係するか、誰が責任を持つか
- What: 何を実現したいか、何が問題か
- Why: なぜ必要か、どの価値を実現するか
- How: どのように実現するか、どの制約があるか
- AI 時代の情報源の拡大:
- 問い合わせ履歴、クレーム、事故報告、ログ、SNS、FAQ も要求候補の重要な情報源になる
- 会議録、チャット、保守記録、監査指摘、パブリックコメントも同様
- AI により大量のテキストやデータから頻出課題や例外処理を抽出できる
- 未対応のニーズやリスクの兆候も抽出できる
- AI 抽出結果の扱い:
- AI で抽出された要求候補をそのまま採用してはならない
- AI は過去に多く見られる意見や一般的な方法を優先する傾向がある
- 未普及の新しい解決策や少数だが重要なリスクを見落とす可能性がある
- 専門家でなければ気づかない代替手段も見落とす可能性がある
- AI による分析と人間による専門的判断を組み合わせることが重要
- AI 時代の要求獲得の詳細は第 8 章で扱う
要求分析
- 要求分析の定義:
- 獲得した要求候補を整理し、実現すべき要求として妥当かを分析する活動
- 要求候補をそのまま使えない理由:
- 重複や矛盾を含む
- 抽象度の違いや、目的と手段の混在を含む
- 法令や技術制約に合わないものを含む
- 要求の分類の例:
- ビジネス要求: 経営・事業として達成したいこと
- ステークホルダー要求: 利用者、顧客、現場、管理者等の要求
- システム要求: システム全体が満たすべき要求
- ソフトウェア要求: ソフトウェアが実装すべき機能や制約
- データ要求: データの項目、品質、出典、保存、利用条件
- ルール要求: 法令、標準、契約、社内規則等に基づく要求
- 評価要求: テスト、受入基準、監査、適合性評価
- 運用要求: 保守、監視、障害対応、教育、問い合わせ対応
- 分類の柔軟性:
- 分類は一例であり、相互に排他的ではない
- データや運用の要求をステークホルダー要求やシステム要求の一部として整理する場合もある
- システム要求を機能要求と非機能要求に分ける方法もある
- 非機能要求の一つであるセキュリティ要求を大分類に昇格させる方法もある
- プロジェクトの特性に応じて分類の仕方を検討することが望ましい
- 要求間の関係とトレードオフ:
- ある要求が別の要求の前提になる場合や、互いに矛盾する場合がある
- 例として「利用者登録を簡単にしたい」と「本人確認を厳格に行いたい」は実現方法によって衝突する
- トレードオフを明らかにし、優先度や実現方法を検討する
- 要求の背景にある目的の確認:
- 要求はしばしば手段として表現される
- 例として「紙の申請書を PDF で提出したい」の本当の目的は申請者の負担軽減や審査の迅速化かもしれない
- 遠隔でも手続できるようにすることが目的である可能性もある
- 目的を確認すれば、オンラインフォーム、自動入力、データ連携、API 連携の方が適切な場合がある
- システム以外の実現手段:
- 要求の実現手段はシステムや AI に限らない
- 人による判断、業務プロセスの変更、組織や権限の見直しで実現する場合もある
- データの整備、ルールや制度の変更で実現する場合もある
- 各要求の適切な実現手段を検討し、システムや AI に担わせる範囲を明確にすることが重要
- 要求分析で確認する観点:
- どの目的に対応しているか、本当に必要か
- 所与の条件を簡素化できないか
- ルールベース、既存システム、人、AI 等の代替手段を比較したか
- システムや AI に担わせる範囲はどこか
- 既存業務や既存ルールをそのまま実装していないか
- AI などの特定の技術や実現手段が目的化していないか
- 要求同士に重複や矛盾はないか
- 優先度は明確か
- 実現可能か、検証可能か
- 技術的制約はあるか
- 法令・標準・社内規則と整合しているか
- データは取得・利用できるか
- 運用後に監視・改善できるか
- 要求分析の重要性:
- 要求定義の品質を左右する重要な工程
- 十分に分析せず仕様化すると、後工程で大きな手戻りが発生する
- コストと期間の考慮:
- 実現手段は一つとは限らず、特定の技術を前提とせず複数の手段を比較することが重要
- AI 利用時は開発・導入費用だけでなく運用後の費用も含めて検討する
- 運用後の費用にはデータ整備、評価、監視、外部サービス利用が含まれる
- モデル等の更新や人間による確認の費用も含まれる
- 期待する効果に対して妥当なライフサイクルコストかを確認する
- 一覧化した要求に優先順位を付けて実現していく
- 社会や現場の変化や効果を想定し、要求見直しのロードマップを作成することが望ましい
- AI 利用時の追加観点:
- AI の利用が目的の達成に適しているかを検討し、適用範囲を明確にする
- AI と人間の役割分担や AI の出力に求められる品質を要求として分析する
- 利用データの品質や制約、運用後の監視・評価も要求として分析する
- これは従来の要求分析を置き換えるものではなく、AI の特性を踏まえて分析対象を拡張するもの
- 具体的な観点は 8.5 節で扱う
要求仕様化
- 要求仕様化の定義:
- 分析された要求を、関係者が理解し実装や評価に使える形で記述する活動
- 文章に加え、図、表、モデル、データ定義、受入条件を組み合わせる
- 自然言語のみの限界:
- 複雑なシステムでは自然言語のみの表現だと曖昧さや解釈の違いが残りやすい
- 要件文、業務フロー、データモデル、画面イメージ、API 仕様を組み合わせる
- ユースケース、状態遷移、ルール表、テスト条件も組み合わせて要求を明確にする
- 要求仕様化の代表的な成果物:
- 要件定義書: 要求全体から要件を体系的に整理した文書
- ユースケース: 利用者とシステムのやり取りを整理したもの
- 業務フロー: 業務手順、判断、承認、例外処理を示すもの
- 機能要件一覧: システムが提供すべき機能の一覧
- 非機能要件一覧: 性能、可用性、セキュリティ、保守性等
- データ定義: データ項目、意味、形式、品質、保存条件
- API 定義: システム間連携の入出力仕様
- 受入条件: 要求が満たされたことを確認する条件
- 成果物の管理方法:
- 成果物は要求定義書として束ねても、独立して管理してもよい
- 独立管理する場合は要求 ID などで各成果物と要求の関係を明確にする
- 本書では図やモデル等の自然言語以外を含む要求の情報セットを便宜上「要求定義書」と呼ぶ
- 要求定義書と要求管理台帳の関係は第 16 章で扱う
- 良い要件文の条件:
- 必要性があり、一意に解釈でき、実現可能である
- 検証可能で矛盾がなく、適切な粒度である
- 上位目的と下位実装へトレースできる
- ISO/IEC/IEEE 29148:2018 に準拠した整理である
- 同規格は個々の要件の品質特性として Necessary、Appropriate、Unambiguous 等を挙げる
- 同様に Complete、Singular、Feasible、Verifiable、Correct、Conforming も挙げる
- 要件集合全体には Complete、Consistent、Feasible、Comprehensible、Able to be validated を求める
- 要件文の悪い例と改善例:
- 「システムは使いやすいこと」は「使いやすい」の意味が不明確で検証も難しい悪い例
- 改善例は利用者が初回ログイン後 3 分以内に申請入力画面に到達できること
- 別の改善例は必須項目未入力時に保存前に未入力項目名と入力方法を表示すること
- 要件文は評価できる形で書く必要がある
- 要件の詳細度の調整:
- すべてを細かく書けばよいわけではない
- 目的、リスク、制約、実現方法の自由度などに応じて詳細度を調整する
- 安全性、コンプライアンス、監査、データ保護に関わる部分は詳細に書く必要がある
- 新規サービスや探索的な AI 活用では、目的や制約を明確にしつつ実装方法に柔軟性を残す
- 柔軟性を残すのは現場の工夫や改善を妨げないため
- AI 利用時の仕様化:
- AI の利用目的、入力・出力、求められる品質とその評価方法を要求仕様として明確にする
- 人間による確認や想定外の出力への対応も明確にする
- 運用時の監視や更新の条件も明確にする
- AI の出力が一定しない場合は、期待出力の一意な規定に加え、許容範囲や評価基準を定めることが重要
- 具体的な仕様化の方法は 8.6 節で扱う
要求評価
- 要求評価の定義:
- 定義された要求が正しいか、必要か、実現可能か、検証可能かを確認する活動
- 行わないと、間違った要求や曖昧な要求がそのまま開発や AI 導入に進む
- V&V との関係:
- 要求工学の分野では Verification And Validation(V&V)と表現される
- ISO/IEC/IEEE 29148:2018 では Verification を指定された要求や特性を満たすことの客観的な提示と定義する
- 同規格では Validation を意図された用途のための要求が満たされることの客観的な提示と定義する
- 平易には「要求を満たせているか」と「要求を正しく定義できているか」の確認
- 要求定義では主に後者の妥当性確認を実施するため、本書でも後者を重視する
- 要求評価の代表的な方法:
- レビュー: 関係者が要求文書を確認する
- ウォークスルー: 業務シナリオに沿って要求を確認する
- プロトタイプ評価: 試作品を使って要求の妥当性を確認する
- シナリオ検証: 通常時、例外時、障害時の流れを確認する
- ユーザーテスト: 利用者が実際に操作して評価する
- 整合性チェック: 要求間、法令・標準、データとの矛盾を確認する
- 受入基準確認: 要求を満たしたと判断する条件を確認する
- 要求評価で確認する問い:
- 要求分析と同様の問いを確認する
- どの目的に対応しているか、本当に必要か
- 所与の条件を簡素化できないか
- ルールベース、既存システム、人、AI 等の代替手段を比較したか
- システムや AI に担わせる範囲はどこか
- 既存業務や既存ルールをそのまま実装していないか
- AI などの特定の技術や実現手段が目的化していないか
- 関係者の理解は一致しているか、合意がとれているか
- 実現可能か、検証可能か
- 技術的制約はあるか
- 法令・標準・社内規則と整合しているか
- データは取得・利用できるか
- 運用後に監視・改善できるか
- 変更が発生した場合に影響を追跡できるか
- 共通理解と合意形成の場:
- 要求評価は要求の正しさや実現可能性を確認するだけの活動ではない
- 背景、目的、内容、優先順位、制約について関係者の理解が一致しているかを確認する
- 実現に必要な役割分担や協力について合意を形成することも重要
- 形式的に承認されても認識が異なれば、設計、実装、運用の段階で齟齬が顕在化する可能性がある
- 関係者の共通理解と実現に向けたコミットメントを確認する機会と捉える必要がある
- 評価の反復:
- 要求評価は要求定義の最後に一度限りで行うものではない
- 獲得、分析、仕様化の各段階で繰り返し行う
- AI システムの評価観点:
- AI の出力は確率的で常に同じ結果になるとは限らず、追加的な観点が必要
- 「機能が動くか」に加え、精度、再現率、公平性、説明可能性を確認する
- 安全性、頑健性、誤用可能性、運用時の監視方法も確認する
- 人間の関与の評価:
- AI への要求では人間の関与を評価することも重要
- AI が自動判断するか、人間に推奨するのみかによって必要な要求は変わる
- 人間が承認するか、利用者が異議を申し立てられるかによっても変わる
- これらの観点は一律に適用せず、利用目的やリスクに応じて選択する
要求管理
- 本節での要求管理の意味:
- 本書では要求管理を広義で用いるが、本節のみ狭義で用いる
- 狭義の要求管理は、定義された要求をライフサイクルを通じて継続的に管理する活動
- 要求の変化:
- 要求は一度決めたら固定されるものではない
- 事業環境、利用者ニーズ、法令、標準は変化する
- データ、AI モデル、技術、リスクも変化し、それに伴い要求も変化する
- 管理対象:
- 要求の状態、版、変更履歴、優先度を管理する
- 関連要件、実装状況、検証状況も管理する
- トレーサビリティ:
- 要求とその発生源、上位目的、下位要件、設計をつなぐこと
- コード、テスト、運用ログ、変更要求もつなぐ対象となる
- 要求の存在理由と実装箇所を把握できる
- 確認するテストと変更時の影響範囲も把握できる
- BABOK は要求のライフサイクル管理としてトレース・維持・優先付け・変更評価・承認の 5 タスクを挙げる
- トレーサビリティの本来の目的:
- 要求と設計・実装の対応関係を記録することだけが目的ではない
- 経営戦略、事業課題、ミッション等の上位目的から運用までのつながりを維持する
- 各活動が上位目的と整合しているかを継続的に確認できるようにすることが重要
- 問題の早期提起と影響分析:
- 要求・要件の実現に支障が生じた場合は速やかに関係者へ共有する
- 認識、上位目的、実装内容等に齟齬が見つかった場合も同様に共有する
- 必要に応じて要求・要件だけでなく、前提となる目的や業務まで立ち戻って見直す
- 早期提起と影響分析も継続的な要求管理の重要な役割
- 要求管理台帳の項目例:
- 要求 ID: 一意の識別子
- 要求名: 要求の短い名称
- 要求文: 明確に記述された要求
- 要求種別: 業務、システム、AI、データ、ルール等
- 発生源: 要望、法令、標準、会議、ログ等
- 根拠: 背景、目的、法益、理由
- 優先度: Must、Should、Could 等
- 状態: 候補、承認、実装中、検証済等
- 関連要求: 上位・下位・依存関係
- 検証方法: テスト、レビュー、監査、シミュレーション
- 作成履歴: 要求の作成者、作成日時
- 担当者: 要求の管理責任者
- 変更履歴: 変更理由、変更日時、承認者
- バージョン: 要求の版
- 台帳設計の参考と二重管理の回避:
- ISO/IEC/IEEE 29148:2018 は各要求仕様書の項目例を記載しており、台帳項目の参考になる
- 対象はビジネス要求仕様書、ステークホルダー要求仕様書、システム要求仕様書、ソフトウェア要求仕様書
- 要求定義書を別途作成する場合、情報の二重管理は極力避けることを推奨する
- 項目ごとに正本を定め、要求 ID、参照先、ツール間連携で情報を関連付けることが望ましい
- 要求定義書と要求管理台帳の関係は第 15 章で扱う
- 要求と要件の台帳の分離:
- 理想的には要求と要件は別々の台帳で管理する方がよい
- 承認者、確定時期、検証方法などが異なることが多いため
- 契約や調達の境界となり、事業者レベルで分けざるを得ない場合もある
- 分ける場合の項目はほぼ同様だが、要件管理台帳には実現対象(システム名、機能名等)の項目があるとよい
- 同一管理を検討できる条件:
- 関係者が少ない
- 承認者がほぼ同じ
- 対象システムが単純である
- 契約上の責任分解が複雑でない
- 同一の変更管理手続で支障がない
- 要求と要件を ID 及び属性によって識別できる
- 要求管理不足の影響:
- 要求管理が不十分だと変更の影響範囲が分からなくなる
- AI がバグや不整合を見つけても、要求と要件やコード・データの対応が不明なら修正に時間がかかる
- 要求、要件、設計、コード、テスト、運用ログがつながっていれば、原因究明と対策を迅速に行える
第3章 要求管理を支える考え方
要求管理は単独の方法論ではない
- 要求管理の位置づけ:
- 要求工学を基盤とする活動
- 組織や社会が実現したい価値や目的を、要求・要件、実現手段、評価・改善と結び付けて継続的に管理する
- 目的や課題の明確化、システム全体の整合性確保、運用後の継続的改善を扱う他分野とも密接に関係する
- 本章の起点:
- ISO/IEC/IEEE 15288:2023 のビジネス又はミッション分析の考え方を一つの起点とする
- AI 時代の要求管理に必要な観点まで対象を広げて整理している
- 目的・課題を要求・要件、システム、実装、運用へつなげるため、関連方法論との関係も扱う
- 他分野との従来からの関係:
- AI 時代に新たに生まれた関係ではない
- デザイン思考は利用者の課題や体験を明らかにし、目的や価値の明確化に役立ってきた
- ミッションエンジニアリングは達成すべきミッションを起点に必要な能力やシステムを考える
- システムズエンジニアリング(SE)はシステム全体をライフサイクルにわたって捉える
- MBSE は SE の実践手段の一つであり、モデルを中心に要求、構造、振る舞い、検証を接続する
- アジャイルガバナンスは環境やリスクの変化を踏まえ、ゴール設定から改善までを継続的に行う考え方を提供する
- AI 時代に連携が重要になる理由:
- 業務、データ、AI、ソフトウェア、人の役割分担などを一体として考える必要性が高まる
- AI の振る舞いの不確実性や運用環境の変化への対応として、要求・要件の整合性確保や継続的な見直しが重要になる
- 方法論の適用方針:
- すべての方法論を一律に適用する必要はない
- 業務やシステムの特性、複雑さ、リスクなどに応じて適切に活用することが重要
デザイン思考との関係
- デザイン思考とは:
- 人間中心の課題発見と解決策の探索を重視する考え方
- 要求定義では、利用者や現場の困りごとや実現したい体験を明らかにする上で有効
- AI 導入現場の課題:
- 「AI を使いたい」「チャットボットを入れたい」「自動化したい」という要望が先に出ることが多い
- 本当に重要なのは利用者や業務担当者が何に困っているかである
- 課題の違いによる要求の違い:
- 困りごとの内容により、要求と必要な要件は異なる
- 問い合わせ件数が多い
- 回答の品質がばらつく
- 必要な情報にたどり着けない
- 申請者が手続を理解できない
- 困りごとの内容により、要求と必要な要件は異なる
- 要求管理の前段階での役割:
- 問題の本質を明らかにするために役立つ
- 利用者観察、カスタマージャーニー、ペルソナ、プロトタイプなどを用いる
- 表面的な要望ではなく潜在的な要求を見つけやすくなる
- デザイン思考の限界:
- デザイン思考のみでは実装可能で検証可能な要件にはならない
- 得られた気づきやアイデアは要求工学により要求・要件へ展開する必要がある
- さらにシステムズエンジニアリングや MBSE により構造化する必要がある
ミッションエンジニアリングとの関係
- ミッションエンジニアリングとは:
- 個別システムではなく、組織や社会が達成すべきミッションからシステム全体を考える方法
- 要求管理における意義:
- 個別機能の要求に加え、何を達成するためのシステムかを明確にすることは AI の有無にかかわらず重要
- AI 時代に重要性が増す理由:
- AI が人の判断や業務の一部を担う場面が増える
- AI 単体の機能や性能だけでなく、業務全体として達成すべき成果を明確にする必要がある
- その成果に基づき、AI の適用範囲、人との役割分担、評価基準を定める
- 問い合わせ対応 AI の例:
- ミッションは「問い合わせ対応を自動化すること」ではない可能性がある
- 本当のミッションの候補:
- 顧客が必要な情報に早く到達できること
- 担当者が高度な相談に集中できること
- 回答品質を均一化すること
- 顧客満足度を高めること
- ミッション明確化による優先順位の変化:
- 単に回答数を増やすことより重要になり得る事項:
- 誤回答を避けること
- 問い合わせを適切にエスカレーションすること
- 顧客に不安を与えないこと
- 担当者が修正しやすいこと
- 単に回答数を増やすことより重要になり得る事項:
- 各方法論の役割分担:
- ミッションエンジニアリングは上位目的と成果を明確にする
- 要求工学はミッション実現のために何を満たすべきかを具体化する
- MBSE はミッション、要求・要件、機能、構造、検証の関係をモデルで接続する
要求工学との関係
- 要求工学の位置づけ:
- 要求管理の中核となる方法論
- ニーズを収集し、要求として分析・仕様化・評価し、変更を管理する
- 対象の拡大:
- 従来は主にソフトウェアや情報システムを対象としてきた
- ISO/IEC/IEEE 29148:2018 では情報システムやソフトウェアの要求を SyRS/SRS と定義している
- AI 時代にはデータ要求、AI 要求、ルール要求、評価要求、運用要求も明確に扱う
- 法令や標準、社内規則は単なる外部制約ではなく、業務やシステムが満たすべき要求源として扱う
- AI による支援対象としての要求工学:
- AI は要求候補の抽出、分類、要求・要件文の作成を支援できる
- AI は矛盾検出、過不足確認、モデル生成も支援できる
- AI 出力の人間による確認:
- AI の出力は常に正しいとは限らない
- AI が出力した要求は目的、実装可能性、法令・標準との整合性の観点で評価する必要がある
システムズエンジニアリングとの関係
- システムズエンジニアリングとは:
- 複雑なシステムをライフサイクル全体を通じて設計・統合・検証・運用する考え方
- 要求管理における意義:
- 個別機能だけでなくシステム全体を考えることは AI の有無にかかわらず重要
- 対象には業務、データ、ソフトウェア、クラウド、ネットワーク、セキュリティ、運用、法令、組織体制まで含む
- AI 利用時に重要性が高まる理由:
- AI の振る舞いはデータや利用環境に左右される
- 人と AI の役割分担も業務の成果やリスクに影響する
- これらの要素の関係を一体として捉える必要がある
- AI システムの構成:
- AI が組み込まれたシステムを AI システムと呼称する
- AI システムは単体の AI モデルのみでは成立しない
- 必要な仕組み・体制:
- 入力データを収集する仕組み、データ品質を確認する仕組み
- AI モデルを実行する基盤、結果を表示する画面
- 人間が確認する業務プロセス、ログを保存する仕組み
- 異常時に対応する運用体制
- 要求管理でもシステム全体を見なければならない
- ライフサイクルにおける要求定義:
- 要求定義はシステムライフサイクルの一部として位置づけられる
- ライフサイクルはコンセプト定義から実装、検証、妥当性確認、運用、保守、廃棄までを含む
- INCOSE のハンドブックではシステム定義の一つにシステム要求定義プロセスがあるとされる
- 要求・要件は開発開始前に一度限りで定義されるものではなく、ライフサイクル全体を通じて管理される
- 複数 AI エージェントによる実現:
- 各エージェントの持つ機能やトレース性などを考慮することが望ましい
MBSE との関係
- MBSE とは:
- Model-Based Systems Engineering の略
- 文書中心ではなく、モデルを中心にシステムを定義・分析・設計・検証する考え方
- AI 時代に重要となる理由:
- AI、データ、ソフトウェア、業務、ルール、評価がより複雑に関係する
- 自然言語文書のみでは全体の整合性を管理しにくい
- MBSE の活用効果:
- 要求、要件、機能、構造、振る舞い、インターフェース、検証項目をモデル上で接続できる
- ある要件がどの機能で実現され、どのデータを使い、どのテストで検証されるかを追跡できる
- AI モデル、入力データ、評価基準、運用監視、更新条件をモデルに含めると、AI の利用範囲とリスクを可視化できる
- 段階的な導入:
- 高度な専門知識が必要と考えられがちだが、最初から専門的なモデリング言語や専用ツールを導入する必要はない
- まず重要業務の業務フロー、主要データ、AI 利用箇所、評価項目などを図や表で可視化する
- それらと要求・要件との関係を整理することから始められる
- 複雑さや管理の必要性に応じて、より体系的な管理方法へ段階的に発展させるのが現実的
アジャイルガバナンスとの関係
- 背景:
- AI 時代には制度、業務、技術、リスクが短い周期で変化する
- 最初に決めたルールや要求のみで長期間運用することは難しい
- アジャイルガバナンスとは:
- 環境変化やリスク変化を継続的に把握する考え方
- ゴール設定、システム設計、運用、評価、改善を繰り返す
- 要求管理との関係:
- 要求管理もアジャイルガバナンスの一部として捉える必要がある
- 要求を定義・実装・運用し、運用で得た情報を分析して必要に応じて要求を見直す
- 分析対象はログ、問い合わせ、インシデント、監査結果、利用者フィードバック
- この循環によりシステムや AI を社会や業務の変化に合わせて更新できる
- DevOps との接続:
- DevOps は開発と運用を分断せず、運用からのフィードバックを開発や改善に反映する考え方
- AI 時代の要求管理では、要求定義から再評価までを一連のサイクルとして扱う
- サイクルは要求定義、実装、運用、監視、フィードバック、変更管理、再実装、再評価で構成される
各方法論の関係整理
- デザイン思考:
- 主な焦点は利用者体験と人間中心の課題発見
- 従来の要求管理との関係はそもそも解くべき問題を明確にすること
- AI 時代の観点は AI 導入ありきではなく解決すべき課題を見極めること
- ミッションエンジニアリング:
- 主な焦点は組織や社会が達成すべき目的
- 従来の要求管理との関係は上位目的や達成すべき成果と要求を結び付けること
- AI 時代の観点は AI を含む複数の手段の役割を目的や成果から判断すること
- 要求工学:
- 主な焦点は要求の獲得、分析、仕様化、評価、管理
- 従来の要求管理との関係は要望を要求、要件へ具体化し変更管理すること
- AI 時代の観点は AI 固有の要求・要件への対応と AI による要求管理支援
- システムズエンジニアリング:
- 主な焦点は複雑なシステム全体の統合
- 従来の要求管理との関係はシステム全体の整合性をライフサイクルにわたって確保すること
- AI 時代の観点は AI、データ、人、業務、運用を一体として捉えること
- MBSE:
- 主な焦点はモデルを中心にした設計・検証・一貫性管理
- 従来の要求管理との関係は要求、要件、構造、振る舞い、検証をモデルで接続すること
- AI 時代の観点は複雑な依存関係の可視化、変更影響分析、再検証
- アジャイルガバナンス:
- 主な焦点は変化への継続的対応
- 従来の要求管理との関係は運用データやリスク変化を要求へ反映すること
- AI 時代の観点は AI の性能・リスク・利用環境の変化に応じた継続的な評価・改善
- 実務適用の原則:
- 個々の方法論を独立して実践するのではなく、考え方を組み合わせる
- 得られた成果を要求管理につなげることが重要
- 問い合わせ対応 AI 導入での活用例:
- デザイン思考では利用者や担当者へのヒアリング等を通じて課題や潜在的なニーズを明らかにする
- ミッションエンジニアリングでは顧客の自己解決率向上や回答品質の改善など、組織として達成すべき成果を明確にする
- 要求工学では実現すべき要求を明確にし、回答品質、有人対応への引継ぎ条件、評価基準などを具体的な要件に展開する
- システムズエンジニアリングでは業務フロー、人と AI の役割分担、必要なデータやシステム構成を検討し、AI の適用範囲を見極める
- MBSE では要求・要件と業務フロー、データ、システム構成、検証項目の関係をモデルで表現し、整合性や変更の影響を確認可能にする
- アジャイルガバナンスでは運用後の問い合わせ履歴や利用者の評価をもとに達成状況を確認し、必要に応じて要求・要件や実現方法を見直す
- 一貫性の維持:
- 重要なのは各方法論を決められた順序で適用することではない
- 必要な視点を組み合わせ、目的、要求・要件、実現手段、評価結果の一貫性を維持することが重要
- 組織能力としての定着:
- 一貫性維持を組織能力として定着させることが変化に強い企業や社会を作る基盤となる
- AI 時代にはこの重要性が一層高まる
第4章 グローバル経営時代の要求管理
経営・事業変革で要求管理が重要な理由
- 目的の具体化の必要性:
- 経営戦略や政策上の目的を掲げるだけでは変革に不十分
- 目的を業務、組織、データ、AI、ソフトウェア、ルール、取引関係等が満たすべき事項へ具体化する必要がある
- 具体化した事項を関係者間で共有し、実現状況を継続的に確認する必要がある
- 要求管理は実現したい価値と具体的な実行を接続する役割を持つ
- 既存業務を所与としない姿勢:
- 既存の業務やシステムをそのまま要求・要件へ置き換えてはならない
- 課題や実現したい価値を分析し、必要に応じて業務そのものを見直した上で実現すべきことを明確にする
- この検討にはビジネス分析やBPR(Business Process Re-engineering)等の考え方を活用できる
- ビジネス分析とBPR:
- ビジネス分析は事業・業務上のニーズ、課題、価値、ステークホルダー等を明らかにし、変革の方向性を検討する活動
- BPRは既存の業務プロセスを抜本的に見直す場合に用いられるアプローチ
- 要求管理と変革活動の往復:
- 要求管理はビジネス分析やBPRと分断された活動ではない
- ビジネス分析やBPRで明らかになった目的や変革内容を要求として具体化する
- 逆に要求分析の過程から業務や事業の前提の見直しが必要と判明することもある
- 両者を相互に行き来しながら進めることが重要
- 複数組織が関わる場合の重要性:
- 複数の組織、企業、国・地域が関係する場合は目的や責任等の前提が異なるため、要求管理の役割がより重要になる
- 前提が異なる対象は、目的、責任、業務、データ、ルール等
- グローバル経営はその典型的な場面の一つ
グローバル化する企業活動
- 国境を越えるつながり:
- 企業活動は国内の一企業、一拠点、一システムの中で完結しなくなっている
- 製品、サービス、データ、業務プロセス、サプライチェーン、顧客対応、規制対応が国境を越えてつながる
- 業種別の例:
- 製造業では部品調達、生産、物流、販売、保守が複数国にまたがる
- サービス業では顧客接点、データ処理、外部委託、クラウド利用、問い合わせ対応が国際的に分散する
- ソフトウェアやAIを利用する企業では開発拠点、データ保管場所、モデル提供者、API提供者、運用委託先が世界中に存在する
- 経営活動としての要求管理:
- グローバル経営の時代における要求管理は単なるシステム開発のための活動ではない
- 経営戦略や事業方針を具体的な要求・要件につなげ、その実現を支える経営・事業活動の一部
- 共通言語としての要求定義書:
- 国、地域、組織、部門、取引先の間で共有するための共通言語となる
- 共有する内容は、実現すること、満たす品質、使うデータ、従うルール
- 暗黙知依存のリスク:
- グローバルな取引では関係者の文化、言語、制度、商習慣、技術水準が異なる
- 口頭の合意や暗黙知に依存すると誤解や手戻りが発生しやすい
- 「品質を確保する」「適切に管理する」「迅速に対応する」「安全に利用する」等の表現は国や組織によって解釈が異なりうる
- 要求定義ではこれらを実装可能、評価可能、かつ責任範囲が明確な形に落とし込む必要がある
- 経営層の主体的関与:
- 要求管理をシステム担当者のみに任せてはならない
- 経営層や事業責任者が事業価値、優先順位、許容リスク、組織間の役割分担等の判断に主体的に関与することが重要
- 経営・事業上の判断を業務部門やシステム担当者と協働して要求・要件に落とし込み、共有・管理する必要がある
グローバル経営における要求定義の4つの意義
- 関係者間の共通理解の醸成:
- 異なる国、言語、部門、企業が関わる場合の共通基盤となる
- 目的、範囲、責任、制約、成果物を明確にする
- 迅速なサプライチェーン構築:
- 部品、サービス、データ、システム、AIモデルの国際的な組み合わせには事前の明確化と相互合意が必要
- 明確化の対象はインターフェース、品質基準、データ形式、セキュリティ、監査要件
- 要求定義はその明確化と合意に役立つ
- M&Aや業務統合の基準:
- 買収・統合時には相手企業の業務、システム、データ、ルール、リスク、内部統制と自社基準との整合を確認する必要がある
- 要件が適切に定義・可視化されていれば、統合すべき点、残すべき点、変更すべき点を判断しやすい
- 文化的背景や制度の違いの吸収:
- 国や地域によって労働慣行、個人情報保護、契約、商習慣、リスク許容度、説明責任の考え方が異なる
- 要求定義はその違いを可視化する手段となる
- 違いを一つの要求に無理に押し込まず、共通化すべき部分とローカルに適応すべき部分を分ける手段となる
グローバル取引における共通理解
- 文書間の整合性:
- グローバルな取引では契約書、仕様書、SLA、品質基準、セキュリティ要件、データ利用条件等の多くの文書が作成される
- 文書同士が整合していなければ実務で混乱が生じる
- 契約に「高品質なサービスを提供する」とあっても、品質指標等が要求定義で明確でなければトラブル時に解釈が分かれる
- 明確にすべきものは品質指標、測定方法、報告方法、改善手順
- 明確にすべき要求管理項目(表12):
- 目的: 何のために取引・連携・開発を行うのか
- 対象範囲: どの業務、拠点、システム、データが対象か
- 役割分担: 誰が何を担当し、誰が責任を持つか
- 品質基準: 何をもって品質を満たしたと判断するか
- データ要求: データ項目、定義、形式、品質、利用条件
- セキュリティ要件: アクセス制御、ログ、暗号化、事故対応
- インターフェース: API、データ連携、ファイル形式、更新頻度
- 評価方法: テスト、受入条件、監査、報告方法
- 変更管理: 仕様変更、法令変更、障害時の対応
- ローカル差異: 国・地域ごとの例外や追加要求
- 明確化の効果:
- 発注者、受注者、委託先、現地法人、外部サービス提供者が同じ前提で作業を進めやすくなる
- AIやデータを扱う場合は、データの意味、利用条件、保存場所、再利用可否、説明責任を明確にしないと後で大きな問題になりやすい
- 言語の違いによるずれ:
- 英語の要求が日本語に訳されると意味がずれることがある
- 「適切に」「必要に応じて」「速やかに」等の日本語表現は他言語への置き換えで曖昧さが増す場合がある
- 重要な要求は自然言語に加え、表、定義、モデル、受入条件、測定指標を併用して表現することが望ましい
サプライチェーン構築と要求管理
- 競争力としての構築・組替能力:
- グローバル経営ではサプライチェーンを迅速に構築し、必要に応じて組み替える能力が競争力になる
- 部品、素材、物流、クラウド、ソフトウェア、AI、データサービスを複数の国や企業から組み合わせる場合がある
- 各要素の要件が不明確だと接続や切替に時間がかかる
- 海外サプライヤー追加の例:
- 価格や納期以外にも多くの要件を確認する必要がある
- 確認対象は品質管理、トレーサビリティ、セキュリティ、データ連携、監査対応、環境・人権対応等
- 要件が文書化され評価可能であれば、候補企業の比較、契約交渉、システム連携、監査準備が速くなる
- 重要な観点(表13):
- 品質: 製品・サービスが満たすべき基準を明確にする
- 納期: リードタイム、遅延時対応、報告義務を定義する
- データ連携: 注文、在庫、出荷、品質情報の形式と頻度を定義する
- トレーサビリティ: 部品、材料、工程、出荷履歴を追跡可能にする
- セキュリティ: 情報管理、アクセス権、委託先管理を定義する
- レジリエンス: 災害、紛争、規制変更時の代替手段を定義する
- コンプライアンス: 輸出管理、個人情報、環境、人権等への対応を定義する
- 変更管理: 仕様変更、供給停止、代替品利用時の手順を定義する
- AIによる監視・最適化:
- AI時代にはサプライチェーンの監視や最適化にAIが使われる
- 用途は需要予測、在庫最適化、異常検知、調達先評価、リスク予測等
- AIが利用するデータの品質、出典、更新頻度、利用条件、説明可能性も要件として定義する必要がある
- 要件の標準化:
- 要件を毎回一から作るのではなく、共通の部品を整備しておくことが重要
- 整備対象は共通テンプレート、標準データ項目、共通API、評価基準、チェックリスト
- 標準化されていれば、新しい取引先やサービスの追加時に比較、審査、接続、監査を迅速に行える
M&Aにおける要求定義
- 多面的な確認:
- M&Aでは財務、法務、人事、事業、顧客、技術、システム、データ、セキュリティ、内部統制等が確認される
- AI時代にはAI利用状況、データ品質、モデル管理、外部サービス依存、サイバーリスク、規制対応、社内ルール整備状況も重要になる
- デューデリジェンスの基準:
- 対象企業の業務、システム、データ、AI、セキュリティ、コンプライアンスが自社の要求水準を満たすか確認するには基準となる要件が必要
- 顧客データ管理、アクセス制御、ログ保存、AI利用ルール、外部委託管理、インシデント対応等の自社要件が明確なら差分を把握しやすい
- 統合計画の基準:
- M&A後は業務プロセス、基幹システム、データ、社内規則、セキュリティ基準、AI利用方針を統合する必要がある
- どこを共通化し、どこを地域・事業特性に応じて残すかの判断に要求定義が必要
- 領域ごとに確認すべき要求(表14):
- 業務: 主要業務プロセス、承認、例外処理、責任分担
- システム: 基幹システム、外部サービス、API、運用体制
- データ: データ定義、品質、正本、アクセス権、保存期間
- AI: 利用目的、モデル管理、入力データ、評価、監視
- セキュリティ: 認証、権限、ログ、脆弱性管理、事故対応
- コンプライアンス: 法令、規制、契約、業界標準、監査証跡
- 社内ルール: 規程、ガイドライン、マニュアル、教育、改定履歴
- 変更管理: システム変更、ルール変更、データ変更の管理方法
- ベンダー管理: 委託先、SLA、契約、再委託、データ利用条件
- 要求定義の目的:
- 対象企業を自社のやり方に一方的に合わせることが目的ではない
- 統合後に実現したい経営目的を明確にすることが重要
- その上で要件を3種類に整理する
- 共通化すべき要件
- ローカルに残すべき要件
- 段階的に移行すべき要件
- 一律統合の弊害:
- グローバルM&Aで各国の制度や文化を無視して一律統合を進めると現場の反発や業務停滞が起きる
- 要求定義は共通基盤と地域適応のバランスを取るための道具
文化的背景や制度の違いへの対応
- 違いを前提とした要求定義:
- 国や地域によって前提が異なるため、違いを前提に要求定義を行う必要がある
- 異なる前提は意思決定の方法、責任の考え方、契約への期待、リスク許容度、個人情報保護、労働慣行、顧客対応、監査文化
- 違いの具体例:
- 詳細な手順の文書化と遵守を重視する国もあれば、現場の裁量や判断を重視する国もある
- 個人情報や従業員データの扱いは国ごとに法制度や社会的期待が異なる
- 顧客対応では即時回答を重視する文化もあれば、慎重で正式な回答を重視する文化もある
- 一律適用と現地任せの問題:
- 単一の要件を全ての国・地域に適用すると現場に合わない仕組みになる可能性がある
- 全てをローカルに任せるとグループ全体の統制、品質、セキュリティ、データ連携が難しくなる
- グローバル要求定義では共通要件とローカル要件を分けることが重要
- 要件区分の例(表15):
- グローバル共通要件: グループ全体で統一すべき目的、品質、セキュリティ、データ、監査、倫理
- リージョン要件: 地域の規制、商習慣、言語、顧客対応に応じた要件
- ローカル要件: 国・拠点・事業固有の運用、例外、手順
- 例外要件: 一時的または限定的に認める例外とその管理方法
- ローカル差異の管理:
- この区分によりグローバル統一とローカル適応を両立しやすくなる
- ローカル差異を「例外」として曖昧に扱ってはならない
- 理由、適用範囲、責任者、見直し時期を明確にした要件として管理することが重要
言語の違いを吸収する要求定義
- 翻訳による意味のずれ:
- 言語の違いは要求定義の品質に大きな影響を与える
- 要求は英語、日本語、現地語の間で翻訳されることが多い
- 翻訳で意味がずれると実装、契約、監査、運用に影響する
- 曖昧な表現への注意:
- 「速やかに」「必要に応じて」「適切に」「合理的な範囲で」「原則として」等は文脈によって解釈が変わる
- 日本語では自然に読めても、他言語に訳すと責任範囲や期限が不明確になることがある
- 用語集の作成:
- 重要な用語について英語、日本語、現地語の対応を整理し、定義を明確にする
- 定義のずれが生じやすい用語は顧客、利用者、事業所、担当者、承認者、個人情報、機密情報、AI出力、ログ、インシデント等
- 短く一意な要求文:
- 一つの要求文に複数の条件や例外を詰め込むと翻訳時に意味が崩れやすい
- 要求文は主語、動詞、対象、条件、評価方法を明確にして書くことが望ましい
- 自然言語以外の併用:
- 表、業務フロー、データモデル、ルール表、受入条件、テストケースを併用すれば言語の違いによる誤解を減らせる
- AI翻訳時の専門家レビュー:
- AI翻訳は便利だが、法令、契約、技術、業務用語の微妙な差異を誤る可能性がある
- 重要な要求は現地の法務、業務担当、技術担当が確認する必要がある
グローバル要求定義で追加すべき観点
- 重点的に確認すべき観点(表16):
- 法制度: 各国・地域の法令、規制、許認可、報告義務
- データ越境: データの保存場所、移転、アクセス、再利用条件
- 言語: 用語定義、翻訳、現地語対応、表示言語
- 文化: 顧客対応、承認、責任、リスク許容度
- 契約: 責任分担、SLA、知財、再委託、データ利用
- セキュリティ: 各国基準、グループ基準、委託先管理
- 監査: 証跡、報告形式、内部統制、外部監査対応
- サプライチェーン: 取引先、再委託、代替手段、地政学リスク
- 標準化: 共通API、共通データモデル、共通評価基準
- ローカル適応: 地域差、例外、段階的移行
- 初期段階で確認する効果:
- これらを国内プロジェクト以上に重点的に、要求定義の初期段階から確認することが望ましい
- 後から生じる手戻りの削減が期待できる
- 想定される手戻りの例は、ある国で使えない、現地規制に合わない、データを移転できない、現地語対応が必要だった等
グローバル経営時代の要求管理の進め方
- 共通化とローカル適応の分離:
- 最初から全てを一律に決めようとすると現場の実態に合わなくなる
- 各国・各拠点に任せきりにするとグループ全体の統制やデータ連携が難しくなる
- 共通化とローカル適応を分けて進めることが重要
- 手順1 グローバル共通の目的と原則の定義:
- 経営層や事業責任者が経営戦略や事業方針に基づいて定める
- 定める内容は、グローバルで実現すべき価値、優先順位、共通化すべき範囲、現地に委ねる判断の範囲等
- 基本原則の例は、顧客データを安全に扱う、AI利用時に人間の関与を明確にする、重要業務で監査証跡を残す等
- 手順2 共通化すべき要件の定義:
- グループ全体で統一した方がよい要件を整理する
- 対象はデータ定義、セキュリティ、認証、ログ、API、品質基準、AI利用ルール等
- 手順3 ローカル要件の収集:
- 各国の法令、商習慣、言語、顧客対応、労働慣行、現地システムの制約を確認する
- 手順4 共通要件とローカル要件の差分管理:
- 差分を単なる例外として放置せず、理由、適用範囲、責任者、見直し時期を明確にする
- 事業方針やグループ全体の統制に影響する差分は経営層や事業責任者が判断する
- 手順5 モデルやテンプレートによる共有:
- 業務フロー、データモデル、ルール表、トレーサビリティ表を使い、国や言語を越えて確認できる形にする
- 手順6 運用後のフィードバックの取り込み:
- 現地での問い合わせ、監査指摘、事故、法令変更、顧客反応を分析する
- 分析結果に基づいてグローバル共通要件とローカル要件を見直す
- 標準化と多様性の調整:
- グローバル経営時代の要求管理は標準化と多様性の調整
- 全てを一律にそろえることでも、全てを現地任せにすることでもない
- 経営層や事業責任者が方針や判断基準を示し、それに基づいて共通化すべき部分を明確にする
- 地域差を要件として管理し、変化に応じて更新できる仕組みを作ることが重要
- 要求管理はシステム開発の枠を超えて経営戦略や事業方針の実現を支える活動
本章の考え方の適用範囲
- 他領域への共通性:
- 本章の考え方はグローバルな取引やM&Aに限定されない
- 新規事業、業務改革、AI導入、制度変更等にも基本的な考え方は共通する
- 共通する基本の流れ:
- 目的を明確にし、ステークホルダーを特定する
- 要求を獲得・分析・評価し、実現手段へつなげる
- 運用後の変化を再び要求へ反映する
- 実務での進め方は第7章「AI時代の要求管理プロセス」で整理される
第5章 AI が変える要求管理の前提
変化速度が上がる時代の要求管理
- AI 時代の最大の特徴:
- 変化の速度が上がること
- 従来は制度、標準、業務、システムを年単位で見直していた
- AI を中心とするデジタル技術の進展により、四半期単位またはそれより短い周期での見直しが必要になる
- 一方向の開発の限界:
- 最初に要件を詳細に決めて開発し、完成後に運用するという一方向の流れのみでは対応しにくくなる
- AI モデルの更新、利用データの変化、利用者行動の変化が生じる
- 法令、標準、ガイドライン、社内規則も変化する
- 要求管理は開発前の一度限りの活動ではなく、運用後も継続的に見直す活動になる
- 継続的に検証・更新できる状態:
- 正しい要件を最初にすべて決めることよりも、要件を継続的に検証し必要に応じて更新できる状態にすることが重要になる
- 最初の要求定義が不要になるわけではない
- 不十分な要求定義のまま開発を始め、後から修正すればよいという意味でもない
- 運用前に明確化できる事項:
- 業務の目的、評価基準、法令・社内規則、例外処理などが該当する
- 関係部門が十分に整理し要求・要件として定義しなければ、運用後の改善も場当たり的になる
- 運用から初めて確認できる事項:
- 新しいプロダクトやサービス、探索的な AI 活用などが該当する
- 目的、仮説、評価基準、見直し条件をあらかじめ定める
- 運用から得られる知見に基づいて要求・要件を発展させる
- 判断軸としての上位目的:
- 要求・要件を更新する判断軸として、上位の目的・ゴールを明確にしておく必要がある
- 何を実現するための要求・要件かが不明確だと、目的と手段が混在する
- その結果、個々の改善が全体としてどの価値につながるのか分からなくなるおそれがある
- 最上流への立ち返り:
- 上位の目的・ゴール自体の見直しが必要な場合は、個別の要求・要件を修正し続けず、一度最上流に戻る
- 実現すべき価値や成功基準を再確認する
- それを実現するビジネス・業務モデル、機能の分担、必要なデータ、評価方法等を再整理した上で要求・要件を改めて導出する
- 継続的な変更と上流からの再構成を組み合わせることが重要になる
- 従来の考え方とAI時代の考え方(表17):
- 要件は開発前に確定する、から、要件は目的との整合を保ちながら運用後も更新される、へ移行する
- ただし開発前に必要な水準まで要件を定義・合意する
- 文書化して引き渡す、から、モデル化し共有し更新する、へ移行する
- 機能を定義する、から、目的から機能、データ、評価、運用まで一貫して定義する、へ移行する
- 開発完了が最終目標、から、価値実現と継続改善を行う、へ移行する
- 変更は例外、から、変更を前提に目的との整合を確認しながら管理する、へ移行する
- ただし最初の要求定義が不十分でもよいという意味ではない
- 人間がすべて読んで理解する、から、人間と AI・ツールが利用できる形にする、へ移行する
- 要件は開発前に確定する、から、要件は目的との整合を保ちながら運用後も更新される、へ移行する
- 生きた管理対象としての要求:
- 要求を静的な文書ではなく生きた管理対象として扱う必要がある
- 継続的管理とは、人がすべての変更を都度確認し文書を手作業で更新し続けることではない
- 更新頻度が高まるほど、要求・要件をモデルや構造化された情報として管理することが重要になる
- AI・ツールによる支援・自動化の対象:
- 要求間の整合性確認
- 変更影響の分析
- 関連する設計・実装・テストの特定
- 評価基準や制約への適合状況の監視
- ライフサイクル全体の追跡:
- 要求、要件、業務、データ、設計、実装、テスト、運用ログ等の関係を明示する
- 変更の影響をライフサイクル全体へ追跡できる状態を整える
- これにより要求の継続的な見直しと再検証・再評価を一体として進めやすくなる
AI システムは変化し続ける
- 従来のソフトウェアとの違い:
- 従来のソフトウェアは設計された機能を比較的安定して実行し、基本的に仕様に基づいて動作する
- AI を含むシステムは、データ、モデル、利用環境、利用者行動、外部サービスの変化により性能やリスクが変化する
- 問い合わせ対応 AI の例:
- 導入時に十分な精度があっても、新商品、制度改正、新しい問い合わせ傾向、社会情勢の変化で回答の妥当性が低下し得る
- モデル更新により、過去に正しく回答していた質問に異なる回答を出す可能性がある
- 生成 AI 固有のリスク:
- 出力の揺らぎ
- ハルシネーション
- 機密情報の混入
- 著作権上の懸念
- 誤用
- AI 要求で定義すべき項目(表18):
- 「A 機能を実装すること」のような要件では不十分である
- AI 利用目的: AI を何のために使うのか
- 利用範囲: どの業務・場面で使ってよいか
- 禁止範囲: どの用途では使ってはいけないか
- 入力データ: どのデータを使い、品質をどう確保するか
- 出力要件: どのような形式・根拠・制約で出力するか
- 人間の関与: 誰が確認・承認・差戻しを行うか
- 評価指標: 精度、安全性、公平性、説明可能性をどう測るか
- 監視要件: 運用後の性能劣化や異常をどう検知するか
- 更新要件: モデルやデータをいつ、どう更新するか
- 証跡要件: ログ、根拠、判断履歴をどう残すか
- インシデント対応: 誤判定や事故が起きたときにどう対応するか
- 要求定義の範囲拡大:
- 機能要求に加え、データ要求、AI 要求、ルール要求、評価要求、運用要求、説明責任要求、変更管理要求を含む
- これらを構造化しパラメータ化することで変更容易性が高まる
- 変更発生時に当該部分の変更で迅速に対応できる
AI システムの不確実性の要件化
- 決定論的システムの前提:
- 従来の要件定義は、同じ入力に対し同じ処理を行い同じ出力を返すことを前提としてきた
- 仕様の条件を満たせばシステムの振る舞いは予測可能である
- 確率的に振る舞う AI:
- 機械学習や生成 AI を用いるシステムは確率的に振る舞い、似た入力でも出力が変わることがある
- 学習データ、モデル、プロンプト、参照文書、利用環境、外部サービスの更新により出力品質やリスクが変化する
- 生成 AI では事実と異なる情報をもっともらしく出力するハルシネーションが発生し得る
- 学習時に想定していない入力(Out-of-Distribution、OOD)に対して不安定な出力を行う場合がある
- 単純な記述の不十分さ:
- 「AI は正しく分類すること」「精度 90%以上で回答すること」といった記述のみでは不十分である
- どの確率で、どの範囲で、どの条件で、どのような振る舞いを期待するかを定義する必要がある
- 確信が持てない場合、誤りが疑われる場合、想定外の入力の場合に安全側に倒す方法を要件として定義する
- 不確実性に関する確認観点(表19):
- 精度: どの評価データで、どの指標を、どの水準以上にするか
- 信頼区間: 評価結果のばらつきや不確かさをどう扱うか
- 確信度: AI が自分の出力に持つ自信の程度をどう扱うか
- 誤分類: どの種類の誤りを特に避けるべきか
- ハルシネーション: 事実と異なる出力をどう検知・抑制・対応するか
- OOD 対応: 想定外の入力や分布外データに対してどう振る舞うか
- フェイルセーフ: AI が迷った場合に安全側に倒す仕組みがあるか
- 人間へのエスカレーション: AI のみで判断せず人間に確認させる条件は何か
- 継続的評価: 運用後に性能劣化やリスク変化をどう確認するか
- 再評価条件: モデル、データ、プロンプト、業務条件の変更時に再評価するか
- 問い合わせ分類 AI の例:
- 「問い合わせを正しく分類すること」のみでは要件として不十分である
- ルールベース型では「件名に『請求書』を含む場合は経理部門に振り分ける」のように条件と処理を記述できる
- AI による分類では表現の揺れや想定外の入力により誤分類が生じ得る
- 対象範囲、分類ごとの評価指標・達成水準、迷った場合や誤分類の影響が大きい場合の対応を定める必要がある
- 問い合わせ分類 AI の要件例:
- 評価用データセットで主要分類ごとの再現率が 90%以上となることを月次で評価する
- 確信度が一定値を下回る場合は自動分類せず、担当者確認に回す
- 苦情、障害報告、法的問い合わせなどの高リスク分類は人間による確認を必須とする
- 分類不能な問い合わせは「その他」に自動分類せず未分類として管理し、分類ルールまたは学習データの改善対象とする
- 新しい問い合わせ傾向が増加した場合は分類体系を見直す
- このように記述すると、単一の平均精度ではなく、分類ごとのリスク、確信度、人間の関与、運用後の改善まで管理できる
- AI が迷ったときの振る舞い:
- 特に重要なのは、AI が迷ったときの振る舞いを要件として定義することである
- 人間は自信がない場合に上司や専門家への確認、回答の保留、追加情報の要求ができる
- AI も確信度が低い場合、不明確な入力の場合、高リスクな判断を求められた場合は安全な動作を選ぶ必要がある
- 迷った時の振る舞いの要件化例(表20):
- 確信度が低い: 自動処理せず人間の確認に回す
- 入力が不十分: 追加情報を求める
- 入力が想定外: 処理を停止し例外として記録する
- 高リスク業務: AI 出力を参考情報に限定し、最終判断は人間が行う
- 根拠が不明: 回答を生成せず参照資料不足を表示する
- 複数の解釈がある: 候補と前提条件を提示し人間に選択させる
- ハルシネーションの可能性: 原資料との照合を必須にする
- セキュリティ上の疑義: 応答を拒否しログを記録する
- 生成 AI 社内問い合わせシステムの要件例:
- 承認済み文書に根拠を確認できない場合、推測で回答してはならない
- 回答根拠となる社内規則、マニュアル、FAQ の名称と該当箇所を表示する
- 法務判断、人事評価、懲戒、契約解除、個人情報開示に関する質問は一般的な案内にとどめ、専門部署への確認を促す
- 質問が曖昧な場合は回答生成前に追加質問を行う
- 確信度が低い場合はその旨を表示し、人間による確認を求める
- 評価結果の不確かさ:
- 平均精度に加え、評価結果の不確かさも考慮することが望ましい
- 評価データが少ない場合、ある時点で高精度でも実運用で同じ性能が出るとは限らない
- 可能な場合は、評価データの範囲、信頼区間、分類別性能、重要ケースでの誤り率、再評価頻度を定義する
- 性能評価の要件例:
- 全体精度に加え、主要カテゴリ別の精度、再現率、誤分類率を確認する
- 評価結果の報告では、評価データの件数、対象期間、データの偏り、信頼区間またはばらつきを併記する
- 利用環境、入力データ、業務ルール、モデル、プロンプトを変更した場合は再評価を行う
- 運用中の実績値が評価時の性能を一定以上下回った場合は改善要求を起票する
- OOD 対応の重要性:
- AI は学習時や評価時に想定していない入力に対して不適切な出力を行う可能性がある
- 社内規則 AI の例では、未登録の新制度、他国の制度、古い規則、誤った文書、悪意あるプロンプトが入力され得る
- AI が自信ありげに回答すると利用者は誤った判断をしてしまう
- OOD 対応で定義する要件:
- 想定する入力範囲
- 想定外の入力を検知する方法
- 想定外の場合に回答を控える条件
- 追加確認や人間へのエスカレーション方法
- 想定外入力のログの保存と改善対象化
- 新しい入力傾向が増えた場合の要件、データ、モデルの見直し
- 不確実性の仕様化の意義:
- AI の弱点を認めるためではなく、不確実性を前提に安全で信頼できる使い方を設計するためのものである
- AI が誤る場合、迷う場合、想定外に遭遇する場合を要件として定義することで、AI を実務に安全に組み込める
- 不確実性の要件化のまとめ:
- AI が何をできるかに加え、できないとき、迷ったとき、誤ったときにどう振る舞うかを明確にする必要がある
- これにより AI システムは運用上信頼でき、説明可能で、改善可能なものになる
プロンプトエンジニアリングと要求工学
- プロンプトとは:
- AI に対する指示である
- 何をしてほしいか、どの情報を使うか、どの形式で出力するか、何を禁止するかを記述する
- 要求工学の一部としてのプロンプトエンジニアリング:
- プロンプトは AI に対する要求を記述しているため、要求工学の一部と考えられる
- 議事録要約の例:
- 「議事録を要約してください」のみでは何を重視するのかが分からない
- 意思決定事項の抽出、未決事項の整理、担当者別の ToDo、リスクや懸念点の抽出のいずれを求めるかで必要なプロンプトは異なる
- 良いプロンプトの要素(表21):
- 目的: 何のために AI を使うのか
- 役割: AI にどの立場で作業させるのか
- 入力: どの情報を参照させるのか
- 制約: 何をしてはいけないのか
- 出力形式: 表、箇条書き、文章、JSON 等
- 評価基準: 何を満たせばよい出力とするのか
- 確認事項: 不明点、前提、リスクを明示させる
- 根拠: 出典や判断理由を示させる
- コンテキストエンジニアリング:
- AI が参照する情報や背景となる文脈を適切に設計・管理することも重要であり、この考え方をコンテキストエンジニアリングと呼ぶ
- 要求候補の抽出・分析では、会議録や要望一覧に加え、プロジェクトの目的、共有したコンセプト、業務上の制約、既存の要求・要件を参照可能にすることが有効である
- 情報を多く与えればよいわけではなく、正確性、最新性、利用目的との関連性に配慮する必要がある
- 要求管理で明確化した目的や背景情報を AI に適切に伝えることは、AI による要求管理支援の品質向上にも重要である
- 要求仕様の一部としてのプロンプト:
- プロンプトは一回限りの文章ではなく、要求仕様の一部として管理することが望ましい
- ただしプロンプトが要求・要件のすべてを代替するわけではなく、AI に実行させる内容を表現する手段の一つである
- 業務目的、人と AI の役割分担、データ、セキュリティ、法令・ルール、評価基準、監視、責任分界はシステム全体の要件として管理する
- セットでの管理:
- 業務で AI を利用する場合、プロンプト、参照データ、出力形式、レビュー手順、利用制限、ログ、評価基準をセットで管理するとよい
- 既製の生成 AI を業務で直接利用する場合でも、プロンプトは出力内容や品質、リスクを左右する
- 同じ業務でもプロンプト、参照データ、出力条件が変われば結果も変わり得る
- 繰り返し利用するプロンプトは、業務手順やテンプレートと同様に組織として共有、評価、更新できる状態にしておく
- システム開発用プロンプトの位置づけ:
- 実コード生成用などのシステム開発のプロンプトは設計情報として構成管理される
- 要求・要件定義の時点ではプロンプトとして認識されない
- 要求定義工程で整理された要求が設計工程でプロンプトとなる
- 管理対象としてのプロンプト:
- AI 時代の要求管理ではプロンプトも管理対象になる
- プロンプトの変更が出力品質やリスクに影響する場合、変更履歴、承認、評価結果を残す必要がある
社会的受容性と倫理的影響の要件化
- 広範なステークホルダーへの影響:
- 業務効率、コスト削減、品質向上のみを確認すればよいわけではない
- AI システムは利用者、顧客、従業員、取引先、地域社会、将来の利用者など広い範囲に影響を与える
- 社会的に受け入れられるか、倫理的に問題がないか、特定の人々に不利益を与えないかを要求分析の段階で確認する必要がある
- スローガンから具体的要件へ:
- 従来、社会的影響や倫理的影響は理念や方針として扱われることが多かった
- AI 時代には抽象的なスローガンにとどめてはならない
- 公平性、透明性、説明可能性、頑健性、安全性、人間の尊厳、異議申立ての機会、社会的受容性を具体的な要件として定義する
- 不利益が生じ得る利用領域:
- 採用選考、与信、保険、教育、医療、行政サービス、顧客対応、従業員評価への利用が該当する
- AI の判断や推奨が属性、地域、年齢層、言語能力、障害の有無、経済状況により不利に働く可能性がある
- AI が直接判断しない場合でも、提示する候補やスコアが人間の判断に強い影響を与えることがある
- 社会的影響は運用後に問題が起きてから対応するものではなく、要求定義の段階で検討すべきである
- 社会的インパクト評価の観点(表22):
- 影響を受ける人: 利用者、顧客、従業員、取引先、地域社会など誰に影響するか
- 不利益の可能性: 特定の集団に不利な結果が生じないか
- バイアス: 学習データ、入力データ、評価指標に偏りがないか
- 差別・排除: 特定の人が不当に排除されないか
- 説明可能性: 判断や推奨の理由を利用者や担当者に説明できるか
- 異議申立て: 結果に疑義がある場合に確認・修正・再審査できるか
- 心理的影響: 評価や応答が利用者に不安、萎縮、不信感を与えないか
- 経済的影響: 判断が収入、取引機会、サービス利用機会に影響しないか
- 人間の関与: 重要な判断に人間が関与する仕組みがあるか
- 継続的監視: 運用後に影響を測定し改善できるか
- 公平性の捉え方:
- 公平性や頑健性は単なる技術要件として扱うのみでは不十分である
- 公平性は統計的な偏りが少ないことに限らず、利用者や社会から見て不当な扱いを受けていないと納得できることも含む
- 全体の分類精度が高くても、特定属性の利用者に誤判定が多ければ社会的に受け入れられない可能性がある
- 頑健性の捉え方:
- 頑健性は技術的にエラーに強いことに限らない
- 社会状況、利用者行動、言語、文化、制度、業務条件が変化しても不適切な判断や過度な不利益を生まないことが求められる
- 想定外の入力、誤ったデータ、偏った情報、悪意ある操作への振る舞いは、技術上の問題であると同時に社会的信頼の問題である
- 社会的受容性の要求文の例:
- 判断または推奨が特定属性の利用者に不利な結果を生じさせていないかを定期的に評価する
- 重要な判断に AI を利用する場合、最終判断者、確認手順、異議申立て手順を明確にする
- 利用者に出力を提示する場合、AI が生成または推奨したものであることを明示する
- 利用者の権利、利益、取引機会に影響が生じる場合、判断根拠または確認方法を説明できるようにする
- 不利益を受けた可能性がある利用者からの問い合わせ、苦情、異議申立てを記録し、改善要求として管理する
- モデル、入力データ、評価指標を変更した場合、特定の集団への影響を再評価する
- 多様な視点での評価:
- 社会的インパクト評価は法務部門や AI 担当部門のみで行うものではない
- 業務部門、利用者代表、顧客対応部門、データ担当、セキュリティ担当、監査担当、必要に応じて外部有識者を含めることが望ましい
- AI の影響を受ける人々が議論に含まれていない場合、重要なリスクを見落とす可能性がある
- 社会的妥当性の確認:
- AI で何ができるかに加え、AI を使うことが社会的に妥当かを確認する必要がある
- 公平性、頑健性、説明可能性、安全性は技術的な性能指標であると同時に社会的受容性を支える要件である
- 組織の目的を達成していても、利用者や社会から信頼されなければ長期的な価値は生まれない
- 要求分析への位置づけ:
- 社会的インパクト評価を要求分析の一部として位置づけるべきである
- 利用目的、対象者、入力データ、判断内容、影響範囲、人間の関与、説明方法、異議申立て、継続的監視を要件として定義する
- これにより AI システムを技術的に有効にするのみならず、社会的にも受け入れられるものに近づけられる
レジリエンスと継続的アシュアランス
- 運用後の変化への対応:
- 運用開始時に安全で信頼できることのみを確認すればよいわけではない
- 利用データ、外部環境、業務ルール、利用者行動、法令・標準、AI モデル、プロンプト、外部サービスの変化により、運用後も性能やリスクが変化する
- 変化に対応しながら安全性、信頼性、説明責任を維持するレジリエンスが求められる
- レジリエンスとは:
- 障害や変化が起きても重要な機能や安全性を維持する能力
- 必要に応じて縮退運転、代替手段、復旧、改善を行える能力
- 想定される事象:
- 性能劣化、データ分布の変化、ハルシネーションの増加、想定外入力
- 外部 API 障害、セキュリティ攻撃、法令変更、社会的批判
- 障害対応手順のみでは不十分な理由:
- 性能劣化やリスク変化は明確な障害として現れるとは限らず、正常稼働に見える状態で徐々に進行することがある
- データ分布、法令、業務ルール、利用者行動等の変化は従来の障害対応手順の検知・対応対象とならない可能性がある
- 要求定義段階で定めるべき事項:
- 何を監視するか
- どの条件で警告し、どの条件で安全モードに切り替えるか
- 誰が確認し、どのように改善するか
- 継続的アシュアランスとは:
- アシュアランスはシステムが安全で信頼できることを根拠に基づいて説明・論証する考え方である
- AI 時代には開発時の一度限りの確認ではなく、運用後も継続的に監視、評価し、根拠を更新し続けることが求められる
- システムが現時点でも要求を満たしていると説明できる状態を維持することが重要である
- 品質保証の拡張:
- 従来の品質保証はリリース前のテストや受入確認に重点が置かれていた
- 導入時に十分な精度の AI が、半年後には新しい問い合わせ、制度改正、顧客行動の変化に対応できなくなることがある
- 生成 AI ではモデル更新や参照文書の変更により出力の傾向が変わる可能性がある
- アシュアランスを開発時点の確認から運用中の継続的確認へ拡張する必要がある
- 継続的アシュアランスの観点(表23):
- 性能監視: 精度、再現率、誤分類率、回答品質が維持されているか
- 安全性: 誤判断、危険な出力、不適切な自動処理が発生していないか
- 公平性: 特定の属性、地域、言語、利用者層に不利益が生じていないか
- 頑健性: 想定外入力、データ欠損、外部環境変化に耐えられるか
- セキュリティ: プロンプトインジェクション、データ漏えい、不正利用に対応できるか
- 説明責任: 判断根拠、参照データ、ログ、承認履歴を説明できるか
- データ品質: 入力データや参照データの品質が維持されているか
- モデル更新: モデル変更時に再評価、承認、影響分析を行っているか
- 運用体制: 異常時の責任者、対応手順、エスカレーションが明確か
- 改善サイクル: 監視結果や事故情報を要求更新に反映しているか
- アシュアランス・ケース:
- 安全であると宣言するのみでは不十分であり、なぜ安全と判断できるか、どの要求を満たすか、どの証拠に基づくかを説明できなければならない
- アシュアランス・ケースは、システムが安全で信頼できると主張するために、主張、根拠、証拠、前提条件を構造化して示す考え方である
- AI 問い合わせ支援システムのアシュアランス・ケース例:
- 主張: 社内規則に基づく回答案を安全に提示できる
- 根拠: 承認済み文書のみを参照し、根拠文書を表示する
- 根拠: 回答は利用者へ直接送信されず担当者が確認する
- 根拠: 高リスク質問は専門部署へエスカレーションし、回答品質と誤回答件数を月次で監視する
- 証拠: 参照文書(要求、設計など)、テスト結果、回答ログ、担当者レビュー記録、改善履歴
- 継続的な管理対象としてのアシュアランス・ケース:
- 要求を満たすことを、要求、設計、テスト、運用ログ、監査証跡と接続して説明できるようにすることが重要である
- アシュアランス・ケースは一時点の安全性・信頼性を示すことのみが目的ではない
- 運用後の変更、モデル更新、データ更新、法令変更、事故対応のたびに見直すべき管理対象である
- フェイルセーフ:
- レジリエンスの要件化では、異常時や性能劣化時の振る舞いを明確にする必要がある
- AI が期待どおりに動作しない場合に危険な状態へ進まず、安全側に倒れる設計が重要である
- フェイルセーフの要件例:
- 回答品質が一定水準を下回った場合、自動回答を停止し担当者確認モードに切り替える
- 確信度が一定値を下回る場合、回答を確定せず人間にエスカレーションする
- 参照文書の根拠を確認できない場合、推測で回答しない
- 外部 AI サービスに障害が発生した場合、業務継続に必要な代替手段を提供する
- 高リスク分類の誤判定が一定件数を超えた場合、当該機能を停止し原因分析を行う
- データ分布の変化が検知された場合、モデル性能を再評価する
- これらにより、不確実性や変化に直面しても重大な影響が出る前に制御しやすくなる
- デジタルツインによる事前シミュレーション:
- AI を含む業務やシステムのモデルを作成し、運用前に様々な状況での振る舞いを検証することでリスクを事前に把握できる
- 検証対象は通常時、例外時、障害時、データ変化時、法令変更時、アクセス集中時、攻撃時である
- 重要インフラ、行政サービス、金融、医療、製造、交通などでは、実環境で試しにくいシナリオの検証が特に重要になる
- デジタルツインを用いた要件例:
- 重要業務に AI を適用する場合、運用前に通常時、例外時、障害時の業務シナリオをモデル上で確認する
- 誤分類、誤回答、応答遅延、外部サービス停止が業務に与える影響をシミュレーションする
- 高リスク業務では AI 停止時の手動代替手順を確認する
- 制度変更、データ項目変更、モデル更新が業務フローに与える影響を事前に確認する
- シミュレーション結果を要求管理台帳、リスク管理台帳、変更管理記録に反映する
- 更新のトリガー条件:
- 継続的モニタリングでは、何を監視するかに加え、どの条件で対応を開始するかを定義する必要がある
- 監視項目を集めていても基準がなければ、異常を検知しても対応が遅れる
- 監視指標、しきい値、対応責任者、対応手順、再評価条件をあらかじめ定めることが重要である
- 更新トリガー条件の要件例(表24):
- 性能劣化: 精度、再現率、採用率、誤回答率が基準値を下回った場合、再評価を行う
- データ分布変化: 入力データの傾向が評価時データと大きく異なる場合、モデル影響を確認する
- 苦情・異議申立て: 一定数を超えた場合、原因分析を行う
- インシデント: 誤判断、情報漏えい、不適切出力が発生した場合、利用停止または制限を検討する
- 法令・標準変更: 関連法令、ガイドライン、社内規則が変更された場合、要求と運用手順を見直す
- モデル更新: AI モデル、プロンプト、参照文書を変更する場合、再テストと承認を行う
- 外部サービス変更: API 仕様、SLA、データ利用条件が変更された場合、影響分析を行う
- 監査指摘: 監査で不備が指摘された場合、改善要求として管理する
- 人手に依存しない確認:
- 継続的アシュアランスを現実的な負担で実施するには、確認を人手のみに依存させないことが重要である
- AI やツールで運用ログ、評価結果、変更情報等を継続的に分析し、定義済みの基準・制約からの逸脱を検知する
- 影響を受ける要求・要件や再評価が必要な項目を提示する仕組みを構築する
- 人間はその結果を踏まえ、変更の承認や安全性・妥当性の判断を行う
- 組織的活動としての継続的アシュアランス:
- ISO/IEC 42001 のような AI マネジメントシステムを踏まえると、AI の要求定義は個別プロジェクトの技術仕様にとどまらない
- 組織として AI のリスクと機会を管理し、方針、役割、プロセス、評価、改善の仕組みを持つことが求められる
- 継続的アシュアランスは、経営、業務、AI、データ、セキュリティ、法務、監査、運用が連携する組織的活動である
- 継続的アシュアランスの要件例:
- 運用開始後、性能、安全性、公平性、セキュリティ、データ品質を継続的に監視する
- 監視指標、しきい値、対応責任者、エスカレーション手順を定義する
- モデル、参照データ、業務ルールなどの変更時に変更前後の影響を評価する
- 高リスクな AI 利用ではアシュアランス・ケースを作成し、要求、根拠、証拠、前提条件を管理する
- 重大な性能劣化や安全性低下が確認された場合、安全モード、手動運用、利用停止などの防御的措置を実行できるようにする
- 監視結果、事故、監査指摘、利用者フィードバックを要求管理台帳に反映し、継続的改善につなげる
- 変化しても信頼を維持できるシステム:
- レジリエンスと継続的アシュアランスの要求化により、システムは変化を検知し安全に対応し改善し続ける仕組みになる
- 重要なのは最初に完全なシステムを作ることではなく、変化しても信頼を維持できるシステムを作ることである
- 要求定義の段階から、監視、更新、フェイルセーフ、シミュレーション、アシュアランス・ケース、改善サイクルを組み込む必要がある
第6章 AIによる要求管理支援
AI による要求管理作業の支援
- AI が支援できる作業の例:
- 会議録を要約し、関係者の発言から要求候補を抽出する
- 既存の仕様書やマニュアルを読み込み、機能一覧や業務フローのたたき台を作る
- 問い合わせ履歴やクレームを分類し、利用者が困っている点を整理する
- 既存システムのコードやログを分析し、システム構造や影響範囲を推定する
- 対話型の要求定義支援:
- 特に重要なのは、AI が対話型で要求定義を支援できる点
- 人間が要求を十分に整理できていない場合でも、AI は不足項目を質問し、ヒアリングを補助できる
- 質問例として、利用者、入力データ、禁止すべき用途を問う
- 質問例として、例外処理、受入基準、ログの要否を問う
- 要求定義の経験が少ない担当者でも、一定の構造に沿って検討を進めやすくなる
- AI 支援の位置付け:
- AI による支援は人間の判断を置き換えるものではない
- AI は作業を補助し、検討漏れを減らし、文書化やモデル化を効率化する道具
- 人間が責任を持つ確認事項:
- 最終的な目的、優先度、リスク許容度
- 法令・標準との整合、事業上の判断
AI によるヒアリング支援
- ヒアリング支援の内容:
- 担当者や利用者の発言を受けて、要求として不足している項目を聞き出す
- 熟練担当者が経験に基づいて行っていた質問を、AI が一定程度支援できる
- 問い合わせ対応を AI で効率化したい場合の質問例:
- 問い合わせの種類、対象となる利用者
- AI が回答を直接返すのか、担当者向けの回答案を作るのか
- 参照する文書や FAQ、個人情報や機密情報を含むか否か
- 回答できない場合の対応、人間が確認すべき条件
- 誤回答が発生した場合の対応、回答品質の評価方法
- 保存するログの内容、社内規則やマニュアルとの関係
- 外部に回答する前の承認の要否
- 質問リストの動的提示:
- AI は要求定義の抜け漏れを減らすための質問リストを動的に提示できる
- ヒアリングの場では、議事録係や要約係に加え、未確認事項を提示する補助者として活用できる
- 質問観点の事前整理:
- ヒアリング支援を有効にするには、事前に質問の観点を整理しておくことが望ましい
- 観点の例は、業務、データ、AI、法令・標準、運用、評価、セキュリティ、監査
- これらの観点をプロンプトに組み込むことで、AI はより体系的に不足項目を確認できる
AI によるドキュメンテーション支援
- AI が作成できるたたき台:
- 入力元は、ヒアリング結果、会議録、既存文書、チャットログ
- 作成対象は、要求一覧、要求定義書、業務フロー
- 作成対象は、データ項目一覧、AI 要求管理、受入条件
- 従来の負担と AI による効率化:
- 従来、要求定義のドキュメンテーションは担当者の大きな負担であった
- 合意内容を整理し、要求として書き直し、理解可能な文書にするには多くの時間がかかる
- AI を活用すれば、会議録から要求候補を抽出し、分類し、一覧化できる
- 既存の規程やマニュアルから、義務、禁止、承認、記録、例外処理を抽出し、要求定義の材料にできる
- AI 作成文書の扱い:
- AI が作成した文書をそのまま正式な要求定義書として採用してはならない
- AI は文脈の誤解、重要事項の省略、過度な一般化、根拠不明な補完を行うことがある
- 成果物は関係者レビューの対象とし、発生源、根拠、優先度、検証方法を確認する必要がある
- AI が支援できることと人間が確認すべきこと(表 25):
- 会議録からの要求候補抽出では、重要な発言や意図が落ちていないかを確認する
- 要求の分類では、分類が業務実態と合っているかを確認する
- 要求定義書案の作成では、実装可能・評価可能かを確認する
- 業務フロー案の作成では、現場の例外処理を反映しているかを確認する
- データ項目案の作成では、データの意味、品質、利用条件が正しいかを確認する
- 受入条件案の作成では、本当に確認可能かを確認する
- 社内規則との対応提示では、根拠規則や条項が正しいかを確認する
- 要求の可視化への活用:
- AI は文書化の効率化に加え、要求の可視化にも役立つ
- 各要求に発生源、関連業務、関連データ、検証方法を付与すれば、関係者は確認点を早く把握できる
AI による過不足・矛盾の確認
- 確認支援の対象:
- 定義された要求(特に要件)の過不足、矛盾、曖昧な表現の有無
- 確認観点の例:
- 主語、実現内容、入力と出力、制約条件が明確か
- 例外処理、受入基準が定義されているか
- 必要な場合にログや証跡が定義されているか
- 上位目的と対応しているか
- 法令・標準・社内規則と矛盾していないか
- データ要求と AI 要求が整合しているか
- 人間の関与が必要な場面が定義されているか
- 変更時の影響範囲を追跡できるか
- レビューの前処理としての位置付け:
- AI による確認はレビューの代替ではなく、レビューの前処理とする
- AI で抜け漏れ候補や矛盾候補を抽出し、人間が確認することで、レビューの効率と品質を高められる
- AI システムで抜けやすい観点:
- 通常の機能要件に加え、入力データ、利用制限、説明責任、ログが抜けやすい
- 同様に、監視、モデル更新、人間の関与、インシデント対応が抜けやすい
- これらの観点が要求定義書に含まれているかを AI で確認することは有効
AI による要求のモデル出力
- モデル形式での出力:
- AI が作成した要求は、単なる文章ではなく、確認しやすいモデル形式で出力することが望ましい
- 業務フロー、データモデル、ユースケースとして出力する
- ルール表、トレーサビリティ表、リスク一覧として出力する
- 代表的な出力形式と用途(表 26):
- Markdown: 要求定義書、議事録、要求一覧の軽量な文書化に用いる
- 表形式: 要求一覧、データ項目一覧、受入条件、リスク一覧に用いる
- Mermaid: 簡易なフロー図、シーケンス図、状態遷移図に用いる
- BPMN: 業務プロセスの標準的な表現に用いる
- UML: ユースケース、クラス、シーケンス等に用いる
- SysML: 要求、構造、振る舞い、検証の接続に用いる
- ArchiMate:業務、アプリ、データ、技術基盤の関係に用いる
- JSON/XML: ツール連携や構造化データとしての利用に用いる
- ReqIF: 要求管理ツール間の要求情報交換に用いる
- 標準形式の重要性:
- 標準的な形式で出力すれば、人間による確認が容易になる
- 要求管理ツール、モデリングツール、テストツールとの連携もしやすくなる
- 出力の流れの例(図 12):
- 会議録から抽出した要求を Markdown の表で出力する
- 重要な業務の流れを Mermaid や BPMN で可視化する
- 要求とテストの対応をトレーサビリティ表にする
- 要求管理ツールと連携する場合は ReqIF 形式で要求情報を交換する
- ReqIF(Requirements Interchange Format)は要求管理ツール間で要求情報を交換する標準形式(詳細は 8.5 節)
- この流れにより、AI を文章作成支援ではなく要求定義プロセス全体を支援する道具として活用できる
- モデル化の目的:
- 目的は要求の可視化のみではない
- 要求・要件、業務、データ、設計、実装、テスト、運用等の関係を機械的に扱える形で表現する
- これにより、変更時の整合性確認、影響分析、再検証等を AI やツールで支援・自動化する基盤となる
AI による変更影響分析と再検証支援
- 継続的見直しの必要性:
- AI 時代の要求管理では、要求や要件を一度定義して終わりにしない
- 業務、法令・標準、利用環境、データ、AI モデル等の変化に応じて継続的に見直すことが重要
- 変更のたびに影響を人手ですべて確認することは大きな負担となる
- 支援の前提:
- 要求・要件と業務、データ、設計、実装、テスト、ルール、運用情報等との関係をあらかじめ整理する
- その上で、AI やツールを用いて変更影響の分析や再検証を支援することが有効
- 支援パターン1: 変更の影響範囲分析:
- 要求や要件の変更の影響は、当該要求のみにとどまるとは限らない
- 業務プロセス、データ、システム機能、AI モデル、プロンプトにも影響する可能性がある
- 法令・標準、テストケース、運用手順等にも影響する可能性がある
- 関連情報がモデルやトレーサビリティで接続されていれば、AI は影響を受ける可能性のある要素を探索し、確認対象の候補を提示できる
- 影響範囲分析の支援例:
- 法令の変更から、影響を受ける要求、業務プロセス、システム機能及びテストケースを抽出する
- 要求の変更から、修正が必要となる可能性のある設計や実装を特定する
- データ項目の変更から、そのデータを利用する AI モデル、業務、インターフェース及び評価項目を抽出する
- AI モデルやプロンプトの変更から、再確認すべき要求、評価指標、利用場面及びリスクを特定する
- 変更によって他の要求や制約との矛盾が生じていないかを確認する
- 影響分析の限界と意義:
- AI による影響分析で変更範囲を自動的に確定できるとは限らない
- 重要なのは、人間が確認すべき対象を効率的に絞り込めること
- 支援パターン2: 変更後の再検証・再評価:
- 変更内容を設計や実装へ反映するだけでなく、変更後も要求が満たされていることを再確認する必要がある
- AI やツールで、変更内容と既存のテストケース、評価基準、シミュレーション条件等との関係を分析し、再実施すべき検証項目の候補を提示できる
- 再検証の支援例:
- 変更された要求に対応する回帰テストの抽出
- 新たに必要となるテストケースの候補生成
- 評価指標や受入条件との整合性確認
- デジタルツインやシミュレーションによる影響確認
- 妥当性の再評価:
- 機能が仕様どおりに動作することの確認だけでは十分でない場合がある
- 利用者の目的や業務上の価値が損なわれていないかを再評価する必要がある
- 安全性、公平性、説明可能性等が損なわれていないかも再評価する必要がある
- 妥当性判断における役割分担:
- 妥当性の判断には、事業目的、利用者の期待、社会的影響等、人間の判断を要する要素が含まれる
- AI は評価対象や論点を提示し、分析やシミュレーションを支援する役割を担う
- 最終的な判断や承認は関係者が行うことが基本
- 支援パターン3: 継続的アシュアランス:
- 再検証は変更時に一度実施すれば終わりではない
- データ、利用環境、外部サービス、法令・標準等は継続的に変化する
- そのため運用中も要求や制約が満たされているかを確認し続ける必要がある
- 継続的確認の仕組み:
- 要求や要件に評価基準、監視指標、しきい値、テスト、運用ログ等を関連付ける
- AI やツールによって、その状態を継続的に確認できるようにすることが重要
- 例として、性能、安全性、データ品質、セキュリティ等の指標が基準を外れた場合に関連要求を特定する
- その上で、再評価や変更の必要性を提示する仕組みが考えられる
- 継続的サイクルとしての要求管理:
- 要求変更、影響分析、設計・実装への反映、再検証、運用監視を相互に接続する
- これにより、要求管理を継続的なサイクルとして実施しやすくなる
- 関係の明示とその基盤性:
- 要求や要件を単独の文書として管理せず、業務、データ、モデル等との関係を明示しておくことが重要
- 同様に、設計、実装、テスト、運用ログ等との関係も明示しておく
- モデルやトレーサビリティは、人間の理解や説明責任を支える
- 同時に、AI が変更影響を分析し、必要な再検証を支援するための基盤にもなる
AI 活用時の注意点
- 注意すべき点:
- AI の出力を要求候補として扱い、そのまま採用しない
- 出典、根拠、前提条件を確認する
- 専門家、現場、利用者によるレビューを行う
- 少数意見や例外処理を確認する
- 法令、標準、社内規則との整合性を確認する
- 実装可能性と評価可能性を確認する
- AI が見落としやすい新しい選択肢を人間が補う
- AI が作成したモデルや文書にも版管理を行う
- AI に入力してよい情報と入力してはいけない情報を明確にする
- AI による要件案の責任主体を明確にする
- AI 時代の要求管理能力:
- AI 時代に要求管理の能力が不要になるのではない
- AI の出力を評価し、修正し、使いこなすために、要求工学や業務分析の基礎がより重要になる
複数 AI エージェントの連携
- 役割分担による協調:
- 複数の AI エージェントが役割を分担し、要求の獲得、分析、仕様化を協調して行うことが可能
- 同様に、検証及び変更管理も協調して行える
- 単一エージェントと比べ、専門的な役割分担や成果物の相互確認が可能となる
- 現時点での限界:
- 本書執筆時点(2026 年 10 月時点)では、AI のみで要求の妥当性判断や正式な承認まで完結させる実践は確立していない
- 専門 AI エージェントによる成果物の作成・検査と、人間による確認を組み合わせる形が妥当
- 人間が担うのは、意味確認、優先順位付け及び承認
- 連携の形態(表 27):
- 組織内連携は、要求候補の抽出、分析、仕様化、レビュー等の専門エージェントが互いに連携する形態
- 組織・システム間連携は、異なる組織・システム間のエージェント基盤が作業を委任し、成果物を交換する形態
- 組織・システム間連携の主体の例は、発注者、供給者、法務、検証等
- 模擬ステークホルダーエージェントの活用:
- 組織内連携の例として、模擬ステークホルダーエージェントと要求ヒアリングエージェントの連携が考えられる
- ハルシネーション等のリスクから、成果物は実際の関係者の意思や合意を代替するものではない
- 確認すべき論点や質問を増やすために用いることが妥当
- つまり 6.2 節のヒアリング支援を補強するものに過ぎない
- 構造化成果物を中心とした連携:
- 成果物品質を安定させるため、自然言語の会話ではなく、構造化された要求成果物を連携の中心とすることが望ましい
- 要求情報として、表 9(要求管理台帳に持たせる項目の例)の項目に加え、作成・レビューに用いた AI エージェント及びモデル等も記録・管理できるとなおよい
- AI エージェントの役割:
- 要求候補の抽出、重複・矛盾・曖昧性の検出、モデル化
- 受入基準の生成、影響分析及び差分作成
- 人間の責任者の役割:
- 要求の正式採用、優先順位、リスク受容、法的判断
- ベースライン化及び変更承認
- 要求候補レビューエージェントの検査方法:
- 同一モデルによる検査のみに依存しない
- ルール検査、スキーマ検証、異なる知識源及び人間レビューを組み合わせる
- MCP 活用時の考え方:
- MCP(Model Context Protocol)を活用した場合でも、上記の考え方は変わらない
- MCP は、AI エージェントが外部資源を参照し、登録、検索又は分析等のツールを実行するための接続層として利用できる
- 外部資源の例は、要求管理ツール、文書、法令、設計モデル、テスト結果等
- MCP Server を接続するのみで要求管理が成立するわけではない
- MCP におけるコンテキストの確保:
- 要求・要件だけでなく、背景にある目的、判断根拠、制約条件なども AI が適切に参照できるようにすることが重要
- MCP は情報にアクセスする手段の一つに過ぎない
- 情報自体の品質や AI に与えるコンテキストの適切性は別途確保する必要がある
- AI エージェント活用時の要求管理プロセス:
- AI エージェントを活用しても、要求管理のプロセスは大きくは変わらない
- AI エージェントは構造化された要求成果物を介して協働する
- AI エージェントが承認済み要求を直接上書きしない構成とする
- 人間が意思決定責任を保持する
- すべての変更根拠と承認履歴を追跡できる仕組みとすることが重要
第7章 AI 時代の要求管理プロセス
AI 時代の要求管理プロセスの全体像
- 要求管理の性質:
- 要求定義書を作成して終わる活動ではない
- 目的の確認から運用、フィードバック、変更管理までを含む循環的な活動
- 標準的なプロセスの流れ:
- INCOSE が定義するシステムライフサイクルの要求定義部分や REBOK で整理されたプロセスを参考に整理したもの
- 1. 目的・ミッションの確認
- 2. ステークホルダーの特定
- 3. 要求獲得
- 4. 要求分析
- 5. 要求仕様化
- 6. モデリング
- 7. 要求評価・妥当性確認
- 8. 要求ベースライン化
- 9. 実装・調達・開発への接続
- 10. 運用・監視
- 11. フィードバック・変更管理
- 12. 廃止・移行
- INCOSE のシステムライフサイクル:
- INCOSE のシステムズエンジニアリングハンドブックでは、一般的なシステムライフサイクルを6つのステージとしている
- コンセプト、開発、生産、利用、サポート、廃棄の各ステージで構成される
- 一方向ではない流れ:
- 要求分析の結果、追加の要求獲得が必要になることがある
- モデリングの結果、業務やデータの不整合が見つかることがある
- 運用後のログや利用者の声から新しい要求が発生することもある
- 繰り返しを前提とする必要性:
- AI 時代には要求の新規発生や更新がより高頻度に起こりうる
- 最初からすべてを完全に決めることは重要ではない
- 要求を管理し、変化に応じて更新できる状態にしておくことが重要
目的・ミッションの確認
- 最初に確認すべきこと:
- 「何を作るか」ではなく「何を実現したいか」を確認する
- AI 活用、システム刷新、業務自動化といった要望の前に、事業上・業務上・社会上の目的を明確にする
- 確認する項目:
- 何の価値を実現したいのか
- 誰の課題を解決するのか
- どの業務やサービスを変えるのか
- 何を成功とみなすのか
- どのリスクを避けるべきか
- 目的の暫定性:
- この段階で整理する目的や価値は必ずしも確定したものではない
- 後続のステークホルダーとの対話を通じて確認・具体化し、必要に応じて見直す
- 参考となる考え方:
- 第3章のデザイン思考やミッションエンジニアリング
ステークホルダーの特定
- 早期整理の必要性:
- 要求定義では関係者(ステークホルダー)を早い段階で整理する必要がある
- 多岐にわたるステークホルダー:
- 経営層、事業部門、利用者、現場担当
- IT 部門、AI 担当、データ担当
- 法務、セキュリティ、監査、調達、外部ベンダー
- AI 利用時に明確にすべき人:
- AI の出力を利用する人
- AI の判断を確認する人
- データを管理する人
- 事故時に対応する人
- コンテキストの相互理解:
- 特定するだけでなく、各ステークホルダーの状況、課題、問題意識、制約条件を相互に理解することが重要
- その上で目的や実現したい価値の認識を擦り合わせ、プロジェクトの基本的な方向性(コンセプト)を共有する
- 共通理解が不十分な場合のリスク:
- 個々の要件が正確に記述されていても、プロジェクト全体として期待する価値を実現できない可能性がある
要求獲得
- 要求候補の収集手段:
- インタビュー、ワークショップ、現場観察
- 既存文書調査、問い合わせ分析、ログ分析、クレーム分析
- AI 活用時の扱い:
- AI を使えば大量の文書やログから要求候補を抽出できる
- AI の出力は候補として扱い、人間が確認する必要がある
- 参考となる考え方:
- 第6章の AI による要求獲得支援
- 第8章の AI 時代の要求獲得の考え方
- 第12章・第13章のルールや制度を要求定義に活かす考え方
要求分析
- 要求候補の整理:
- 集めた要求候補を分類する
- 重複、矛盾、優先度、実現可能性、リスクを整理する
- AI 時代に明確にすべき要求の種類:
- 機能要求に加え、データ要求、AI 要求、ルール要求
- 評価要求、運用要求
- 実現手段の検討:
- 各要求をどのような手段で実現するかを検討する
- システム、AI、人、業務プロセス、データ整備、組織・権限、ルール・制度等の選択肢を比較する
- 必要に応じて選択肢を組み合わせる
- 後続工程への接続:
- システムや AI に担わせる範囲を明確にし、要求仕様化につなげる
- 参考となる考え方:
- 第8章の AI 時代の要求分析の考え方
要求仕様化
- 仕様化の目的:
- 分析した要求を、関係者が理解でき、実装や評価に使える形で記述する
- 記述手段の組み合わせ:
- 自然言語の文章に加え、表、図、業務フロー
- データモデル、受入条件
- 参考となる考え方:
- 第8章の AI 時代の要求仕様化の考え方
モデリング
- 可視化の対象:
- 業務、データ、AI 利用、ルール、システム構成、評価の関係を可視化する
- 優先的に可視化すべき部分:
- すべてを詳細にモデル化する必要はない
- 重要業務、高リスク業務を優先する
- AI 利用部分、法令・標準に関係する部分を優先する
- 参考となる考え方:
- 第9章の要求の可視化方法
- 第14章の文書の構造化と標準形式
要求評価・妥当性確認
- 確認する観点:
- 定義した要求が本当に必要か
- 実現可能か、検証可能か
- 関係者の理解が一致しているか
- AI 利用時の追加確認項目:
- 入力データ、出力、人間の関与
- 評価指標、監視方法、ログ、更新条件
- 参考となる考え方:
- 第2章の要求評価の基本
- 第6章の妥当性確認目的での AI によるチェックの考え方
要求ベースライン化
- 合意した要求の管理:
- 関係者が合意した要求は要求ベースラインとして管理する
- ベースライン設定の効果:
- どの要求を前提に設計、開発、調達、評価を行うのかが明確になる
- 参考となる考え方:
- 第2章の(狭義の)要求管理の基本
実現手段への接続
- 実現手段への接続:
- 整理した要求を、要求分析で検討した実現手段へ接続する
- 要求の実現手段は必ずしもシステム開発に限らない
- システムや AI で実現する要求の引き継ぎ先:
- 設計、開発、AI モデル選定、データ整備
- 調達仕様、契約、テスト計画
- 確実な接続の重要性:
- 要求定義書を作るのみで終わらせず、実装や調達をはじめとした実現手段に確実に接続することが大切
- 参考となる考え方:
- 第11章のトレーサビリティの考え方
運用・監視
- 運用開始後の確認:
- システムや AI が期待どおりに機能しているかを確認する
- 確認対象:
- 利用状況、エラー、問い合わせ、ログ
- AI 出力の品質、監査結果
- 確認結果を改善につなげる
- 参考となる考え方:
- 第5章のレジリエンスと継続的アシュアランスの考え方
フィードバック・変更管理
- 要求見直しの契機:
- 運用データ、利用者の声、法令・標準の変更
- 業務変更、AI モデル更新
- 変更管理の手順:
- 変更要求を受け付ける
- 影響分析を行う
- 承認後に新しいベースラインへ反映する
- 影響の追跡範囲:
- 要求間だけでなく、関連するモデル、設計、実装まで追跡する
- テスト、評価基準、運用手順まで追跡する
- 必要な再検証・再評価につなげる
- AI やツールの活用:
- 影響範囲の抽出、整合性確認、テスト対象の特定等を支援・自動化することが有効
- 上位目的に及ぶ変更:
- 個別の要求変更として処理しない
- ビジネス又はミッション分析まで戻り、業務、機能、データ等を再整理する
- その上で新たな要求ベースラインを設定する
- 参考となる考え方:
- 第11章の変更管理の考え方
廃止・移行
- 廃止・移行時の要求定義:
- システムや AI サービスを廃止・移行する場合にも要求定義が必要
- 整理する項目:
- データ移行、ログ保存、契約終了
- 利用者通知、代替手段、リスク対応
第8章 AI 時代の要求獲得・分析・仕様化
要求獲得の対象の拡大
- 従来の要求獲得:
- 主に利用者、業務部門、管理者、経営層、システム担当者から要求を聞き取る
- インタビュー、ワークショップ、現場観察、既存文書調査が中心の手法
- AI時代の要求獲得:
- 人に聞くだけでなく、組織や社会に蓄積されたデータから要求候補を抽出できるため対象が広がる
- 情報源の例は問い合わせ履歴、クレーム、事故報告、障害報告、監査指摘、FAQ
- 同じくチャット、メール、会議録、操作ログ、SNS、パブリックコメントも重要な情報源になる
- データ分析で分かること:
- 問い合わせ履歴からは、利用者がどの手続でつまずいているかが分かる
- クレームからは、利用者の不満の原因が見える
- 障害報告からは、運用上の弱点が分かる
- 操作ログからは、使われていない機能や途中で離脱される画面が見つかる
- 監査指摘からは、コンプライアンス上の改善要求が見える
- データに表れた兆候の読み取り:
- 利用者や関係者の声に加え、データに表れた行動、エラー、例外、リスクを読み取ることが重要
マスの意見と「光る原石」
- マスの意見の把握:
- AIは大量の情報の整理が得意であり、多数の利用者に共通する困りごとを見つけられる
- 頻発する問い合わせ、よくあるエラー、繰り返されるクレームの発見に有効
- 少数意見の重要性:
- 要求定義では多数意見のみを見ればよいわけではなく、少数意見に重要な発見が含まれることがある
- 例として、まだ多くの人が気づいていない新しいニーズや重大事故につながる小さな兆候がある
- 専門家のみが指摘する本質的な課題や、将来のビジネスチャンスにつながる発想も含まれうる
- 「光る原石」:
- 少数だが重要な要求候補を指す本書の用語
- AIは発見を支援できるが、本当に重要かの判断には人間の専門性、現場知、経営判断が必要
- 判断の具体例:
- 全体の1%の問い合わせでも、高リスク顧客や重要な制度変更に関係する場合は無視してはならない
- 重大事故の兆候や新しい市場ニーズに関係する場合も同様
- 逆に多数の要望でも、事業目的、法令、リスク管理の観点から採用すべきでない場合がある
- 両者の区別と対応:
- マスの意見は多くの利用者に共通する要望や不満であり、AIで分類・集計し優先度を検討する
- 光る原石は少数だが重要な兆候や新しい要求であり、専門家が深掘りし価値やリスクを評価する
- AIへの全面委任の危険:
- AIに全面的に委ねると平均的な要求に寄りやすい
- 変化に強い組織には、マスの意見を把握しつつ重要な少数の兆候を見逃さない仕組みが必要
潜在要求を見つけるための問い
- 潜在要求とは:
- 利用者自身がまだ明確に言葉にできていない要求
- 利用者は自分が知る手段を前提に要望を表現しがちだが、本当に実現したい価値は別にある場合がある
- 申請書PDF化の例:
- 紙の申請書をPDFで提出したいという要望の背後に、窓口に行きたくない等の要望がありうる
- 他に入力を簡単にしたい、審査を早くしてほしい、手続状況を知りたいという要望も考えられる
- 目的を深掘りしなければ紙の手続のPDF化で終わり、根本的な改善にならない
- 人間が問いを立てる必要性:
- AIで利用者の発言から要求候補を抽出できるが、潜在要求の発見には人間が問いを立てる必要がある
- 潜在要求を探る問い:
- 利用者はなぜそれを求めているのか
- その要求の背景にある困りごとは何か
- 本当に必要なのはその手段か、別の価値か
- 現在の制度や業務を前提にしすぎていないか
- もっと簡単な方法、安い方法、安全な方法はないか
- データ連携や既存サービスで代替できないか
- 法令や標準の目的は何か、その目的を別の技術で実現できないか
- 少数意見の中に将来重要になる兆候はないか
- AIが一般的な回答に寄りすぎていないか
- 良い問いを持つ組織:
- AI時代の要求獲得では、AIに質問することに加え、人間がAIに良い問いを投げることが重要
- 良い問いを持たない組織は、AIを使っても表面的な要求の整理にとどまる
- 良い問いを持つ組織は、AIで潜在要求を掘り起こし新しい価値を発見できる
データ供給チェーンの管理
- データの位置づけ:
- AI時代の要求管理ではデータを単なる入力情報として扱ってはならない
- AIの性能、リスク、公平性、説明可能性、社会的受容性は利用するデータに大きく左右される
- データの出所不明、低品質、偏り、権利処理不足があれば、高度なモデルでも信頼できるAIにならない
- データ供給チェーンとして管理する内容:
- データ項目の定義に加え、データの出所と収集方法を管理する
- 加工方法、確認者、利用目的も管理対象とする
- 更新・削除の方法まで含めて管理する
- 製造業との類似:
- 部品や材料の調達先、品質、加工履歴、検査結果の管理に似ている
- AIにおけるデータは製品における材料であり、供給チェーンの不備は品質不良やリスクの原因になる
- データ供給チェーンとは:
- データが発生、収集、取得、加工、クレンジング、アノテーションを経る一連の流れ
- さらに統合、保管、利用、評価、更新、削除までを含む
- 要求定義ではこの流れを可視化し、各段階で必要な管理要件を明確にする必要がある
データの出自とデータセット構成
- Data Provenance(データの出自):
- どのデータが、いつ、どこで、どの目的で、誰によって収集されたかを明確にする必要がある
- 個人情報を含む場合は、当初の収集目的、同意、利用条件を確認する
- 同じく第三者提供、越境移転の有無も確認する
- 外部データはライセンス、契約、著作権、再利用条件を確認する
- 同じく商用利用可否、二次利用の制約も確認する
- 学習・検証・テストデータの構成:
- AIモデルの性能は、どのデータで学習し、どのデータで評価したかに依存する
- 評価データが偏っていれば、実運用で期待した性能が出ない
- 特定の地域、年齢層、言語、業務パターン、例外ケースが不足すると、その状況で誤った出力をする可能性がある
- データセット構成要件の確認観点:
- 出典:取得元、取得方法、取得時期は明確か
- 利用目的:当初の収集目的とAI利用目的は整合しているか
- 権利処理:著作権、ライセンス、契約、同意は確認されているか
- 多様性:利用者、地域、言語、業務パターンが適切に含まれているか
- 代表性:実運用で想定されるデータ分布を反映しているか
- 完全性:必要な項目やケースが欠落していないか
- 正確性:誤記、重複、古い情報、不正確な情報が含まれていないか
- バイアス:特定の属性や集団に偏っていないか
- 分割方法:学習、検証、テストの分割が適切か
- 更新頻度:データがどの頻度で更新されるか
- 保存・削除:保存期間、削除条件、利用停止条件が明確か
クレンジングとアノテーションの品質保証
- 品質保証の重要性:
- 開発では欠損補完、重複除去、表記ゆれ統一、ラベル付与が行われる
- この過程での誤った補正や不適切なラベル付けは、AIモデルの判断に直接影響する
- 問い合わせ分類AIの例:
- 苦情、質問、申請、障害報告、その他といったラベルを付与する場合を想定
- ラベル付けの基準が曖昧だと、担当者により苦情と質問のように分類が異なる
- このばらつきがあるとAIは一貫した判断を学習できない
- アノテーションの要件:
- アノテーション基準を文書化する
- 複数アノテーターの場合は判断基準を共有し、サンプルレビューを行う
- 高リスク分類は専門家または責任者が確認する
- アノテーション結果のばらつきを定期的に確認する
- ラベル定義を変更した場合は既存データへの影響を確認する
- アノテーション履歴、担当者、確認者、変更理由を記録する
データ加工履歴とトレーサビリティ
- 加工履歴の追跡:
- 元データの加工方法、削除項目、補正値を追跡できる必要がある
- 匿名化または仮名化の方法も追跡対象となる
- 加工履歴が不明確なデータは、問題発生時に原因を特定できない
- 後から法令や契約上の問題が判明した際、影響を受けるAIモデルやシステムを把握できない
- トレーサビリティで管理する関係:
- データソースと利用目的:目的外利用を防ぐ
- データソースとライセンス:権利処理や再利用条件を確認する
- 元データと加工データ:加工内容や品質変化を追跡する
- 加工データと学習データ:モデルが何を学習したかを確認する
- 学習データとAIモデル:モデルの性能やバイアスの原因を追跡する
- 評価データと評価結果:評価の妥当性を確認する
- 運用データと改善要求:実運用での性能劣化や新しい要求を把握する
- データ変更とモデル更新:データ更新がAI出力に与える影響を管理する
組織能力としてのデータ品質管理
- 組織の必須能力:
- データ品質管理を一部のデータ担当者のみの作業として扱うべきではない
- データ品質はAIの安全性、信頼性、公平性、コンプライアンス、事業価値に直結する
- 規制動向への対応:
- 欧州AI法のような規制動向を踏まえると、高リスクAIシステムでは説明可能性が重要になる
- 学習・検証・テストデータの品質、出典、適切性を説明できる必要がある
- 同じくバイアス管理、データガバナンスも説明できる必要がある
- データ品質管理要件の具体例:
- データソース、取得方法、取得目的、利用条件を記録する
- 学習・検証・テストデータの構成、件数、期間、対象範囲、代表性を記録する
- 個人情報、機密情報、著作物を含むデータは、利用権限、同意、契約、ライセンスを確認する
- クレンジング、匿名化、アノテーション、統合、除外の処理履歴を記録する
- データセットの偏りを確認し、特定の属性や集団への影響を評価する
- 運用開始後も入力データの分布変化、欠損、異常値、品質劣化を監視する
- 品質問題が見つかった場合、モデル、プロンプト、業務手順、評価基準への影響を分析する
- データソース、利用条件、法令、契約の変更時は、影響を受けるAIモデルとシステムを特定する
説明責任とサプライチェーンリスク
- 説明責任との関係:
- データ供給チェーンの透明性はAIの説明責任に直結する
- AIが不適切な出力をした場合、モデルのみを調べても原因が分からないことがある
- 原因確認の観点:
- 学習データの偏り、評価データが実運用を反映していなかったかを確認する
- アノテーション基準の不明確さ、古いデータの残存を確認する
- 外部データの利用条件の変化を確認する
- そのためにデータの出自、加工、利用、評価、更新の履歴を残す必要がある
- サプライチェーンリスク:
- データ供給チェーンはサプライチェーンリスクの一部でもある
- 外部調達したAIモデルやサービスでは、データの出典、学習データの範囲が不明確なことがある
- 同じく権利処理、評価方法も不明確なことがある
- 外部AIサービス利用時の確認事項:
- 提供者がどのようなデータ管理を行っているか
- 自社の入力データが学習に使われるか
- ログがどこに保存されるか
- データ削除に対応できるか
- データ要件化の結論:
- データを入力項目として定義するのみでは不十分
- 出自、権利、品質、加工、アノテーションを要件化する必要がある
- 評価、運用、更新、削除までデータ供給チェーンとして要件化する必要がある
- データ品質管理はAIの付随作業ではなく、AIガバナンスやリスク管理を支える中核的な組織能力
- 同じくコンプライアンスと価値創出も支える
- データマネジメントの範囲:
- 本節の観点はデータマネジメントのすべてではない
- データガバナンス、データアーキテクチャ、メタデータ管理、データセキュリティ等の幅広い領域を含む
- 利用目的やリスクに応じて必要事項を検討し、詳細はDAMA-DMBOK等の知識体系や国際標準を参照することが望ましい
AI時代の要求分析
- AI利用を前提としない分析:
- AIを使いたい、生成AIを導入したい等の要望があっても、最初からAI利用を前提としない
- まず背景にある目的や課題を確認し、何を実現する必要があるかを明確にする
- 実現手段の比較:
- その上で、要求の実現手段としてAIが適切かを分析する
- 実現方法はAIのみでなく、ルールベース処理、従来型ソフトウェア、既存システムがある
- SaaSや外部サービス、人による業務、それらとAIの組合せも考えられる
- AIが不要な場合:
- 判断基準を明確なルールとして定義でき、同じ入力に同じ結果を求める業務ではAI不要な場合がある
- こうした業務をAIで実現すると、データ整備、AI評価、出力監視が追加で必要になる
- モデルやプロンプトの更新、人による確認も追加で必要となり、ライフサイクル全体のコストが高くなりうる
- AIが有効な領域:
- 大量の非構造データを扱う場合
- あらかじめすべての判断ルールを定義することが困難な場合
- 画像・音声・自然言語の認識や生成を行う場合
- 業務・機能ごとの判断:
- AI利用の可否はシステム全体で一律に判断しない
- 業務や機能ごとに要求の性質、代替手段、期待される効果を比較する
- 同じくリスク及びライフサイクル全体のコストを比較し、AI利用の必要性と適用範囲を見極める
AI利用時の要求の分類
- 分析対象の拡大:
- 従来は機能要件と非機能要件を中心に分類することが多かった
- AI利用システムではデータ、AIモデル、運用、評価、法令・標準、説明責任が密接に関係する
- 区別すべき要求:
- 第2章のビジネス要求、ステークホルダー要求、システム要求、ソフトウェア要求に加える
- データ要求、AIへの要求、ルール要求、評価要求、運用要求を明確に区別し関係を分析する
- 従来システムとの関係:
- データ要求、ルール要求、評価要求、運用要求は従来のシステムにも存在する
- AIの性能やリスクはこれらに強く依存するため、AI利用時は従来以上に明示的に扱う必要がある
AI利用部分の重点確認4点
- AIと人間の役割分担:
- AIが自動的に処理・判断するのか、候補や推奨を提示するのみかを明確にする
- 人間による確認や承認を必要とするのかも明確にする
- 誤りの影響が大きい場合はAIのみで完結させず、エスカレーション条件や責任分担を分析する
- データ要求の明確化:
- 必要なデータを取得できるか、品質や代表性は十分かを確認する
- 利用条件や権利上の問題はないか、運用後も継続して取得・更新できるかを確認する
- 必要なデータを適切に確保できない場合は、AIを利用する判断自体を見直す
- 評価要求の明確化:
- AIの出力は確率的であり、単純な合否のみでは評価できない場合がある
- 精度、再現率、公平性、説明可能性、安全性等から目的に応じた評価指標と許容水準を設定する
- 利用者満足度、業務効率、誤回答率も評価指標の候補となる
- AIを利用しない実現方法と比較し、期待する価値が得られるかを確認する
- 運用後の監視と変更管理:
- AIシステムは導入時に適切でも、時間とともに性能劣化や利用状況の変化が起こる
- 運用後に何を監視し、どの条件で再評価するかを要求として明確にする
- どのような場合にAIの利用方法を変更・停止するかも要求として明確にする
- 分析結果による見直し:
- 当初AI利用が適切と判断しても、データ確保や要求品質の達成が困難と判明する場合がある
- リスク対策の困難さや、ライフサイクルコストが効果に見合わないことが判明する場合もある
- その場合はAIの適用範囲を縮小したり、ルールベースや人間の判断等の別手段に戻って検討したりする
AI時代の要求仕様化
- 要求仕様化とは:
- 分析した要求を実装や評価に使える形で記述する工程
- 自然言語の要件文に加え、モデル、表、データ定義を組み合わせることが望ましい
- 同じく評価基準、ログ要件、運用ルールも組み合わせることが望ましい
- 要求仕様に含めるべき観点:
- 目的:何を実現するための要求か
- 対象:どの業務、利用者、システムが対象か
- 入力:何を入力とするか
- 処理:どのように処理するか
- 出力:何を出力するか
- 制約:何をしてはいけないか
- 例外:通常と異なる場合の扱い
- 評価:どう確認するか
- 監視:運用後に何を観測するか
- 変更:いつ、どう見直すか
- 証跡:何を記録するか
- これらはAI時代かに関わらず一般的に含める観点
- REBOKでは要求仕様を5W1Hの観点に基づき、構造・挙動・機能の視点などから整理することを推奨
- AIに関する仕様化の難しさ:
- AIに関する要求仕様では「正しい出力」の定義が難しい場合がある
- 単純な合否に加え、許容範囲、レビュー方法を明確にする必要がある
- 同じく再評価条件、人間の判断との関係も明確にする必要がある
- 生成AIによる回答案作成の仕様例:
- AIは問い合わせ内容、FAQ、過去回答例を参照し、担当者向けの回答案を作成する
- AIの回答案は利用者に直接送信しない
- 担当者は回答案を確認し、必要に応じて修正したうえで送信する
- AIが参照した文書、生成時刻、担当者の修正有無をログとして保存する
- 月次で回答案の採用率、修正率、誤回答件数を確認し、FAQ、プロンプト、参照文書を見直す
- この仕様では目的、対象、人間の関与、禁止事項が明確になっている
- 同じく証跡、評価、改善も明確になっている
第9章 要求を可視化する
なぜ要求を可視化するのか
- 文章のみによる要求共有の限界:
- 関係者が同じ言葉を使っていても、異なる意味で理解していることが多い
- 経営層、業務部門、IT部門、AI担当、データ担当、法務、監査、ベンダーはそれぞれ異なる関心や前提を持つ
- 文章のみで共有すると読み手ごとに解釈が異なり、後工程で認識違いが明らかになる
- 具体例「顧客情報を適切に管理したい」:
- この表現のみでは何をもって適切とするかが分からない
- 明らかにすべき点として、対象データ項目、閲覧者、保管システム、AIへの入力可否がある
- 同様に、保存期間、削除条件、アクセスログの要否、法令や契約上の制約も明らかにすべき点となる
- これらを明らかにしなければ実装も評価もできない
- 可視化の目的:
- 単に見やすい図を作ることではない
- 関係者が同じ対象を同じ構造で理解し、議論し、検証できるようにすること
- 図ごとに見えるもの:
- 業務フローでは、誰が、いつ、何を判断し、どのデータを使い、どの例外処理があるかが見える
- データモデルでは、データ項目の意味、関係、重複、欠落が見える
- システム構成図では、AI、アプリケーション、DB、外部API、認証基盤、ログ基盤の接続関係が見える
- リスクモデルでは、どの脅威がどの業務やデータに影響するかが見える
- AI時代における重要性の高まり:
- AIの出力はデータ、モデル、プロンプト、参照文書、運用環境に依存する
- AIの利用箇所、入力、出力を可視化する必要がある
- 人間の確認箇所、残すログ、評価方法も可視化する必要がある
- 可視化できていないと、AIの誤出力や事故発生時に原因究明や改善が難しくなる
Human ReadableからMachine Understandableへ
- 従来の要求定義書の前提:
- 人間が読むことを前提に作られてきた
- 自然言語で背景、目的、機能、制約、画面、帳票、非機能要件などを記述し、関係者がレビューする形をとる
- 読めることと理解できることの違い:
- 人間が読めることと、複雑な業務や要求とその関係性を十分に理解できることは同じではない
- 文章のみでは解釈の相違や、要求間の矛盾・抜け漏れの見落としが起こり得る
- 求められる進め方:
- まず業務、要求、判断基準、データなどをモデル化して可視化し、共通理解と合意を形成する
- そのうえで、合意内容をAIやツールによる分析、整合性確認、変更管理に活用できるよう機械可読な形式で構造化する
- 要求文書の記載レベル(表32):
- Human Readable:人間が読める(例:自然言語の要求定義書)
- Human Understandable:人間が理解しやすい(例:図、表、業務フロー、用語集)
- Machine Readable:機械が読み取れる(例:構造化データ、タグ、ID、メタデータ)
- Machine Understandable:機械が意味を扱える(例:データモデル、オントロジー、ルールモデル、トレーサビリティ)
- Human Readableな文書の必要性:
- 今後も変わらず必要
- 妥当性、優先順位、リスク許容範囲の判断・合意には、関係者が内容と根拠を理解できる必要があるため
- 人間向け文書のみの限界:
- AIやツールを使った影響分析、整合性確認、変更管理には限界がある
- テスト生成、監査支援にも限界がある
- 人間による理解・合意形成と、AIやツールによる処理の双方を支えることが重要
- 機械可読化の具体例:
- 要求にIDを付与し、発生源、上位目的、関連法令、関連データ、関連機能、検証方法をメタデータとして持たせれば、ツールで検索・集計・影響分析ができる
- 業務フローをBPMNなどの標準形式で表せば、業務の流れや例外処理を機械的に解析しやすくなる
- データモデルやオントロジーを用いれば、同じ言葉が異なる意味で使われていないかを確認できる
- オントロジーとは:
- システム、要求、要件、機能、構造、振る舞い、インターフェース、検証などの概念と関係を明示した意味モデル
- 共有可能かつ機械処理可能な形で表現される
- Gruberによる定義も参照先として示される
- Machine Understandableの意義:
- 要求を機械に丸投げすることではない
- 人間の判断を支援するために、要求の構造、意味、関係を明確にすること
- AI時代の要求管理では、人間が理解でき、機械も扱える形を目指す必要がある
代表的なモデル・モデリング手法・構造化手法
- 手法の使い分け:
- モデリング・構造化には多様な手法がある
- すべてを使う必要はなく、目的に応じて使い分けることが重要
- 代表的な手法と用途・活用場面(表33):
- 業務フロー:業務手順、役割、例外処理を扱い、業務改善、要求定義、教育に活用する
- BPMN:標準的な業務プロセス記述を扱い、手続、承認、部門間連携に活用する
- UML:ユースケース、クラス、シーケンスを扱い、アプリケーション設計に活用する
- SysML:要求、要件、構造、振る舞い、検証を扱い、複雑なシステムやMBSEに活用する
- ArchiMate:業務、アプリ、技術基盤の関係を扱い、エンタープライズアーキテクチャに活用する
- ER図:データ項目と関係を扱い、データベースやデータ連携に活用する
- データモデル:データ定義、制約、コード体系を扱い、AI、データ基盤、相互運用性に活用する
- オントロジー:用語、概念、意味関係を扱い、分野横断、ルール、AI活用に活用する
- ルール表:条件と処理の対応を扱い、業務ルール、審査、判定に活用する
- リスクマトリクス:リスクの発生可能性と影響を扱い、安全性、セキュリティ、AIリスクに活用する
- トレーサビリティマトリクス:要件と実装・評価の対応を扱い、変更管理、監査、説明責任に活用する
- 主要手法の適性:
- BPMNは業務プロセスの標準的記述に適し、承認、分岐、例外、部門間の受け渡しの整理に有効
- UMLはアプリケーションの構造や振る舞いの整理に向く
- SysMLは要求、要件、構造、振る舞い、検証の関係を扱えるため、複雑なシステムやMBSEに向く
- ArchiMateは組織、業務、アプリケーション、技術基盤を横断的に整理する場合に有効
- データモデルとオントロジーの重要性:
- AI時代にはデータモデルとオントロジーも重要になる
- AIはデータの意味に依存し、用語やデータ項目の意味が曖昧だと誤った判断や不適切な出力につながる
- 法令、標準、業務、データが接続される領域では、用語の意味や参照関係の明確化が特に重要
建築や製造から学ぶ可視化
- 建築・製造分野の可視化:
- 設計図、CAD、BIM、デジタルモックアップ、シミュレーションが広く使われている
- 施主、設計者、施工者、設備担当、監理者が図面や3Dモデルで完成イメージを共有する
- 事前確認や変更影響の把握にも用いられる
- 住宅建築の例:
- 施主は完成前に間取り図、外観図、3Dパース、設備仕様、見積、工程表を確認する
- 3Dウォークスルーにより完成後の空間を体感できる
- 耐震性、日当たり、動線もシミュレーションできる
- これにより早い段階で認識違いを減らせる
- ソフトウェア・AIの要求定義の課題:
- 完成物のイメージが共有されにくい
- 業務改革と並行してシステムを作る場合、発注者自身も完成形を明確に描けていないことが多い
- AIシステムではデータ、モデル、判断、運用、監査が絡み、自然言語の要求定義書のみでは全体像を把握しにくい
- 求められる対応:
- ソフトウェアやAIでも、モデルを使った可視化、シミュレーション、変更管理、再利用を進める必要がある
- 要求定義は文章での説明に加え、関係者が見て、確認し、体感し、合意できる形にすることが重要
- 図18としてBPMNモデルによる時間、コスト、待ち時間のシミュレーション例が示される
要求情報とモデルの接続
- 要求情報を閉じ込めない重要性:
- 要求情報を特定の文書や特定のツールに閉じ込めないことが重要
- 要求は発注者、受注者、システム部門、ベンダー、監査部門、テスト担当、モデリング担当、運用担当の間で共有される
- 要求は設計、モデル、コード、テスト、変更要求、障害情報、運用ログ、監査証跡と結びついて管理される
- 対応関係が不明確な場合の問題:
- 業務フローやSysMLモデル等を作成しても、どの要求に対応するかが不明確だと実現状況や変更影響範囲を十分に確認できない
- 要求IDと業務フロー、データモデル、設計モデル、テストケースなどを関連付け、対応関係を追跡可能にすることが重要
- 接続による効果:
- 要求変更時に、影響する業務、データ、設計、テスト、運用手順を確認しやすくなる
- モデルから要求へ遡ることで、モデル要素の存在理由と実現する要求を説明しやすくなる
- ReqIFとOSLC:
- 要求情報のツール間交換や、要求と設計・テスト・変更要求などのライフサイクル情報連携のための標準的な形式・考え方
- 詳細は第11.6節で説明される
モデリング導入の現実的な進め方
- 定着しない理由:
- 専門人材がいない、ツールが使いにくい、作成コストが高いといった課題がある
- メリットが分かりにくい、既存の文書文化から移行できないといった課題もある
- 段階的導入の方針:
- 一気に全面導入するのではなく段階的に進めることが望ましい
- ステップ1 重要業務の業務フロー可視化:
- 対象業務の開始から終了までを図にし、誰が、何を、どの順番で行うかを確認する
- 例外処理、承認、差戻し、手作業、二重入力などを見えるようにする
- ステップ2 主要データ項目の整理:
- 業務で使うデータ、AIに入力するデータ、外部連携するデータを一覧化する
- 法令や規則で保存が求められるデータも一覧化する
- 各データの意味、形式、出典、品質、保存期間を定義する
- ステップ3 対応関係の整理:
- 要件とテスト、要件とデータ、要件と業務プロセスの対応関係を整理する
- すべてを完璧に接続する必要はなく、まず重要な要件についてどの業務、データ、テストで確認するかを明確にする
- ステップ4 変更影響分析への利用:
- 制度変更、業務変更、AIモデル更新、データ項目変更の発生時に影響範囲を確認できるようにする
- 確認対象は要件、システム、テスト、運用手順
- ステップ5 AIやツールによる支援の導入:
- 自然言語の文書から業務フローやデータ項目を抽出する
- 既存仕様書から要求一覧を作る
- モデル間の不整合を検出する
- 変更影響を候補として提示する
- モデリング導入の目的:
- きれいな図を作ることではない
- 共通理解の形成、抜け漏れの削減、変更への強さ、AIやツールによる支援の受けやすさを実現すること
形式手法による要求の厳密化と検証
- 形式手法の位置づけ:
- 可視化に加え、重要な部分はより厳密に記述し、矛盾や抜け漏れを検証できるようにすることが重要
- そのための方法の一つが形式手法
- 形式手法とは:
- 数学的または論理的な記法を用いる方法
- システムの要求、仕様、状態、振る舞い、制約を厳密に記述し、その性質を検証する
- 自然言語との対比:
- 自然言語の要求定義は人間に読みやすい一方、曖昧さ、解釈の違い、矛盾、抜け漏れが残りやすい
- 適用対象:
- すべての要求を数学的に記述するためのものではない
- 安全性、セキュリティ、コンプライアンス、重要な業務判断など、誤りの影響が大きい領域で用いる
- 状態遷移、権限管理、例外処理も対象領域に含まれる
- 具体例「適切な権限を持つ場合のみ顧客情報を閲覧できること」:
- 一見明確に見えるが、実際には多くの条件が関係する
- 関係する条件は役割、所属、担当顧客、委任、例外承認、退職・異動、緊急時対応、ログ記録など
- 自然言語のみでは例外条件や優先順位が曖昧になりやすい
- 形式的記述、ルール表、状態遷移モデルを用いれば、許可、拒否、承認要求の条件を明確にできる
- 形式手法が有効な領域(表34):
- 安全性要求:危険状態に遷移しないことを確認できる
- セキュリティ要求:権限、アクセス制御、情報流通制約を厳密に扱える
- 業務ルール:条件、例外、優先順位、禁止事項を明確にできる
- 状態遷移:申請、承認、差戻し、取消し、終了などの状態を検証できる
- 並行処理:複数処理の競合、順序、デッドロックを確認できる
- AI利用制限:AIが判断してよい範囲と人間に委ねる範囲を明確にできる
- フェイルセーフ:異常時に安全側に倒れる条件を検証できる
- コンプライアンス:法令・規則に基づく義務、禁止、例外を構造化できる
- 軽量な形式手法:
- 要求すべてを難解な数式に置き換えるものではない
- 実務では状態遷移図、決定表、ルール表、制約条件から始めることが現実的
- 時系列の振る舞いや入出力条件の明確化も出発点となる
- 申請業務の例:
- 申請中、審査中、差戻し、承認済、却下、取消しといった状態を定義する
- どの操作でどの状態に遷移できるかを整理する
- この整理のみでも、例外処理、二重承認、取消し後の再申請、承認後の修正可否などの曖昧さを減らせる
- 高度な手法:
- モデル検査、定理証明、形式仕様記述、時間論理、制約充足などがある
- 重要な制御システム、金融取引、本人確認、アクセス制御、データ連携、厳格な法令遵守業務で有効
- 要求や仕様が特定の性質を満たすかを機械的に確認できる
- 検証対象となる代表的性質:
- 禁止された状態に到達しないこと
- 必要な承認を経ずに処理が完了しないこと
- 権限のない利用者が情報にアクセスできないこと
- 障害時に安全な状態へ移行すること
- AIシステムへの適用:
- AIシステムにおいても形式手法は重要
- AIは確率的に振る舞い、学習データや利用環境に依存するため、AIモデルの出力を完全に形式的に証明することは難しい場合が多い
- AIモデル内部の証明よりも、AIを取り巻くシステム全体の制約を形式的・半形式的に記述・検証することが現実的
- 対象となる制約は安全制約、利用範囲、人間へのエスカレーション条件、フェイルセーフ条件など
- ログ要件、権限管理、データ利用制約も対象となる
- 生成AI社内問い合わせシステムの制約例:
- 承認済み文書に根拠が存在しない場合、AIは確定的な回答を返してはならない
- 法務、人事、懲戒、契約解除に関する質問は専門部署へのエスカレーション対象とする
- 機密情報を含む入力は外部AIサービスに送信してはならない
- 確信度が一定値を下回る場合、AI出力は参考情報として扱い、人間の確認を必須とする
- 高リスク回答を提示する場合、根拠文書、確認者、確認日時を記録する
- 制約明確化の効果:
- AIが自由に回答する範囲と人間が確認すべき範囲を分けやすくなる
- 監査や事故調査の際、どの要件に基づきAIの動作を制限していたかを説明しやすい
- 継続的アシュアランスとの関係:
- 運用後の更新のたびに安全性、セキュリティ、コンプライアンスの維持を確認する必要がある
- 形式的な制約やモデルが整備されていれば、仕様、ルール、モデル、データの変更時に既存制約を破っていないかを確認しやすい
- 手作業のレビューのみに依存するよりも継続的な品質保証を実現しやすい
- 導入ステップ1 形式化対象の選定:
- すべての要求を形式化する必要はない
- 安全性、セキュリティ、法令遵守、AI利用制限、権限管理、重要な状態遷移など誤りの影響が大きい要求を優先する
- 導入ステップ2 自然言語の要求の整理:
- 形式化の前に目的、条件、例外、禁止事項、責任者、評価方法を明確にする
- 自然言語の要求が曖昧なままでは、形式化しても意味のある検証はできない
- 導入ステップ3 軽量なモデルからの開始:
- 状態遷移図、決定表、ルール表、制約一覧、入出力条件など人間が理解しやすい形で記述する
- 必要に応じてモデル検査や形式仕様記述へ進む
- 導入ステップ4 要求・モデル・テスト・監査証跡の接続:
- 形式化した制約がどの要求に対応するかをトレーサビリティで管理する
- どの設計やテストで確認され、運用後にどのログで監視されるかも併せて管理する
- 導入ステップ5 変更時の再検証:
- 法令、業務ルール、AIモデル、データ、プロンプト、システム構成の変更時に、形式化された制約への影響を確認する
- 専門性への配慮:
- 高度な形式手法は専門知識を必要とし、すべての現場で直ちに利用できるわけではない
- 組織としては、まず軽量な形式化を普及させ、重要領域を専門家が支援する体制を整えることが望ましい
- 特定の専門家に限った活動にすると現場から切り離される
- 要求工学、MBSE、テスト、セキュリティ、監査と接続し、実務上の価値が見える形で導入することが重要
- 章のまとめ:
- AI時代の要求管理では、自然言語、モデル、データ、ルール、テスト、運用ログをつなぐことが求められる
- 形式手法は曖昧さを減らし、重要な制約を検証し、変更後も安全性や信頼性を維持するための有力な手段
- すべてを形式化する必要はないが、重要な要求は形式的・半形式的に記述し検証可能にすることが要求管理を強固にする
第10章 ビルディングブロックやサービスによるシステムの実現
モデリングから実現手段へ
- モデリングの意義:
- 業務やシステムの可視化にとどまらない
- 実現すべき機能、データ、業務プロセス、ルール、インターフェース、評価条件を分解できる
- 分解した要素をどの単位で実現するかを考えやすくなる
- 本章では実現手段の選択肢の一つとしてビルディングブロックや既存サービスの活用を扱う
- 一体型システムの問題:
- 複雑なシステムや業務を一つの大きな仕組みとして作ると設計、開発、運用が難しくなる
- 変更が必要になった際に修正箇所が分かりにくい
- AI時代は技術、データ、外部サービス、規制、セキュリティリスクが短い周期で変化する
- 一度作った仕組みを長期間そのまま使い続けることは難しい
- ビルディングブロックという考え方:
- システムや業務を構成する部品を指す
- 一定の役割、入力、出力、責任範囲、インターフェースを持つ単位
- モデリングで適切な単位に分解できれば、各機能の実現方法を柔軟に選択できる
- ビルディングブロックの例:
- 本人確認、認証、決済、通知、検索、データ連携
- ログ管理、AIによる分類、レポート作成、権限管理
- これらは内製、OSS、商用アプリケーション、クラウドサービス、SaaS、APIサービスの組み合わせで実現しうる
- 実現の基本姿勢:
- まず「何を実現したいか」を明確にする
- 次に「それをどの単位に分け、どう実現するか」を考える
- 既存のビルディングブロックやサービスの活用可能性を検討し、必要に応じて新規開発と組み合わせる
ビルディングブロックとは何か
- 定義:
- システムや業務を構成する再利用可能な機能単位
- 建築で部材、設備、配管、電気系統、部屋、構造体が組み合わさって建物を構成するのと同様の構造
- 情報システムやAIシステムも複数の機能やサービスの組み合わせで構成される
- 粒度の多様性:
- 非常に小さな単一機能から業務サービス全体を担う大きなサービスまである
- 粒度の分類(表35):
- 単一機能:
- 認証、通知、ログ出力、データ変換など
- 特定の機能のみを担う小さな部品
- 共通機能:
- 権限管理、検索、帳票出力、ワークフローなど
- 複数業務で共通利用される機能
- データ連携機能:
- API連携、ファイル連携、データ変換、コード変換など
- システム間・組織間のデータ連携を担う機能
- AI機能:
- 分類、要約、翻訳、異常検知、回答生成など
- AIモデルやAIサービスを使った機能
- 業務サービス:
- 顧客管理、契約管理、購買管理、経費精算など
- 業務単位で提供されるアプリケーションやSaaS
- 基盤サービス:
- ID管理、監査ログ、セキュリティ監視、データ基盤など
- 組織全体で共通利用される基盤機能
- 単一機能:
- 粒度を固定しない考え方:
- あるプロジェクトでは通知機能を小さなビルディングブロックとして扱う
- 別のプロジェクトでは問い合わせ対応全体を一つのSaaSとして導入する
- そのSaaSにはFAQ、回答生成、チケット管理、分析機能が含まれる
- 実現手段の検討姿勢:
- 最初から「すべてを開発する」「すべてを既製サービスで置き換える」と決めない
- 要求を分解し、ブロックごとに最適な実現手段を検討する
- 選択肢は内製、OSS、商用製品、SaaS、外部API、既存システムの活用など
機能ブロックの実現方法
- 実現方法の選択:
- モデリングで機能ブロックが明確になると、各機能の実現方法を選択できる
- 実現方法は一つではない
- 主な実現方法(表36):
- 新規開発:
- 自社要件に合わせてコードを書く
- 差別化領域、特殊要件、高度な制御が必要な場合に向く
- 既存システム活用:
- 既存機能を再利用・改修する
- 既に安定運用され、要件に合う場合に向く
- OSS活用:
- オープンソースソフトウェアを利用する
- 標準的機能、透明性、拡張性が必要な場合に向く
- 商用アプリケーション:
- パッケージ製品を導入する
- 一般的な業務機能を短期間で導入する場合に向く
- SaaS利用:
- クラウドサービスとして利用する
- 標準業務、迅速導入、運用負荷軽減が必要な場合に向く
- 外部API利用:
- 特定機能をAPIで利用する
- 認証、決済、翻訳、地図、AIなどを外部サービスで使う場合に向く
- AIサービス利用:
- 生成AI、分類AI、異常検知AIなどを利用する
- 高度なAI機能を短期間で利用する場合に向く
- 新規開発:
- データ連携機能の例:
- 単純なファイル連携で十分な場合もあれば、APIゲートウェイを使う場合もある
- 国際的なデータ連携や高頻度なリアルタイム連携ではメッセージング基盤やデータスペース基盤を検討する
- 要件が異なれば選ぶべきビルディングブロックも変わる
- AI機能の実現方法:
- 自社でのモデル開発
- 既存AIモデルのファインチューニング
- 外部の生成AIサービスの利用
- 商用AIアプリケーションの導入
- AI活用の要求の具体化:
- 「AIを使う」という抽象的な要求のまま実現手段を選ばない
- どの業務で、どの入力に対して、どの出力を求めるかを明確にする
- どの品質で、どの責任範囲で利用するかも明確にする
- そのうえで要求を真に実現する方法を選ぶ
ビルディングブロック化の利点
- 基本的な利点:
- 既存機能の再利用による開発生産性の向上
- 実績のある部品の活用による品質の安定化
- 変更容易性の向上
- 最大の利点としての変更への強さ:
- 一体化したシステムでは一つの機能変更が広範囲に影響する
- 機能が適切に分離されインターフェースが明確であれば、特定ブロックのみの交換や改善が可能
- 置き換えの例:
- 自社開発の検索機能を後から登場した高性能な商用検索サービスへ比較的容易に置き換えを検討できる
- AI分類機能を簡易なルールベース分類で開始し、後に高精度なAIモデルや商用AIサービスへ置き換えられる
- 技術更新への対応:
- AI、セキュリティ、データ連携、クラウドサービスは急速に進化する
- 機能が分離されていれば、新技術の登場時に必要な部分のみを更新できる
- 目的に合ったサービス選択:
- 同じ機能でも重視する点により選ぶべきサービスは異なる
- 安さ、高性能、セキュリティ、規制対応など
- ビルディングブロックとして要件を整理しておけば目的に合った選択がしやすい
- 同じ機能でも重視する点により選ぶべきサービスは異なる
- 再利用による生産性・品質向上:
- 認証、通知、ログ、データ連携、承認ワークフローなどは複数システムで共通利用できる
- 共通ビルディングブロックとして整備すれば、システムごとに同じ機能を作り直す必要がなくなる
- 開発の効率化や品質の安定化につながる
- 調達・委託のしやすさ:
- 機能単位で要件、インターフェース、品質、責任範囲を定義すれば外部サービスや委託先を比較しやすい
- SLAや受入条件も明確になる
- 障害・インシデント時の影響把握:
- どのブロックがどの業務、データ、システムに影響するかが分かっていれば対応が速くなる
- 原因究明や代替手段の検討が速くなる
- 要求定義の考え方としての位置づけ:
- ビルディングブロック化は単なる技術設計の話ではない
- 要求定義段階で機能の役割、境界、入力、出力、責任範囲、評価方法を明確にする
- それにより将来の変更可能性を確保する
セキュリティ対策におけるビルディングブロック
- セキュリティへの有効性:
- セキュリティはシステム全体に関わる横断的な要件
- 実際には複数の機能ブロックによって実現される
- 認証、認可、暗号化、ログ、監視、脆弱性管理、インシデント対応など
- 共通化の例:
- 認証機能を共通ID基盤や認証サービスとして整備すれば、セキュリティ水準を統一しやすい
- アクセスログを共通ログ基盤に集約すれば、監査や異常検知がしやすい
- 脆弱性管理やセキュリティ監視を共通サービスとして整備すれば、組織全体の対応力が高まる
- 代表的なセキュリティブロック(表37):
- 認証: ID管理、多要素認証、シングルサインオン
- 認可: 権限管理、ロール管理、属性ベースアクセス制御
- 暗号化: 通信暗号化、保存データ暗号化、鍵管理
- ログ管理: アクセスログ、操作ログ、AI利用ログ
- 監視: 異常検知、セキュリティ監視、アラート
- 脆弱性管理: SBOM、脆弱性スキャン、パッチ管理
- インシデント対応: 通報、封じ込め、復旧、報告、再発防止
- データ保護: マスキング、匿名化、利用制御、持ち出し制御
- AI利用そのもののセキュリティ:
- AI時代にはAI利用自体にもセキュリティ対策が必要
- 機密情報を生成AIに入力しないための入力制御
- プロンプトインジェクション対策
- AI出力の検証
- AI利用ログの保存
- モデル更新時の検証
- これらもブロックとして共通利用できるようにすれば、個別対応より安全性と効率性が高まる
ビルディングブロックを選定するための要件
- 選定の基本姿勢:
- 機能の有無のみで判断してはならない
- OSS、商用アプリケーション、SaaS、外部APIの利用時は特に複数の要件確認が必要
- 機能要件に加え、非機能要件、運用要件
- 契約要件、セキュリティ要件、データ要件
- 主な確認観点(表38):
- 機能適合性: 必要な機能を満たしているか
- 性能: 処理速度、同時利用数、応答時間を満たすか
- 可用性: 障害時に業務を継続できるか
- 拡張性: 利用者数やデータ量の増加に対応できるか
- 相互運用性: API、データ形式、標準に対応しているか
- セキュリティ: 認証、権限、暗号化、ログ、脆弱性管理は十分か
- データ管理: データの保存場所、所有権、利用条件、削除条件は明確か
- コンプライアンス: 法令、業界標準、社内規則に適合するか
- 運用性: 監視、保守、障害対応、サポート体制は十分か
- 変更可能性: 将来、他サービスへ置き換え可能か
- コスト: 初期費用、運用費用、ライセンス、従量課金は妥当か
- ベンダーロックイン: 特定事業者への依存が過度でないか
- 監査可能性: 証跡、レポート、監査対応が可能か
- AIサービス・SaaS利用時のデータ確認:
- データの扱いの確認が特に重要
- 入力データが学習に使われるか
- どの国・地域に保存されるか
- ログの保存期間
- 削除要件への対応可否
- 障害や情報漏えい時の通知方法
- これらを要件として明確にする
- OSS利用時の確認:
- ライセンス、メンテナンス状況、脆弱性対応を確認する
- コミュニティの継続性、自社での保守能力も確認する
- 導入後の管理責任を明確にしなければ、脆弱性や保守停止のリスクが残る
ビルディングブロックと標準化・相互運用性
- 標準化の必要性:
- ビルディングブロック化を有効にするにはインターフェースとデータの標準化が重要
- 機能が分離されていても接続方法が独自仕様であれば交換や再利用は難しい
- 標準化によりブロックを組み合わせやすくなる
- API仕様、データ形式、認証方式
- ログ形式、エラーコード、メタデータ
- キー情報統一の例:
- 顧客管理、契約管理、請求、問い合わせ対応、AI分析の各サービス連携を想定する
- 顧客ID、契約ID、商品コード、問い合わせ番号などのキー情報が統一されていなければデータ連携は難しい
- 同じ「顧客」という言葉でも部門ごとに意味が異なれば、AI分析の結果も不安定になる
- 標準化対象の例(表39):
- API: 入出力、認証、エラー処理、バージョン管理
- データ: 項目定義、コード体系、データ品質、正本
- 認証・認可: ID、ロール、権限、属性
- ログ: 操作ログ、アクセスログ、AI利用ログ、監査ログ
- メタデータ: サービス説明、データ説明、利用条件、更新頻度
- 評価基準: 性能、品質、セキュリティ、AI評価指標
- 契約条件: SLA、責任分担、データ利用、終了時対応
- 標準化と自由度:
- 標準化は自由度を奪うものではない
- むしろ個別機能を自由に組み合わせやすくなる
- 共通のインターフェースやデータ定義があれば、新しいサービスや高性能な部品への置き換えが容易になる
ビルディングブロック化と調達・契約
- 調達形態の変化:
- 従来は大きなシステムを一括委託し、ベンダーがまとめて設計・開発・運用する形が多かった
- ビルディングブロック化を進めると、機能単位、サービス単位、API単位での調達・契約が増える
- 責任範囲の明確化:
- 要求管理では各ブロックの責任範囲を明確にする必要がある
- 提供する機能、受け取る入力、返す出力を定義する
- 性能や可用性の水準を定義する
- 障害時の責任の所在とデータの管理責任者を定義する
- 組み合わせ時の全体保証:
- 個々のサービスが正常でも全体として期待どおりに動かないことがある
- 調達・契約では個別サービスのSLAに加え、全体に関わる事項を明確にする
- サービス間連携、全体性能、障害時の切り分け
- 統合テスト、運用責任分担
- AIサービス利用時の追加確認:
- モデル更新、出力品質、データ利用、説明責任
- 利用ログ、インシデント通知
- サービス終了時のデータ返却・削除
ビルディングブロック化の注意点
- 分割しすぎによる複雑化:
- 細かく分けるほど柔軟性は高まるが、連携点が増え管理が難しくなる
- 分割の粒度は業務の安定性、変更頻度、リスク、再利用可能性を踏まえて判断する
- インターフェース設計の重要性:
- ブロック間の接続が曖昧だと、障害時の責任分担やデータ不整合が問題になる
- 入力、出力、エラー処理、バージョン管理、ログを明確に定義する必要がある
- ベンダーロックインへの注意:
- 商用サービスやSaaSは便利だが、独自仕様に依存しすぎると将来の置き換えが難しくなる
- データのエクスポート、API、契約終了時の対応を確認する必要がある
- セキュリティと責任分担の明確化:
- 複数サービスを組み合わせると各機能の担当箇所が不明確になりやすい
- どこで認証し、どこでログを保存するか
- どこで監視し、どこが障害対応するか
- 複数サービスを組み合わせると各機能の担当箇所が不明確になりやすい
- 全体最適の重視:
- 個々のブロックが優れていても、全体として業務目的に合っていなければ意味がない
- 要求管理では個別機能に加え、業務全体と利用者体験を見て判断する
- 運用、監査、変更管理まで含めて判断する
- SBOM導入の検討:
- ビルディングブロック化で再利用性・交換可能性が高まる一方、構成や依存関係は複雑化する
- 各ブロックのソフトウェア部品と依存関係をSBOMで機械可読な形で把握する
- 脆弱性対応、影響分析、ライセンス管理、サプライチェーン管理につなげられるよう事前に考慮しておく
第11章 トレーサビリティと DevOps 型要求管理
なぜトレーサビリティが重要か
- トレーサビリティとは:
- 要求の発生源から要件、設計、コード、テスト、運用後の評価までを追跡できる状態
- トレーサビリティ欠如による問題:
- 機能が必要な理由が分からない
- 要件の根拠となる法令や標準が分からない
- 要件の実装箇所が分からない
- 変更時の影響範囲が分からない
- テストがどの要件を確認しているか分からない
- AI の出力がどのデータやルールに基づくのか説明できない
- 障害や事故の原因究明に時間がかかる
- 運用データを改善に結びつけられない
- AI による修正の限界:
- 要求定義書がなく、要件と実装の対応関係が不明なら、AI がバグや不整合を見つけても修正に時間がかかる
- AI でパッチを作れても、満たすべき要件や影響する業務・法令が不明なら安心して適用できない
- つながりがもたらす効果:
- 要求、要件、設計、コード、テスト、運用ログがつながっていれば、AI は影響分析や修正案作成を支援しやすくなる
- トレーサビリティは人間の説明責任に加え、AI による開発支援や運用改善の前提
何をつなぐべきか
- つなぐ対象の範囲:
- 要求、要件とコードをつなぐだけでは不十分
- AI 時代には目的、要求、要件、モデル、データ、AI モデル、ルール、評価、運用までをつなぐことが望ましい
- この流れを明確にすることで、各要求・要件の意味と影響範囲を把握できる
- AI 時代に管理すべき関係:
- 目的と要求: 要求が実現する価値を明確にする
- 要求と要件: 抽象的な要求を実装・評価可能にする
- 要件と業務プロセス: 要件が実行される業務を確認する
- 要件とデータ: 必要なデータ、品質、出典を明確にする
- 要件と AI モデル: AI が担う役割を明確にする
- 要件とプロンプト: 生成 AI への指示を管理する
- 要件と法令・標準: コンプライアンス根拠を明確にする
- 要件とテスト: 確認に用いるテストを明確にする
- 要件とログ: 運用後に観測する内容を明確にする
- ログと改善要求: 運用データを改善に接続する
- 変更対応の容易化:
- 法令変更時は、その法令に基づく要求、業務プロセス、データ項目、AI 利用条件、テスト、監査証跡を確認できる
- AI モデル更新時は、関係する要求、評価指標、利用業務、利用者、ログ、リスクを確認できる
- 管理範囲の決め方:
- すべてのプロジェクトで対応関係を一律に網羅する必要はない
- 規模、特性、要求の重要度やリスクに応じて管理対象と粒度を定める
- まずは主要な要求とその根拠、対応する要件、検証方法などから関連付ける
- 安全性や法令遵守に関わる重要な要求は、必要なトレーサビリティを確実に確保する
- データに関する補足:
- 「7.4 データ供給チェーンの透明性とトレーサビリティ」で示した関係も整理するとよい
DevOps 型の要求管理
- DevOps 型フィードバックの必要性:
- 従来は要求定義、設計、開発、テスト、運用が段階的に進むことが多かった
- AI を含むシステムでは運用後のデータや利用状況から新しい要求が生まれる
- そのため要求管理は循環型で行うことが望ましい
- 継続的な価値向上活動:
- 要求管理は静的な文書管理ではなく、価値を継続的に高める活動になる
- AI の出力品質、利用者の反応、問い合わせ内容、モデルの性能劣化、監査結果を継続的に確認する
- 必要に応じて要求、データ、プロンプト、モデル、業務手順、社内規則を更新する
- 関与する部門:
- 開発チームに加え、業務部門、AI 担当、データ担当、法務、監査、セキュリティ部門が関与する
- 運用中の問題の扱い:
- 単なる障害対応として扱わない
- 要求、要件、データ、ルール、運用手順のどこに原因があるかを確認する
- 必要に応じて要求定義へ戻す
トレーサビリティマトリクス
- トレーサビリティマトリクスとは:
- 要求と設計、実装、テスト、運用、ルールなどの対応関係を表で管理する代表的な方法
- マトリクスの項目例:
- 要求ID、要求、発生源、関連要件、関連データ、関連機能、検証方法、運用ログ
- 記載例:
- R-001: 利用者本人の確認を、法令・社内規則を発生源として FR-001、ログイン機能、認証テスト、認証ログに対応づける
- R-002: AI 回答の人間による確認を、リスク評価を発生源として FR-012、回答案生成、レビュー確認、採用率・修正率に対応づける
- R-003: 個人情報の目的外利用防止を、法令を発生源として NFR-008、アクセス制御、権限テスト、アクセスログに対応づける
- 小さく始める方針:
- 最初から巨大で複雑なマトリクスを作る必要はない
- 重要な要求、高リスクの要求、法令・標準に基づく要求、AI に関係する要求から始める
- ツール連携:
- 表のみでなく、要求管理ツールやモデリングツールと連携させることが望ましい
- 要求ID、データ項目ID、テストケースID、リスクID、ルールIDを付与し、変更時に影響範囲を検索できるようにする
変更管理と影響分析
- 変更管理を前提とした要求管理:
- 5.1節のとおり、AI 時代には変更管理を前提に要求管理を行う
- 要求、データ、AI モデル、プロンプト、法令、標準、業務プロセスは変化する
- 変更は禁止できず、変更を管理できる状態にすることが重要
- 変更要求の発生源:
- 利用者の要望、業務変更、制度改正、標準改定
- AI モデル更新、データ品質問題、セキュリティインシデント
- 監査指摘、障害、コスト削減要求
- 変更の性質の見極め:
- 受付時に、既存の目的・ゴールを実現するための要求・要件や実現手段の変更か、目的・ゴール自体の見直しかを確認する
- 目的・ゴールが維持される場合:
- 影響分析の上で、要求・要件、機能、データ、AI モデル、業務プロセス等の必要箇所を変更する
- 目的・ゴールや成功基準を変更する場合:
- 個別項目の修正のみでは不十分
- ビジネス又はミッションの分析まで戻る
- 実現すべき価値、対象業務、ビジネス・業務モデル、機能分担、必要データ、評価基準等を再整理する
- その上で要求・要件を再定義し、新たなベースラインを設定する
- 作業依頼として扱わない原則:
- 変更の背景、目的、影響範囲、リスク、優先度、検証方法を確認する
- BABOK は要求変更を、全体戦略との整合、価値への影響、時間・リソースへの影響、リスク・機会・制約の変化の観点で評価すべきとしている
- AI モデル更新時の確認事項:
- 新しいモデルへの単純な差し替えでは不十分
- 関係する要求、利用業務、入力データを確認する
- 既存の評価指標の充足と出力傾向の変化を確認する
- 人間の確認手順、ログや証跡の変更有無を確認する
- 利用者への説明の要否と、法令・標準・契約との整合性を確認する
- 変更レベル別の対応方針:
- 目的・ゴールの変更: 事業目的、提供価値、成功基準の変更が該当し、ビジネス/ミッション分析まで戻って下位要素も再構成する
- 要求・業務モデルの変更: ステークホルダー要求、業務プロセス、役割分担の変更が該当し、要求分析・モデリングまで戻って再整理する
- 実現手段・要件の変更: AI モデル、性能条件、データ項目の変更が該当し、要件仕様化まで戻って再整理する
- 変更理由の区別:
- 環境変化による変更: 法令、業務、市場、利用環境等の変化への対応
- 学習による変更: 実運用や利用者から得た新たな知見による変更
- 初期要求定義の不備の訂正: 当初の要求獲得・分析・評価の不足による変更
- 変更理由を記録し、不備の訂正は要求定義プロセス自体の改善につなげることが望ましい
- 要求ではなく実装側の問題の扱い:
- 要求・要件が妥当で実装又は運用が満たしていない場合は、要求を変更せず不具合又は運用上の問題として是正する
- 変更管理の位置づけ:
- 変更管理は AI 時代の品質管理、リスク管理、説明責任の基盤
ReqIF と OSLC による要求情報の交換・連携
- 要求情報を閉じ込めない管理:
- 継続的な変更管理と影響分析には、要求情報を特定の文書やツールに閉じ込めないことが必要
- 設計、モデル、コード、テスト、変更要求、障害情報、運用ログ、監査証跡などと接続できる形で管理する
- 複数の企業、部門、ツール間で要求情報を交換し、関連情報との関係を維持できるようにする
- ReqIF と OSLC の関係:
- ReqIF は要求情報をツール間で交換するための標準形式
- OSLC はライフサイクル情報をツール横断でリンク・連携させるための考え方
- 両者は競合せず、目的に応じて使い分ける
- ReqIF の概要:
- 要求管理ツール間で要求情報を交換するための国際標準
- 要求ID、要求文、属性、階層、関係、状態、検証方法などを XML 形式で構造化して交換できる
- ツールに依存せず、特にある時点の要求情報をまとめて交換する場合に有効
- ReqIF の活用場面:
- 発注者が要求一覧を受注者に渡す
- 受注者が詳細化した要求を発注者に返す
- 複数の開発会社が要求情報を共通形式で共有する
- ツール移行時に要求データを移す
- ReqIF の意義:
- 要求情報を文書ではなく、ID、属性、階層、関係を持つデータとして交換できる
- OSLC の概要:
- 要求管理、設計管理、テスト管理、変更管理、構成管理などのツールを連携させる標準的な考え方
- 一括交換に加え、要求、設計モデル、テストケース、変更要求、障害票などを Web 上のリソースとしてリンクし参照可能にすることを重視する
- OSLC の活用例:
- 要求が対応する SysML モデル要素、検証するテストケース、修正した変更要求、関係する障害票をツール横断で追跡する
- ツールが異なっていても要求と関連情報をリンクできれば、トレーサビリティや影響分析を行いやすくなる
- ReqIF と OSLC の比較:
- 主な目的: ReqIF は要求情報の交換、OSLC はライフサイクル情報の連携
- 使い方: ReqIF は要求データをファイルで受け渡し、OSLC は要求、設計、テスト、変更等をリンクする
- 向く場面: ReqIF は発注者・受注者間の要求交換、ツール移行、要求一覧共有
- 向く場面: OSLC は複数ツール間のトレーサビリティ、影響分析、変更管理
- 管理対象: ReqIF は要求、属性、階層、関係
- 管理対象: OSLC は要求、設計、テスト、変更、構成、障害等の関連情報
- 特徴: ReqIF はまとまった単位での交換、OSLC はツール横断の接続に強い
- 活用効果: ReqIF は標準的な受け渡し、OSLC は継続的なトレーサビリティとライフサイクル管理
- ReqIF 活用の始め方:
- 最初からすべての要求を高度に管理する必要はない
- 重要な要求、法令・標準に基づく要求、AI に関係する要求、高リスク要求から始める
- 要求ID、要求文、発生源、優先度、検証方法、関連要求を持たせる
- これにより要求情報を要求定義書の文章から切り出し、ツールで扱いやすくなる
- OSLC 活用の要点:
- 要求情報に加え、要求に関連する成果物をリンクすることが重要
- 要求IDと業務フロー、データモデル、SysML モデル、テストケース、変更要求、障害票、監査項目を関連づける
- 要求変更時に影響する設計、テスト、運用手順、監査項目を確認しやすくなる
- AI 時代における重要性の高まり:
- AI による要求候補の抽出、過不足確認、影響分析には、要求情報の構造化とライフサイクル情報との接続が必要
- 要求が Word 文書や Excel 表として孤立していると、AI やツールは要求の意味、関係、変更影響を十分に扱えない
- 法令変更の影響分析例:
- AI が法令変更のシステム機能への影響を分析するには、法令に基づく要求、業務プロセス、データ項目、設計モデル、テストケース、運用ログのつながりが必要
- ReqIF で要求情報を標準的に交換し OSLC で関連成果物をリンクすれば、AI による影響分析や変更候補の提示がしやすくなる
- 同様にテスト対象の抽出や監査証跡の確認もしやすくなる
- 導入の進め方:
- 最初から大規模な統合基盤を作る必要はない
- まず重要要求に ID を付け、要求管理台帳を整備する
- 要求と要件、要件とテスト、要件と設計、要件と変更要求を対応づける
- その上で発注者・受注者間の要求交換に ReqIF を、複数ツール間のリンク管理や継続的トレーサビリティに OSLC の考え方を取り入れる
- 知識基盤としての要求定義書:
- ReqIF と OSLC により、要求定義書を要求情報の集合、さらにライフサイクル全体と接続された知識基盤として扱える
- 要求管理、モデリング、テスト管理、開発管理、運用管理の各ツールとの接続が容易になる
- 複数の企業や部門が関わる開発では、交換形式とリンク方法の標準化が変更管理、責任分担、説明責任の明確化に重要
第12章 外部要件としての法令・規制・標準
外部要件とは何か
- 外部要件の定義:
- 企業の外部にある制度、規則、基準、契約などから発生する要件
- 企業は顧客や市場の要求に加え、法令、規制、業界標準、契約、社会的責任に基づく要件を満たすことを求められる
- ISO/IEC/IEEE 29148:2018でも、法令、規制、標準、契約、環境条件等を要求源又は制約として識別し、要求仕様へ反映することが想定されている
- 代表的な外部要件と確認事項:
- 法令:
- 例は個人情報保護、労働、安全、金融、消費者保護等
- 確認すべきことは義務、禁止、手続、保存、説明責任
- 規制:
- 例は監督官庁の規則、許認可条件
- 確認すべきことは報告、記録、監査、審査基準
- 行政ガイドライン:
- 例はAI、データ、セキュリティ等の指針
- 確認すべきことは推奨事項、リスク対応、説明事項
- 標準:
- 例はISO、JIS、業界標準、技術標準
- 確認すべきことは品質、互換性、データ形式、評価方法
- 認証基準:
- 例はセキュリティ、品質、AI、製品安全等
- 確認すべきことは適合性評価、証跡、監査項目
- 契約:
- 例は顧客契約、委託契約、SLA
- 確認すべきことは責任分担、納期、品質、データ利用条件
- 社会的要請:
- 例はESG、人権、倫理、安全性
- 確認すべきことは説明責任、透明性、リスク対応
- 法令:
- 従来の外部要件の扱い:
- 法務部門やコンプライアンス部門が確認していた
- システム開発では「法令を遵守すること」「契約条件に従うこと」といった抽象的な要件として記載されることが多かった
- この書き方では開発者やAI担当者が何を実装すればよいのか分からない
- AI時代に求められる対応:
- 具体的な外部要件を業務、データ、システム、AI、運用、監査に落とし込むことが求められる
「法令を遵守すること」では要件にならない
- 抽象的な記載の問題点:
- 要件定義書に「関連法令を遵守すること」と書かれていることは多い
- この表現のみでは実装も評価もできない
- 理由は以下が分からないため:
- どの法令の、どの条項や基準に基づくのか
- どの業務で、どのデータを、どのように扱うのか
- どの証跡を残し、どのように確認するのか
- 個人情報保護の具体化例:
- 単に「個人情報保護法を遵守すること」と書いても要件としては不十分
- 個人情報を適切に扱う:
- どのデータが個人情報かを具体化する
- 利用目的を明確にする:
- どの画面・文書で利用目的を表示するかを具体化する
- 目的外利用を防ぐ:
- アクセス制御、利用ログ活用方法、AI入力制限をどうするかを具体化する
- 必要な記録を残す:
- 利用履歴、同意、削除依頼、開示請求など具体的にどれかを具体化する
- 安全管理措置を講じる:
- 権限管理、暗号化、監査ログ、教育などの何を実施するかを具体化する
- AIガイドラインの具体化:
- 「AI利用に関するガイドラインに従うこと」と書くのみではAIシステムの要件として不十分
- 以下の観点に分解する必要がある:
- 利用目的、入力データ、出力
- 禁止用途、人間の関与、評価方法
- ログ、監視、インシデント対応
- 外部要件取り込み時の確認事項:
- どの法令、規制、標準、契約に基づく要件か
- 企業に求められる義務は何か
- 禁止されている行為は何か
- 実施できる条件は何か
- 必要な手続は何か
- 保存すべきデータや証跡は何か
- 誰が責任を持つのか
- どの業務プロセスに反映するのか
- どのシステム機能に反映するのか
- どのように評価・監査するのか
- 変更があった場合、どこに影響するのか
- 外部要件の展開先:
- 外部要件は法務部門の確認事項にとどめてはならない
- 展開先は以下:
- 業務要件、データ要件
- AI要件、ルール要件
- 評価要件、運用要件
外部要件を社内要件へ変換する
- 社内要件への変換の重要性:
- 企業実務で重要なのは、外部要件をそのまま現場に渡すことではなく、社内で実行できる要件に変換すること
- 法令や標準は一般的・抽象的に書かれていることが多い
- 企業ごとの業務、組織、システム、データ、リスク、顧客対応にそのまま当てはめるには、社内の文脈に合わせた解釈と具体化が必要
- 安全管理措置の変換例:
- 外部要件は「必要な安全管理措置を講じること」
- 社内要件への変換は以下:
- 顧客データへのアクセス権限は職務に応じて付与する
- 退職者および異動者の権限は月次で確認する
- 顧客データをAIに入力する場合は承認済みのAI環境に限定する
- 顧客データの利用ログを保存する
- 年1回、データ取扱いに関する教育を実施する
- この変換により、抽象的な外部要件が現場で実行可能な要件になる:
- 業務ルール、システム要件
- データ要件、監査要件、教育要件
- 外部要件種別ごとの社内要件への展開:
- 義務:
- 社内規則、業務手順、システム機能
- 禁止:
- 禁止行為リスト、アクセス制御、チェック機能
- 条件:
- 承認フロー、判定基準、例外処理
- 記録:
- ログ、台帳、証跡、保存期間
- 説明責任:
- 説明文、通知、FAQ、問い合わせ対応
- 評価:
- チェックリスト、監査項目、テスト
- 変更:
- 改定管理、影響分析、教育更新
- 義務:
- AIによる変換支援:
- 法令や標準の文書を読み込み、要件候補を抽出できる
- 社内規則やチェックリストの案を作ることができる
- 最終的な解釈、リスク判断、社内適用の妥当性は人間が確認する必要がある
第13章 規則・ガイドライン・マニュアルを要求定義に活かす
社内規則は「使われる要件」でなければならない
- 社内ルール文書の位置づけ:
- 社内規則、ガイドライン、マニュアルは日々の業務を支える重要な文書
- 現実には十分に活用されていないことが多い
- 現場との断絶:
- 社内規則は総務部門や法務部門が管理している
- 現場の業務システムやAI活用とは十分につながっていない
- 活用されない典型例:
- マニュアルは作成されているが、内容が古く適用業務が分かりにくい
- ガイドラインは存在するが、具体的に何をすべきかが現場に伝わっていない
- FAQはあるが、正式な規則や手順との対応関係が不明
- 「存在している文書」と「使われる要件」:
- 上記の状態では社内ルールは「存在している文書」にとどまり、「使われる要件」になっていない
- AI時代の整備方針:
- 社内規則やマニュアルをAIやシステムが参照しやすい形で整備することが重要
- 構造化による効果:
- 社内規則が構造化されていれば、AIが正確な規則名や該当箇所を示しながら社員の問い合わせに回答できる
- マニュアルが業務プロセスやデータ項目と結びついていれば、業務支援AI、RPA、ワークフローシステムと連携しやすくなる
- 社内規則の本質:
- 単に遵守することのみを目的とした文書ではない
- 以下の目的を担う要件群
- 業務の標準化
- AI活用の推進
- 教育の効率化
- 監査の容易化
- 変更に強い組織づくり
社内ルールを種類ごとに整理する
- 種類を区別する必要性:
- ルール文書を区別せずに扱うと、どの文書が何を決めているのか分かりにくくなる
- まず文書の役割を整理することが重要
- 文書の種類ごとの役割と要求定義での位置づけ(表46):
- 社内規則:
- 守るべき基本ルールを定める
- 義務、禁止、権限、責任の根拠となる
- ガイドライン:
- 判断の考え方や推奨事項を示す
- 判断基準、運用方針、リスク対応となる
- マニュアル:
- 具体的な作業手順を示す
- 業務プロセス、操作手順、例外処理となる
- チェックリスト:
- 確認事項を示す
- 評価要件、監査要件、受入条件となる
- FAQ:
- よくある質問への回答を示す
- 利用者支援、教育、問い合わせ対応となる
- 教育資料:
- 理解促進・定着を支援する
- 人材育成、運用定着となる
- テンプレート:
- 文書や申請の標準形を示す
- 入力項目、必要データ、証跡となる
- 社内規則:
- 社内ルールの階層(図26):
- 社内規則は上位ルール
- マニュアルは現場の行動に近い
- ガイドラインはその間に位置し、判断の考え方や実務上の解釈を示す
- チェックリストは実施状況を確認するための要件
- この階層を整理すると社内ルールを要求定義に活用しやすくなる
- AI活用における階層の重要性:
- AIが社員の問い合わせに回答する際、どの文書に基づく回答かを明確にする必要がある
- 対象は上位の規則、実務上のガイドライン、具体的なマニュアル、FAQのいずれか
社内規則を要件として読む
- 社内規則の性質:
- 社内規則は組織内の要件を文書化したもの
- 要件定義に活用するには、規則を「要件」として読み解く必要がある
- 規則中の表現と要件種別(表47):
- 「しなければならない」は義務要件
- 「してはならない」は禁止要件
- 「できる」は許可条件
- 「承認を得る」は承認プロセス要件
- 「記録する」は証跡・ログ要件
- 「保存する」はデータ保存要件
- 「報告する」は通知・報告要件
- 「確認する」はチェック要件
- 「定期的に見直す」は評価・改善要件
- 「責任者を置く」は役割・責任要件
- 禁止規則の要件展開例:
- 「重要情報を外部サービスに入力してはならない」は単なる禁止文ではない
- 要件定義の観点では以下に展開できる
- 重要情報の定義を明確にする
- 外部サービスの範囲を明確に定義する
- AIサービス利用時に入力禁止情報を明示する
- 入力画面または利用手順で注意喚起する
- 利用ログを保存する
- 違反時の報告・対応手順を定める
- 社員教育を実施する
- 要件として読む効果:
- 社内規則が業務手順、システム機能、AI利用制限、ログ、教育、監査につながる
ガイドラインは判断基準を明確にする
- ガイドラインの位置づけ:
- 社内規則ほど厳格な義務ではないが、現場が判断するための重要な基準
- AIやデータ活用のように技術変化が早く詳細な規則で定めにくい領域では役割が大きい
- ガイドラインが有効な場面:
- AIを使ってよい業務と使ってはいけない業務を示す
- 個人情報や機密情報の扱い方を示す
- 生成AIの出力を確認する際の観点を示す
- リスクが高い場合のエスカレーション基準を示す
- 人間による確認が必要な場面を示す
- 顧客説明や社内承認の考え方を示す
- 外部サービス利用時の注意点を示す
- 要求定義への活用方法:
- 抽象的な方針を具体的な判断基準に落とし込むことが重要
- 具体化の例:
- 「生成AIの出力は適切に確認すること」というガイドラインはそのままでは不十分
- 要件として使うには以下のように具体化する
- 顧客に送付する文書は、担当者が内容を確認してから送信する
- 法務判断を含む回答は、法務部門または承認者が確認する
- 数値、日付、固有名詞は原資料と照合する
- AIが参照した資料を記録する
- 生成AIの出力を修正した場合は修正履歴を保存する
- ガイドラインの目的:
- 現場の裁量を残しつつ、判断の品質をそろえる
- AI時代のガイドライン整備:
- ガイドラインをAIが参照できる形にすることが重要
- 判断支援、教育、問い合わせ対応に使えるようにする
マニュアルは業務プロセス要件である
- マニュアルの扱い方:
- マニュアルは業務の具体的な進め方を示す文書
- AI時代の要件定義では、単なる手順書ではなく業務プロセス要件として扱うとよい
- マニュアルに含まれる情報と要件種別(表48):
- 作業手順は業務プロセス要件
- 担当者は役割・責任
- 入力情報はデータ要件
- 出力物は成果物要件
- 判断基準はルール要件
- 例外処理は例外要件
- 承認はワークフロー要件
- 記録は証跡・ログ要件
- 注意事項はリスク・制約
- 問い合わせ先は運用支援要件
- 構造化されたマニュアルとAI:
- 構造化されていれば業務支援AIに活用しやすくなる
- 申請に必要な承認を社員が質問した際、AIがマニュアルの該当箇所を参照して回答できる
- 回答内容は承認者、必要書類、例外条件
- 手順がワークフローシステムと連携していれば、AIが次に行うべき作業を案内できる
- 整備されていないマニュアルの問題:
- マニュアルが古い、部門ごとにばらばら、規則や実システムと対応していない場合が該当する
- その状態ではAIに読み込ませても正しい支援はできない
- AI活用の前提として、マニュアルの整理、構造化、更新管理が必要
- 要件定義に活用する際の確認点:
- 現在の業務実態と一致しているか
- 上位の社内規則やガイドラインと整合しているか
- 入力データと出力物が明確か
- 例外処理が記載されているか
- 判断基準が明確か
- システム機能と対応しているか
- AIが参照してよい情報か
- 変更時に更新される仕組みがあるか
第14章 社内ルールの構造化と標準形式
文書を構造化する意義
- 文書構造の統一:
- 社内規則やマニュアルをAI時代に活用するには、文書の構造をそろえることが有効
- すべての文書を完全にデータベース化する必要はない
- 明確にすべき項目:
- 目的・適用範囲・用語定義・義務・禁止・承認
- 例外・責任者・記録・関連文書・改定履歴
- 項目明確化の効果:
- AIが検索しやすくなる
- AIが根拠を示しやすくなる
- AIが手順を案内しやすくなる
- 人間にとっての利点:
- 構造化した文書は人間にとっても読みやすく、更新しやすい
- ルールの構造が明確であれば、義務・推奨・例外・手順の区別が容易になる
- AIが社内文書を活用するための最低条件:
- 正本が明確であること
- 文書ID・版・所管部門が明確であること
- 目的と適用範囲が明確であること
- 義務・禁止・承認・例外が区別されていること
- 関連する社内規則・ガイドライン・マニュアル・FAQがつながっていること
- 改定履歴が管理されていること
- AIが参照してよい文書と参照してはいけない文書が区別されていること
- 構造化による位置付けの変化:
- 社内ルールは単なる保管文書ではなく、AI・業務システム・監査・教育に活用できる要件情報になる
- 構造化形式の選び方:
- 構造化の方法は様々であり、技術の進展に伴い新たなデータ形式や手法が登場する可能性がある
- 本章では現時点で利用可能な手段の例としてMarkdownとXMLを紹介
- 関連する標準・情報交換形式としてAkoma NtosoとReqIFを取り上げる
- 重要なのは特定の形式の採用ではなく、文書の構造・意味・関連性を明確にすること
- 目指す状態は、人間とAI・システムの双方が適切に活用できる状態
- 実際の適用では、利用目的・既存システムとの連携・管理運用の容易さを踏まえて形式を選択する必要がある
Markdownによる軽量な構造化
- Markdownの特徴:
- 社内文書を比較的手軽に構造化する方法の一つ
- 人間が読みやすく、Git等で版管理しやすい
- 見出し・箇条書き・表・メタデータにより、自然言語文書でありながら一定の構造を持たせられる
- AIによる文書の解析や情報の抽出にも活用できる
- 生成AIガイドラインのサンプル:
- メタデータとして文書ID(AI-GUIDE-001)・タイトル・所管部門(DX推進部)・版(1.2)・施行日・関連規則を記載
- 関連規則には情報管理規程と個人情報取扱規程を指定
- 本文は目的・適用範囲・禁止事項・確認事項・改定履歴の見出しで構成
- 目的は、社員が生成AIを安全かつ有効に利用するための基本方針を定めること
- 適用範囲は、業務で生成AIを利用するすべての社員
- 禁止事項:
- 顧客の個人情報を未承認の生成AIサービスに入力すること
- 機密情報を外部AIサービスに入力すること
- 確認事項:
- 顧客向け文書にAI出力を利用する場合は担当者が内容を確認する
- 法務判断を含む場合は法務部門に確認する
- 改定履歴は版・日付・変更内容・承認者の表で管理
- Markdownの利点:
- 導入しやすいことが利点
- 既存の社内文書を一気に高度なXMLへ移行することは難しい
- 見出し・メタデータ・表・関連文書・改定履歴の整備だけでも、AIによる検索や要件抽出の精度は高まる
XMLによる構造化
- XMLの特徴:
- 文書の構造や属性をより厳密に定義する方法の一つ
- 義務・禁止・条件・例外・責任者・関連文書などをタグで明示できる
- 記述すべき項目やデータ形式のルールを事前に定め、それに従った記述かを機械的に確認できる
- 社内規則やマニュアルをAIやシステムが処理しやすい形で管理する場合に有効
- 生成AI利用規則のサンプル:
- 規則全体をID(AI-RULE-001)と版(1.2)を持つ要素で表し、タイトル・目的・適用範囲を子要素として記述
- 禁止事項(P-001)には、顧客の個人情報を未承認の生成AIサービスに入力してはならないという本文を記述
- P-001には関連要求(REQ-AI-012)と証跡(AI利用ログ)を紐付け
- 義務(O-001)には、顧客向け文書にAI出力を利用する場合は担当者が内容を確認しなければならないという本文を記述
- O-001には関連要求(REQ-AI-021)と証跡(レビュー記録)を紐付け
- XMLの評価:
- 人間にとってはやや扱いにくい
- 文書構造を明確にし、システムやAIとの連携に向いている
- 義務・禁止・条件・例外・証跡・関連要求の明示により、ルールを要件情報として扱いやすくなる
Akoma Ntosoの考え方
- Akoma Ntosoとは:
- 法令や規則文書をより標準的に構造化する際に参考にできる標準的な法令文書モデル
- 法律・議会文書・司法文書などを、条・項・号・定義・参照・メタデータなどの構造で記述する考え方を提供
- 社内規則への適用:
- 企業の社内規則をAkoma Ntosoに完全準拠させる必要はない
- ただし、その考え方は社内ルールの構造化にも有効
- 社内ルールに有効な考え方:
- 文書ID・版・施行日・所管部門などのメタデータを持つ
- 条・項・号などの階層構造を明確にする
- 定義・義務・禁止・例外・参照を区別する
- 他の文書や条項への参照を明示する
- 改定履歴を管理する
- 機械処理可能な構造を持たせる
- 構造化の効果:
- 社内規則やガイドラインをAIで活用する際、AIが根拠条文・関連規則・例外条件を示しやすくなる
ReqIFとの接続
- ReqIF接続の検討場面:
- 社内ルールから抽出した要件をはじめ、組織間で交換する可能性がある要求全般を要求管理ツールで扱う場合に検討するとよい
- 連携の例:
- 社内規則をMarkdownやXML等で管理している場合、そこから抽出した情報をReqIF形式で要求管理ツールへ連携できる
- 連携対象は要件・禁止事項・承認条件・ログ要件・監査要件
- 生成AI利用規則からの要求抽出例:
- REQ-AI-012:
- 要求文は、生成AIの利用に伴う顧客の個人情報の漏えいを防止したいというもの
- 発生源は生成AI利用規則P-001
- 検証方法は入力制限確認とログ監査
- REQ-AI-013:
- 要求文は、AIを利用して作成した顧客向け文書の誤りや不適切な内容が顧客に提供されることを防止したいというもの
- 発生源は生成AI利用規則P-002
- 検証方法はレビュー記録確認
- こうした要求をReqIFで管理すれば、要求管理ツール・モデリングツール・テスト管理ツールとの連携が容易になる
- REQ-AI-012:
- ReqIFを使う意義:
- 要求を文書から切り出し、属性や関係を持った管理対象として扱える点に意義がある
- 要求ID・要求文・発生源・優先度・状態・関連要件・検証方法・変更履歴を標準的な形式で交換できる
- 標準形式での交換により、組織やツールをまたいだ要求管理が容易になる
- 特に複数のベンダーや部門が関わるプロジェクトでは、ReqIFのような交換形式の考慮が有効
社内ルールをAIで活用する
- 構造化による活用の広がり:
- 社内規則・ガイドライン・マニュアルを構造化すると、AI活用の幅が広がる
- 特に問い合わせ対応・業務支援・教育・監査・リスク管理に効果がある
- 社内ルールでのAI活用例:
- 社内問い合わせ: 規則名・該当条項・手順を回答する
- 業務支援: 次に行う作業・必要書類・承認者を案内する
- 文書作成: 規則に沿った申請書・報告書・説明文を作成する
- 教育: 新入社員や異動者向けにルールを説明する
- 監査: 規則違反の可能性や証跡不足を検出する
- リスク管理: 高リスク行為や例外処理を抽出する
- 変更管理: 規則改定時の影響範囲を提示する
- ナレッジ管理: FAQ・マニュアル・過去事例を整理する
- AI活用に求められる状態:
- 正本が明確であること:
- どの規則やマニュアルが最新かつ正式なものか不明だと、AIは古い情報や誤った情報に基づいて回答する可能性がある
- 用語が整理されていること:
- 同じ言葉が部門ごとに違う意味で使われていると、AIの回答も不安定になる
- 文書間の関係が明確であること:
- 社内規則・ガイドライン・マニュアル・FAQの対応関係が不明だと、AIは根拠を示せない
- 例外処理が記載されていること:
- 現場業務では例外が多い
- 例外が文書化されていなければ、AIは通常手順のみを回答する
- その結果、実務と合わない支援を行う可能性がある
- 利用制限があること:
- AIに回答させてよい範囲・人間に確認すべき範囲・法務や専門部署へエスカレーションすべき範囲を明確にする必要がある
- 明確でなければ、AIが権限や専門性を超えて判断する可能性がある
- その結果、不適切な回答や対応を行う可能性がある
- 正本が明確であること:
第15章 組織への導入と成熟度
要求管理を組織能力にする
- 組織能力としての要求管理:
- AI時代には要求管理を一部の担当者の経験や勘に任せられない
- AI、データ、セキュリティ、法令、標準、業務、運用が複雑に関係するため、組織として持つべき能力となる
- IIBAによるビジネス分析の定義:
- 要求定義の一環といえるビジネス分析を、組織の文脈で変革を可能にする実践と定義している
- ニーズを定義し、利害関係者に価値をもたらす解決策を提案することも含む
- 組織能力化に必要な要素:
- 標準プロセス: 要求獲得、分析、仕様化、評価、管理の流れを定める
- 標準テンプレート: 要求定義書、要件定義書、要求管理台帳、AI要求管理等の型を用意する
- 役割分担: 事業、IT、AI、データ、法務、監査の責任を明確にする
- レビュー体制: 要求の妥当性、実現可能性、リスクを確認する
- ツール活用: 要求管理、モデリング、変更管理を支援する
- 教育: 要求工学、AI、データ、ルール要求の基礎を学ぶ
- 改善サイクル: 運用後のフィードバックを変更要求に反映する
- 組織の知識基盤としての成果物:
- 要求管理の成果物は単なるプロジェクト文書ではなく、組織の知識基盤となる
- 成果物には次の内容が集約される
- 組織が何を重視しているか
- どの業務をどのように行っているか
- どのデータを使っているか
- どのルールを守る必要があるか
- どのリスクを避けるべきか
- どのような品質を求めているか
- 要求管理は、業務知識や顧客理解、データ理解などを結びつけ、組織の知識資産を作る活動でもある
- 結びつける対象には技術知識、法令・標準・社内規則、リスク管理、運用経験も含まれる
- 知識資産が未整備な組織の問題:
- システム開発やAI導入のたびに、担当者が一から関係者に確認し、過去資料を探す必要がある
- 暗黙知の掘り起こしも毎回必要になる
- 結果として同じ議論が繰り返される
- 要件の抜け漏れや解釈の違いが発生する
- 担当者が異動すると知識が失われる
- 組織的な要求管理の効果:
- 過去の要求、判断理由、業務ルールを再利用できる
- データ定義、評価基準、変更履歴も再利用できる
- 新規プロジェクトの立ち上げ、AI活用、業務改革を迅速に進められる
- M&A後の統合、法令改正対応、システム更新も迅速に進められる
- 価値の源泉としての要求管理:
- 企業の競争力は、ソフトウェアやAIモデルそのものよりも要求・要件の設計力に大きく左右される
- 設計力とは、何を解くべき課題として捉え、どの業務をどう設計するかを決める力を指す
- どのデータを使い、どの品質や体験を実現するかの設計も含む
- 同じAIやクラウドサービスを使っても、目的、要求、データ等が優れていなければ十分な価値は生まれない
- 要求管理が優れていれば、既存のOSS、商用サービス、SaaS、AIサービスの組み合わせでも組織固有の価値を生み出せる
- 要求定義をAIに学習・参照させる重要性:
- 整理対象は過去の要求定義、要求管理台帳、業務フロー、データ定義、社内規則、マニュアル等
- 障害記録、監査指摘、改善履歴も整理対象に含まれる
- これらが整理されていれば、AIは新しい要求定義のたたき台作成や抜け漏れ確認を支援できる
- 類似事例検索、影響分析、リスク抽出も支援できる
- 組織能力化の本質:
- 単にテンプレートを作ることではない
- 業務知識、データ知識、ルール知識、技術知識、運用知識を対象とする
- それらを再利用可能かつ更新可能で、人間とAIがともに活用できる形にすることを意味する
- 知識基盤の整備により、組織は変化への対応力を高め、新しい価値を継続的に生み出せる
役割分担
- 複数部門の協力の必要性:
- 良い要求の定義に必要な確認事項は多岐にわたる
- IT部門やベンダーのみで良い要求を定義することは非常に困難
- 部門・担当ごとの主な責任:
- 経営層・事業責任者: 目的、価値、優先度、投資判断を示す
- 業務部門: 現場要求、業務ルール、例外処理を示す
- IT部門: システム要件、実装可能性、運用性を確認する
- AI担当: AI利用目的、評価、監視、更新条件を整理する
- データ担当: データ定義、品質、出典、利用条件を確認する
- 法務・コンプライアンス: 法令、標準、契約、社内規則との整合を確認する
- セキュリティ担当: リスク、アクセス制御、ログ、インシデント対応を確認する
- 監査担当: 証跡、評価方法、説明責任を確認する
- 調達・契約担当: 委託先、SLA、責任分担、契約条件を整理する
- 利用者・現場代表: 使いやすさ、現実性、業務適合性を確認する
- 部門横断の共同確認:
- 各部門が自分の専門領域のみを見るのではない
- 要求、データ、AI、ルール、運用がどうつながるかを共同で確認することが重要
導入ステップ
- 小さく始める原則:
- 要求管理の高度化は一度にすべてを実現する必要はない
- 初めからすべての成果物やトレーサビリティを網羅的に整備しようとしない
- 組織の成熟度やプロジェクトの規模・特性に応じて小さく始めることが重要
- 管理対象を過度に広げるリスク:
- 体制や経験が不十分な段階で管理対象を広げると、文書作成や管理作業自体が目的化する
- その結果、要求管理が形骸化するおそれがある
- 現実的な進め方:
- まずは主要な要求とその根拠を確認できる状態にする
- 関連する要件や検証方法、変更履歴も確認できる状態にする
- 試行と改善を繰り返し、段階的に適用範囲と管理水準を高める
- ステップ1 現状把握:
- 要求管理がどのように行われているかを確認する
- 確認対象は要求定義書の有無、要求管理台帳の有無、変更管理の方法
- レビュー体制、モデリングの利用状況、AIやデータ要求の扱いも確認する
- ステップ2 標準テンプレートの整備:
- 基本的なテンプレートを整備する
- 最初から多くの成果物を作らず、主要な要求と根拠を一覧管理する簡易な台帳から始めることも有効
- 必要に応じてAI、データ、ルールなどに関する管理項目や成果物を追加する
- 社内ルールの構造化も、第14章で示したMarkdown等の軽量な方法から始めることが考えられる
- ステップ3 小規模なプロジェクトから試行:
- すべてのプロジェクトに一斉展開しない
- 小規模でリスクが低く、試行錯誤しやすいプロジェクトから導入を進める
- 実際の業務への適用可能性を確認できる対象を選ぶ
- 要求管理の効果や現場の負担を検証することが重要
- 試行結果を踏まえてプロセスや成果物を改善し、重要なプロジェクトを含めて段階的に適用範囲を拡大する
- ステップ4 レビューと教育:
- 試行結果をもとにテンプレートやプロセスを改善する
- 同時に事業部門、IT部門、AI担当、データ担当、法務・監査担当向けの教育を行う
- 要求定義の経験が不十分な組織では、対話型AIによる支援も有効
- ヒアリング時の質問や確認事項を提示させる
- 要求候補の抽出や抜け漏れの確認を支援させる
- こうした支援を通じて実務経験を蓄積し、組織の要求管理能力を段階的に高める
- ステップ5 ツール活用の推進:
- 試行や教育段階でのAI活用に加え、必要に応じて各種ツールを導入する
- 対象は要求管理ツール、モデリングツール、ドキュメント管理、AI支援ツール
- 要求、要件、モデル、データ、テスト、ログの対応関係を管理しやすくする
- ステップ6 組織標準としての定着:
- プロジェクトごとの取組で終わらせない
- 組織標準、調達要件、開発標準、AI利用ルール、監査項目に反映する
- これにより要求管理を継続的な組織能力にする
成熟度モデル
- 要求管理の成熟度5段階:
- Lv.1 属人型:
- 状態: 担当者の経験に依存し、文書や粒度がばらばら
- 目指す姿: 最低限の文書化を始める
- Lv.2 文書化型:
- 状態: 要求定義書はあるが、変更管理やトレーサビリティが弱い
- 目指す姿: 要求一覧と変更履歴を整備する
- Lv.3 管理型:
- 状態: 要求管理台帳、レビュー、変更管理がある
- 目指す姿: AI・データ・ルール要求を明示する
- Lv.4 モデル活用型:
- 状態: 業務、データ、システム、評価をモデルで接続する
- 目指す姿: 影響分析や監査に活用する
- Lv.5 AI協働型:
- 状態: AIを使って要求抽出、分析、影響分析、改善を継続的に行う
- 目指す姿: ライブな要求管理を実現する
- Lv.1 属人型:
- 成熟度の上げ方:
- 組織全体で一律に上げる必要はない
- リスクの高い領域や変更頻度の高い領域から優先的に高めることが望ましい
- AI活用の効果が大きい領域も優先対象となる
- 成熟度とAI活用の関係:
- AIの活用は成熟度の高い組織に限られない
- 要求管理の経験が少ない組織でも、対話型AIによるヒアリング支援や要求候補の整理から始められる
- Lv.5のAI協働型は、個別のAI活用にとどまらない段階を指す
- 要求管理プロセス全体にAIを継続的に組み込み、人間とAIが協働して管理・改善を行う段階を意味する
調達・委託時の注意点
- 曖昧な委託のリスク:
- 多くの企業はシステム開発やAI開発を外部委託する
- 要求定義を曖昧なまま委託すると、後工程で大きな手戻りや責任分担の問題が生じる
- 調達・委託時に最低限明確にする事項:
- 目的と成果
- 対象範囲
- 役割分担
- 要求定義の責任
- データ提供条件
- AI利用条件
- 成果物
- 受入条件
- 変更管理手順
- セキュリティ要件
- 法令・標準・社内規則への対応
- 運用後の保守・監視
- 知的財産・成果物の扱い
- ログ・証跡の扱い
- AI開発における管理対象の明確化:
- AI開発ではモデル、プロンプト、学習データ、評価データ、ログ、改善履歴が重要になる
- これらが誰の管理対象で、どの範囲で利用可能かを契約や要求定義で明確にする必要がある
第16章 成果物一覧
成果物選択の基本方針
- 成果物の選択:
- プロジェクトの規模やリスクに応じて必要な成果物を選択する
- すべての成果物を必ず作る必要はない
- 最低限必要な成果物:
- 目的、要求、要件、データ、AI、ルール、評価、変更管理を確認できる成果物は最低限必要
- 成果物の管理形態:
- 「~書」「~台帳」と表現する成果物も紙面での記載を前提としない
- デジタルデータでの管理を前提とする
要求定義書と要求管理台帳の位置づけ
- 要求定義書とは:
- 要求とその背景、根拠、発生源を整理した文書又はビュー
- 優先度、関連要求、検証方法も整理対象に含む
- 関連する図、表、モデル等も含め、関係者が体系的に確認できる形にする
- 要求定義書の役割:
- 個々の要求に関する情報に加え、複数の要求に関係する情報を含む
- 業務フロー、ユースケース、データモデル等により要求定義の全体像を示す
- 独立文書としての作成要否:
- 要求定義書はすべてのプロジェクトで独立した文書として作成する必要はない
- 要求に関する情報は複数の成果物に分かれて管理されていてもよい
- 分散先の例は要求管理台帳、業務フロー、ユースケース
- データ定義、受入条件その他の成果物も分散先となる
- 要求 ID などの識別子で相互関係を追跡でき、関係者が必要な情報を確認できればよい
- その場合、これらの成果物全体を要求定義書に相当する成果物として扱える
- 重複管理の回避:
- 要求定義書と要求管理台帳の双方を作成する場合、同一情報の重複管理を避ける
- 要求文、優先度、状態、版、変更履歴等について正本となる管理対象を定める
- 正本以外からは参照、リンク又は自動生成によって利用することが望ましい
- 役割分担の例:
- 個々の要求とその管理属性は要求管理台帳を正本として管理する
- 要求定義書には要求管理台帳で表現しにくい説明文、業務フロー、図を整理する
- モデルや意思決定の経緯も要求定義書側で整理する
- この場合も要求 ID などで要求管理台帳と要求定義書の対応関係を明確にする
AI 時代の要求管理での代表的な成果物
- 目的・ミッション整理:
- 何のために行うかを明確にする
- 事業目的、業務目的、社会的価値、成功指標を整理する
- ステークホルダー一覧:
- 関係者と責任を明確にする
- 利用者、業務部門、IT、AI、データ、法務、監査等を整理する
- 要求一覧:
- 実現したいことを整理する
- 要望から抽出した要求を分類し、優先度や根拠を付ける
- 要求定義書:
- 要求とその背景及び関連情報を体系的に確認できるようにする
- 要求、根拠、発生源、優先度、関連要求、検証方法を整理する
- 関連する図、表、モデル等も整理する
- 独立した文書を作らず、個別成果物を要求 ID 等で関連付ける構成としてもよい
- 要件定義書:
- 実現すべき事項を合意する
- 機能、非機能、AI、データを記述する
- ルール、運用、評価も記述する
- 業務フロー:
- 業務の流れを可視化する
- 作業手順、承認、判断、例外処理、責任者を示す
- データ定義:
- データの意味と品質を明確にする
- データ項目、定義、出典を整理する
- 形式、品質、利用条件も整理する
- AI 要求管理:
- AI の使い方と管理方法を明確にする
- 利用目的、入力、出力、人間の関与を定義する
- 評価、監視、更新も定義する
- ルール要求一覧:
- 法令・標準・社内規則との関係を示す
- 外部要件・社内ルールを業務やシステム要件へ展開する
- 機能要件一覧:
- システムが提供すべき機能を示す
- 機能、処理、入出力、振る舞いなどを整理する
- 非機能要件一覧:
- システムが満たすべき品質条件を明確にする
- 性能、可用性、セキュリティ、保守性、拡張性などを整理する
- 受入条件:
- 完了判断を明確にする
- 要件が満たされたことを確認する基準を定める
- トレーサビリティ表:
- 変更影響と説明責任を支える
- 目的、要求、要件、設計、テスト、ログの対応を示す
- 要求評価・妥当性確認結果:
- 要求の評価・妥当性確認の結果を記録する
- 要求一覧に紐づける形で記述する
- 要求ごとの評価・妥当性確認結果と次アクションを記述する
- 要求管理台帳:
- 要求を継続的に管理する
- 要求 ID、状態、優先度を管理する
- 変更履歴、検証方法も管理する
- 変更管理記録:
- 変更の理由と影響を残す
- 変更要求、影響分析、承認、対応結果を記録する
- 運用・監視計画:
- 運用後の改善につなげる
- 監視項目、ログ、評価頻度を整理する
- 責任者、改善手順も整理する
- 構造化文書:
- AI やツールで活用しやすくする
- Markdown、XML、Akoma Ntoso 型構造、ReqIF 等で管理する
成果物の量と規模別の構成
- 成果物の価値基準:
- 成果物は多ければよいわけではない
- 重要なのは関係者が合意でき、実装に使えること
- 評価でき、変更時に参照できることも重要
- 小規模プロジェクトの構成:
- 次の成果物のみでもよい
- 目的整理、要求一覧、要求管理台帳
- 要件定義書、受入条件
- 次の成果物のみでもよい
- AI を利用する場合の追加:
- 小規模構成に AI 要求管理とデータ定義を加える
- 法令・標準・社内規則に関係する場合の追加:
- ルール要求一覧とトレーサビリティ表を加える
- 高リスクプロジェクトの構成:
- 業務フロー、データモデル、AI 利用モデルまで整備することが望ましい
- リスク評価、監査証跡、変更管理記録まで整備することが望ましい
成果物の継続的な見直し
- 作成後の見直し:
- 成果物は作成して終わりではない
- 運用後も業務・制度・利用環境の変化や新たな知見等に応じて見直す
- 見直しは変更理由と影響を明確にした上で行う
- 変更管理の対象:
- 要求定義書・要件定義書、要求管理台帳、データ定義は変更管理の対象
- AI 要求管理、ルール要求一覧も変更管理の対象
おわりに
本書の総括
- 循環的な活動としての要求管理:
- AI時代の要求管理は、開発前に一度限りで実施する作業ではない
- 目的の確認から始まり、要求の獲得・分析・仕様化、モデル化、評価を行う
- さらに実装へ接続し、運用後のデータをもとに改善する循環的な活動として捉える
- 組織能力としての要求管理:
- 要求管理は個人の職人芸ではなく、組織能力として整備すべきもの
- 要求管理の品質を高める手段は以下の組み合わせ
- 標準プロセス、成果物、役割分担
- テンプレート、要求管理台帳、変更管理
- 教育、ツール活用
- AI時代に重要なこと:
- AIに要求管理を任せることではない
- AIを活用しながら、人間が目的、価値、リスク、制約、評価を明確にする
- 要求を継続的に管理・更新できる状態を作ることが重要
- 変化に強い企業と社会の基盤:
- 要求管理を組織能力として高めることが、変化に強い企業と社会を作る基盤となる
読者への期待
- 実践の第一歩を踏み出す契機:
- 読者それぞれの立場から要求管理の在り方を見直すことを期待する
- 身近な業務やプロジェクトにおける実践の第一歩を踏み出す契機となることを期待する