新着記事と研修日程を月1回ほどメールでお届け購読欄を開く閉じる

いつでも解除できます。別画面が開く場合がありますプライバシーポリシー

AIによって、コードや資料を作る時間を短縮できるようになりました。その一方で、作った量や速さだけを見ていると、チームが何を学び、顧客にどんな変化をもたらしたのかを見失いかねません。

AIを活用するチームにとって大切な仕事は、個別の作業というよりは、実験し、判断することです。そのために管理職の仕事とは、チームが顧客の望ましいアウトカムに向けて学び続けられる環境を整えることになります。

チームは何に向かって学んでいるのか

チームが学習できているかどうかは、何を学ぶべきかによって変わります。チームが向かう先となるのは、そのミッションですので、何を学ぶべきかもチームが判断できるようになることがセットになります。

ミッションを提示した管理職は、チームがそこに近づいているかを見ることになるはずです。チームのアプローチは、管理職が当初望んだものとは異なるかもしれません。それでも、チームが自ら設定した目標に向かい、そのために試行錯誤(「実験」)を重ねているかを評価できます。あわせて、実験からどのような事実を得て、それを次の判断にどう生かしたかを見ることが大切です。

ミッションに沿う目標をチームが定め、実験、得た事実、次の判断を繰り返す循環
図1 ミッションに向けたチームの学習と管理職の支援

不確実性が高く複雑な状況では、管理職自身にも何をすれば正解なのか分からないことがほとんどです(この事実を認めたくないのは誰でもそうですが)。そのとき、管理職の望む「作業」に従うことよりも、「チーム自身の判断」と「実験」を優先すべきです。

AIを実験と判断に役立てる

AIは、チームの判断に必要なデータやエビデンスの収集、その評価を支援するのに向いています。例えば、注目されているコードの生成も、実験を行うための手段の一つとして捉えることができます。

出来上がったものを示すだけでなく、実験を通じて何が分かり、次にどう判断するのか。そこにチームの大切な仕事があります。AIの出力を含め、何を事実として扱えるのかを確かめることも必要です。

Anthropicが2026年に公表した研究では、52人の開発者を対象に、初めて使うPythonライブラリの課題を比較しました。AIを使ったグループの直後の理解度テストの平均は50%、使わなかったグループは67%でした。ただし、これは特定の課題と短期のテストで得られた結果です。AIの使い方にも違いが見られ、長期的なチームの能力をそのまま示すものではありません。

また、23の研究を対象とした査読前の別の分析では、プログラミングの学習成果への一律の効果は統計的に確認されませんでした。このうち学習成果を扱った研究は10件です。分析対象は2019〜2025年の公表研究で、上記の2026年の研究は参考文献として引用されています。AIが学習に与える影響は、利用の仕方や状況を踏まえて考える必要があります。

アウトプットの量から顧客アウトカムへ

管理職は、コードの生産量や作った機能の数といったアクティビティやアウトプットの量だけで、チームが判断されないようにすべきです。

従来の価値観のまま仕事を評価すれば、チームには同じ圧力がかかり続けます。必要なのは、顧客やユーザーにとって望ましいアウトカムを積み重ねることに注力できる環境です。

そのために、ステークホルダーとの関係を築き、できるだけ速く、繰り返し学べるようにすることが重要です。顧客の望ましいアウトカムへ向かう取り組みは、チームの士気という内部的なアウトカムにも影響します。こうした動力源が育つことで、チームの自律性と継続的な改善につながります。

管理職には、新しい仕事のやり方の価値をチームへ伝えるとともに、組織内部やステークホルダーとの対話を通じて、その関係を築く支援が求められます。

計画どおりに作ることの根拠があるかどうかを対話する

ステークホルダーから、「多くの機能を計画どおりに作ってほしい」と求められることもあります。そのときは、それが顧客の望むことにつながるという根拠があるのかを精査すべきです。

根拠がないのであれば、アウトプットの量や計画の達成と顧客のアウトカムとの関係を自明のものとはできません。新たな秩序を見いだす必要があると伝え、対話します。

その手がかりの一つが、クネビンフレームワークです。状況を捉え、どのように意思決定するかを考えるための枠組みです。明確系として扱えばよい問題なのか、それとも専門的な分析を要する煩雑系や、試しながら状況を捉える複雑系の問題なのか。ステークホルダーと共通認識を持つ、センスメイキングから始めます。

この対話では、ビジネス目標と顧客が望むアウトカムを明らかにし、そのバランスを考えます。同時に、市場やユーザーニーズ、テクノロジーの進化によって、どちらも変化しうることを問いかける必要があります。

現在の状態、ビジネス目標、顧客アウトカムを対話で捉え、変化に応じて見直す
図2 ステークホルダーとの対話で明らかにし、見直すこと

現在の状態を事実から捉える

最初の一歩は、事実としての「現在の状態」を把握することです。現状を理解していなければ、目標を設定することも、顧客を知ることもできません。

分かったつもりで始めるのではなく、現時点では分かっていることよりも分からないことのほうが多い、という前提に立つ。そして、事実を集めることから始めます。

チームがミッションに向けて実験し、得られた事実から判断する。管理職は、その学習を支える環境と対話を整える。AIを活用するほど、この仕事の重要性は高まります。

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

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

PST: プロフェッショナルスクラムトレーナー
認定アジャイルのカタPROトレーナー
DASA認定トレーナー(プロダクトマネジメント)
DASA認定トレーナー(DevOps)

『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。