AIエージェントと共に進化する — Cognition as Code
2026年3月25日
あるSIer案件で、ベテランPMがこう言った。
「認証まわりは、見積もりの1.3倍で計算しておいて」
なぜ1.3倍なのか。10年以上の経験から体感で分かっている。ステークホルダーレビューの遅延、仕様変更の頻度、テスト環境の準備時間——すべてが暗黙のうちに織り込まれている。
この「1.3倍」は、実はベイズ事後分布の点推定値だ。ただし、そのベテランPMの頭の中にしかない。
これが属人化の数学的な正体である。暗黙のベイズ事前分布が、個人に閉じ込められている状態。その人が異動すれば、知見は消える。後任は同じ推定誤差をゼロからやり直す。
この記事では、暗黙知を実行可能なコードに変換する方法論について書く。プロンプトエンジニアリングの話ではない。チームとAIが共に進化するアーキテクチャの話だ。
AI導入の現在地
2026年のBlue Light PMO Summit（イギリスの公共サービス向けPMOカンファレンス）で、繰り返し聞かれた言葉がある。
「AIが来ることは分かっている。使い方が分からない。」
これはイギリスの話だが、日本のSIer業界でも状況は同じだ。AI導入の議論はされている。しかし実態は「Layer 1」にとどまっている。
Layer 1とは、LLMをテキスト処理ツールとして使うこと。リスク登録簿の下書き。議事録の要約。ステータスレポートの生成。ChatGPTやCopilotで作業を効率化する。
これは「速いタイピスト」としてのAIだ。PMOのプロセスは変わらない。チーム構造は変わらない。見積もり手法は変わらない。AIは既存ワークフローを加速するが、変革しない。
そしてLLMはステートレスだ。プロジェクトの履歴から学ばない。ドメイン知識を蓄積しない。時間の経過とともに精度が上がることもない。生産性の向上には天井がある。
コンウェイの法則とAI
1968年、メルヴィン・コンウェイはこう観察した。「組織はそのコミュニケーション構造を反映したシステムを設計する。」4つのチームを持つ企業は、4つのモジュールからなるアーキテクチャを作る。
同じ法則がAI導入にも適用される。
直線的な組織——知識が階層を通って流れ、意思決定が順番に行われ、専門知識がサイロ化されている——は、直線的なAIアーキテクチャを生む。AIはパイプラインの末端に座る。人間が決め、AIがフォーマットする。これがLayer 1だ。
共進化的なチーム構造は、別のものを生む。人間の専門家とAIシステムが継続的に対話し、互いに影響を与え合い、互いの能力を再形成するとき、生まれるアーキテクチャは非線形だ。知識は積み重なるのではなく、螺旋状に成長する。
SIerの文脈で言えば、これは「全員合意で進める会議体」と「少数精鋭の対話型チーム」の違いだ。前者はLayer 1を再生産する。後者は結晶化サイクルを回す。
3つのパラダイム
Zhang (2026) の論文は、AIエージェント開発の3つのパラダイムを特定している。
コード・ファースト。 知識を決定論的ロジックとして符号化する。決定木、ルールエンジン、数理モデル。監査可能で再現性があるが、曖昧さに対応できず、非構造的な経験から学べない。
プロンプト・ファースト。 知識を静的なシステムプロンプトとして符号化する。LLMにペルソナと指示を与え、クエリに応答させる。柔軟だが、ステートレス——セッション間で知識が蓄積しない。毎回ゼロから始まる。
ナーチャー・ファースト（NFD）。 知識が、人間の専門家とAIシステムの構造化された対話を通じて創発する。エージェントは最小限の足場から始まり、「知識結晶化サイクル」を通じて段階的に成長する。
この3番目のパラダイムが、私たちの実践している方法論だ。
結晶化サイクルとは、こうだ：
現場の観察 → プロトタイプ → 形式化されたアーティファクト → 運用展開 → 新しい観察
各サイクルは層を追加するだけではない。前の層を再形成する。
結晶化の実際
理論には実例が必要だ。私たちの4ヶ月間の軌跡を示す。
1月：TCO（総保有コスト）計算機。 PMOの基本的な問い——「5年間でどちらが本当に安いか？」——を実行可能な数学に変換した。スタンドアロンのPythonスクリプトから始まり、FastAPIモジュールになった。
2月：PERT推定。 三点見積もりに「インサイトタグ」を追加した。断片的なコミュニケーション、複数のステークホルダー、隠れた依存関係——現場で観察されるリスクパターンを、合成可能なパラメータとして符号化した。
PERTモジュールは、TCOに追加されただけではない。アーキテクチャのパターンを明らかにした。すべてのモジュールに core.py（純粋な数学）、router.py（APIエンドポイント）、schemas.py（バリデーション）、crud.py（永続化）がある。このパターンが、後に app/common/ として抽出されたDNAだ。
同月にEVM（アーンドバリューマネジメント）も構築した。EVMはPERTに依存する。工期推定がベースラインの計画値になる。モジュールファミリーの連鎖——PERTがベースラインを供給し、ベースラインがEVM指標を供給する——は、モジュールが共存するのではなく複利で成長する最初の兆候だった。
次にSkillsを書いた。PERT、EVM、TCOのロジックを、Claudeが会話的に実行できるマークダウン形式の指示書にした。デプロイ不要。同じ数学、異なるランタイム。結晶化の成果：暗黙的なPMO知識（いつタグを適用するか、EVMシグナルをどう読むか、TCOの入力値の何を疑問視するか）が、どのClaude インスタンスでも使える転移可能なアーティファクトになった。
3月：ベイズ推定補正。 これが最も鮮明な結晶化の例だ。「AIは見積もり誤差から学べるか？」という問いから始まった。Nature Communicationsの論文が、LLMは逐次的な信念更新で1回の観測後に頭打ちになることを示した。答え：LLM推論ではなく、決定論的なベイズ数学。
しかし螺旋はここにある：ベイズモジュールはPERTの出力（推定工期）を消費し、将来のPERT推定を再形成する補正係数を生成した。スタックに追加されたのではない。フィードバックした。そしてリファクタリングスプリントで抽出した共有CRUDパターンのおかげで、ベイズモジュールは3つの兄弟からボイラープレートをコピーする代わりに、クリーンなインフラを継承した。
4つのモジュール。3ヶ月。各モジュールが前のモジュールを再形成した。これは直線的な成熟ではない。螺旋的な成長だ。
属人化の解決としての結晶化
冒頭のベテランPMの「1.3倍」に戻ろう。
あの知見は、暗黙のベイズ事前分布だ。10年の経験から蓄積された精度。しかし、その人の頭の中に閉じ込められている。
私たちのベイズモジュールは、同じ知見を6件の観測データから再現した。事後分布 N(1.309, 0.0037)。認証タスクはPERT推定の約131%かかる。σ=0.061。
違いは3つある：
この数字は再現可能だ。誰が計算しても同じ結果が出る。
この数字は蓄積する。7件目の観測で精度がさらに上がる。ベテランの「体感」には上限があるが、数学には上限がない。
この数字は共有可能だ。異動しても退職しても、システムに残る。属人化していない。
SIer業界で長年問題視されてきた属人化の本質は、結晶化の失敗だ。知識が個人に閉じ込められている状態は、結晶化サイクルが回っていないことを意味する。ドキュメントを書くこと（SIerの典型的な対策）は不十分だ。ドキュメントは読まれなくなり、陳腐化する。必要なのは、知識を実行可能なコードとして結晶化すること——システムが自動的に使えるアーティファクトに変換することだ。
線形 vs 非線形
2026年のBusiness Process Management Journalに掲載された研究は、あるヨーロッパのPMOが16年かけて5つのステージを経て進化した過程を記録している。ITサポート → ガバナンス → 戦略統合 → AIを含む全社権限 → 企業成熟。各ステージは役割の層を追加する。削減はしない。
これが線形進化だ。ステージ3に到達するのに数年。ステージ4——PMOがAI導入をリードする——には数十年の蓄積が必要。
多くのSIerのPMOがステージ2-3で停滞している理由は明確だ。ガバナンス層を自動化なしで追加すると、官僚的オーバーヘッドが増える。報告書が増え、会議が増え、エクセル資料が増え、人員は変わらない。
結晶化モデルはこのタイムラインを圧縮する。各モジュールがガバナンス機能をプロセス文書ではなく実行可能なコードとして符号化する。EVM指標はPMO担当者がスプレッドシートで計算するのではなく、任意のシステムが呼び出せるAPIが計算する。ベイズ補正は誰も出席しない「振り返り会議」ではなく、完了タスクから自動的に学習するモジュールだ。
- 線形： ガバナンス層を追加 → 運用する人を雇う → 成熟を待つ → 次の層を追加
- 螺旋： 現場のパターンを観察 → PoCとして結晶化 → アーキテクチャに統合 → アーキテクチャが次のパターンの観察方法を再形成
線形モデルでは、各層は独立している。螺旋モデルでは、各サイクルがすべての前の層を再形成する。
真の競争優位
オープンソースの数学は信頼を構築する。誰でもPERT計算式を監査し、ベイズ更新を検証し、EVM計算を確認できる。コードはMITライセンスだ。
現場補正データ——「SIer案件の認証タスクはPERT推定の1.31倍かかる」——は、数学を特定の文脈に対して正確にする。補正係数はプロプライエタリだ。
しかし真の競争優位は、コードでもデータでもない。結晶化プロセスそのもの——暗黙的なPMO知識が、人間とAIの共進化を通じて実行可能なコードになる方法論——が本当の堀だ。
ベテランPMの「認証は1.3倍」を、σ=0.061のベイズ事後分布に変換したプロセス。16年の線形進化を4ヶ月の螺旋成長に圧縮したプロセス。
コードは公開されている。補正データはプロプライエタリだ。結晶化プロセスが堀である。
この記事で紹介したロジックモジュールは github.com/lemur47/logic でオープンソース公開中。Nurture-First Developmentフレームワークは Zhang (2026) に基づく。PMOの階層的役割モデルは Monteiro (2026), Business Process Management Journal。デュアルトラックのベイズ/LLMアーキテクチャは Kazinnik & Sinclair (2026), Stanford Digital Economy Lab。LLMのベイズ更新における限界は Qiu et al. (2026), Nature Communications。