AIで実装が速くなると、次の機能にも手を付けたくなるかもしれません。しかし、不必要な機能が増えないようにしなければなりません。レビューや検証の待ちをどう減らすかと考える前に、顧客やユーザーからフィードバックを得るまでの時間に目を向ける必要があります。
リードタイムを短くし、作ったものへの反応を早く得られるようにする。そのために、一度に取り組む仕事のまとまりであるバッチサイズを小さくします。同時に、着手しているが終わっていない仕事である仕掛かり(WIP)も増えすぎないようにします。
実装が速くなったからといって仕掛かりを増やしすぎたり、仕事を大きくまとめたりすると、顧客やユーザーの望ましいアウトカムを見失いかねません。何をどれだけ作れるかとともに、顧客が何を実現できるようになるのかを確かめる必要があります。
顧客の状態を見て仕事を区切る
まず、顧客やユーザーが現在実現できていることと、実現したいことを把握します。その望ましいアウトカムに近づくための仮説を事実に基づいて立て、意味のあるフィードバックが得られる仕事の単位を決めます。
DORAの小さなバッチに関する解説でも、小さな単位で取り組むことで仮説を速く試し、必要なら前提や進む方向を見直せると説明しています。小さく分けても、テストやリリースの前に再びまとめればフィードバックは遅れると同解説も指摘しています。
仕事を細かく分割しただけで、顧客から学べるとは限りません。顧客が実現したいことに近づいたかを確かめられるように区切ることが大切です。
IPAの解説資料『あなたが創る、豊かな未来-Software-Defined Societyの実現に向かって』でも、小さく実装したものを実際に使ってもらい、その結果から次の仮説や改善につなげる考え方が示されています。

事実に基づいて仮説を立てる
私は、仮説には事実に基づく根拠が必要だと考えています。予測や推測、勘に基づくものは、仮説ではなくあてずっぽうと捉えます。事実に基づき仮説を立てるからこそ、科学的な思考で検査し、得られた結果に応じて適応できるのです。
何でも価値につながるとは考えないことです。計画どおりに進められるとも限りません。不確実性が高く、状況が変わる中で、価値を過度に確信したり計画を作り込みすぎたりすることは命取りになりかねません。
AIは指示どおりに実装できるかもしれません。それでも、大本がずれていれば結果もずれていくだけです。実装を頼む前に、どの事実から何を考えたのかを確かめる必要があります。
まとめて作るよう求められたら根拠を聞く
小さく試そうとしても、管理職やステークホルダーから「まとめて作ってほしい」「当初の計画どおりに進めてほしい」と求められることもあります。そのときは、まとめて作れる根拠や、計画どおりに進めるべき根拠を事実に基づいて示せるか聞くべきです。
私の見方では、こうした要求は、根拠を持っていなかったり、現在の事実を把握できていなかったりするところから来ていることも少なくありません。忙しさから一度で意思決定を済ませたいという事情もあります。過去の成功体験や習慣に引きずられていることも多くあります。
根拠の有無を確認するのは力のいる作業です。それでも避けては通れません。直接問いかけることが難しければ、AIに分析を頼み、その内容を参考にすることもできます。AIの分析は、根拠を確かめるための参考として扱います。
当面の目標に向けて小さく実験する
WIPを増やさずに小さく成果を確認するには、一つひとつの取り組みを作業としてではなく実験と捉えることです。アジャイルのカタを用いるなら、まず現在の状態を把握します。そのうえで、1〜2週間程度で達成できる当面の目標を設定し、そこに向けて小さな実験を行います。
この1〜2週間は当面の目標を達成するまでの目安です。一つの実験を同じ期間だけ続けるということではありません。目標に向かう一歩をより小さく試し、そのたびに現在の状態を捉え直します。

実験のたびに現在の状態を把握し、目標に向かって次の実験を行う。この繰り返しによって、WIPを適切に制限しつつ、顧客からのフィードバックを得やすくします。実験と呼ぶだけでWIPが制限されるわけではありません。次の仕事への着手も、この学習の流れの中で判断する必要があります。
カンバンガイドでは、着手から完了までのWIPを明示的に制御し、仕事を受け入れる余力があると分かるときに新しい仕事に着手するとしています。小さく区切ることに加え、いつ次の仕事を始めるかという判断も必要です。
EBMガイドでは、即時戦術ゴールに向けて仮説を立て、実験結果を計測し、次の仮説や進め方を決める関係が示されています。現在の状態から小さな実験を重ねて目標へ向かう考え方は、この関係とも一致しています。
反証から仮説と取り組み方を変える
実験は、事実を確認し、増やすために行います。予測した変化が見られなかったとしても、新たな事実が見つかることが重要です。
私はここで、失敗(Failure)を反証、ミス(Mistake)を同じ間違いの繰り返しと区別します。実験での失敗は織り込み済みです。仮説に反する事実が得られたなら、それを次の取り組みに使うことができます。一方で、同じ間違いを繰り返していては学びを生かせません。
もう一度試す場合も、得られた事実に基づいて内容を修正します。仮説の一部が適切だったと分かったなら、そのことも次の仮説に反映されます。仮説や取り組み方は常に変わっていくべきです。
安定したプロセスを求めるくらいならば、顧客の望ましいアウトカムを求めるべきです。AIで速く実装できるときこそ、事実に基づく仮説を小さく試し、顧客から得たフィードバックで次の取り組みを変えていく必要があります。
弊社では、ゴール設定や価値の計測を意思決定の場に組み込む取り組みを支援しています。
本記事の執筆者:

長沢 智治 - アジャイルストラテジスト
- サーバントワークス株式会社 代表取締役
- プロフェッショナルスクラムトレーナー(PST) 《日本人初》
- Agile Kata Pro 認定トレーナー《日本人初》
- DASA 認定トレーナー(プロダクトマネジメント、DevOps)
認定トレーナー資格




『アジャイルのカタ』『EBM実践ガイド』「プロフェッショナルアジャイルリーダー』『More Effective Agile』、『Adaptive Code』、『今すぐ実践!カンバンによるアジャイルプロジェクトマネジメント』、『アジャイルソフトウェアエンジアリング』など翻訳・監訳書多数。『Keynoteで魅せる「伝わる」プレゼンテーションテクニック』著者。
Regional Scrum Gathering Tokyo 2017, DevOpsDays Tokyo 2017, Developers Summit 2013 summer 基調講演。スクー講師。
会社・サービス案内(PDF)をダウンロード →お名前やメールアドレスの入力は不要です。
