■「PoCは成功したのに、本番では使われない」
そんなAIプロジェクトが、なぜこれほど多いのでしょうか。
多くの企業では、生成AIやAIエージェントの導入が進む一方で、データ基盤・AI実装・開発プロセスの品質が整わないまま開発が進んでいます。
その結果、LLMへのコンテキスト供給は不十分となり、AIはドメイン知識を理解できず、ハルシネーションや精度劣化を引き起こします。

PoCは動く。
しかし、本番では使えない。
こうした“AI実装の構造的失敗”が、今まさに多くの企業で起きています。

豆蔵のデータ戦略グループは、単なるAI導入支援ではなく、データ基盤・AIアーキテクチャ・AI駆動開発・内製化支援までを一気通貫で担うことで、この課題に向き合っています。
わたしたちが求めているのは、「AIモデルに詳しい人」だけではありません。
AI-Readyなデータ基盤を設計し、LLMが正しく理解できるコンテキストを供給し、AIを“実際に事業で使える状態”まで持っていける人材です。
そして、クラウドエンジニア・データエンジニア・AIエンジニアと連携しながら、数名規模のチームを率いて、本番稼働まで責任を持っていただきます。

「AIを作る」のではなく、“AIが本番運用できる構造”を作る。
そんな挑戦を、本気でやりたい方を求めています。


■このポジションの位置づけ
【PoC止まりでは終わらせない】
豆蔵は、AI戦略だけを描くコンサルティング会社でも、単なる受託開発会社でもありません。
顧客の経営・業務課題へ深く入り込み、データ基盤設計・AIアーキテクチャ・AI実装・AI駆動開発・内製化支援までを一気通貫で伴走します。
「AIをどう実装するか」だけではなく、「AIを継続的に運用できる状態」を構造から作ることが特徴です。

【“AI-Ready”な構造を作る】
当組織では、以下のようなテーマに取り組んでいます。

・データ基盤構築支援
中央集権型からデータメッシュ・コンポーザブル基盤まで、最前線のアーキテクチャを顧客へ届ける

・AIアーキテクチャ設計
「動くAI」ではなく、「信頼できるAI」を構造から設計する

・AI駆動開発
AIコーディング・AIエージェント時代を前提に、開発プロセスそのものを進化させる

・データマネジメント
AIが継続的に活用可能なデータを、安全かつ高品質に供給し続ける

【専門性の異なるメンバーとチームで戦う】
当事業部には、クラウドエンジニア・データエンジニア・AIエンジニア・アーキテクトなど、異なる専門性を持つメンバーが在籍しています。
全員にフルスタックを求めるのではなく、それぞれの専門性を持ち寄りながら、チームで顧客課題を解決しています。

■主な業務内容
・顧客技術対話
顧客のAI推進部門・情報システム部門・技術部門と対等に技術議論を行い、データ基盤・AIシステムの設計合意を主導します。上流フェーズのチームから本番化フェーズへの引き継ぎを技術的に完結させます。

・チームマネジメント
クラウドエンジニア・データエンジニア・AIエンジニア等数名のメンバーの業務設計・進捗管理・品質レビュー・育成を担います。プレイングマネージャーとして自分自身も技術的な主担当を持ちながらチームを率います。

・AI実装品質の設計監督
データ基盤（スキーマ・ETL・品質管理）・AIアーキテクチャ（品質ゲート・評価基準）・AI駆動開発（コンテキスト設計）の各レイヤーの整合性を担保します。LLMへのコンテキスト不足がドメイン誤り・ハルシネーションを引き起こすリスクを構造的に排除します。

・顧客内製化支援
外部ベンダー依存から脱却し、顧客組織が自走できる状態を作ることを最終目標として設定します。AI駆動開発ガイドライン・標準プロセスの整備と顧客チームへの移転を担います。

・実装ノウハウの標準化
案件で確立したアーキテクチャパターン・実装手法・品質基準を汎用テンプレートとして整備し、チーム全体のデリバリー品質と速度の向上に貢献します。

・AI・データ動向の事業反映
クラウドAIサービス・MLOps・LLMOps・AI駆動開発・フィジカルAI等の最新動向を継続的に把握し、設計判断・顧客提案・チームの技術方針に積極的に組み込みます。


■ータ戦略グループの主な実績
〇製造業向け AI-Readyデータ利活用基盤構築
Excel・Access・個人PC内の業務ファイルに点在する業務処理手順や判断ロジックが、特定メンバーにしか分からない状態となり、技術・業務ノウハウの継承が課題となっていたプロジェクト。

豆蔵は、データ利活用への課題感が大きい部署を中心にヒアリングを行い、42の業務をフローとして可視化。属人化していた業務知識を、データとして活用しやすい構造へ整理した。
AWS Glue、S3、Athena、QuickSightを活用し、分析・可視化・AI活用につながるデータ利活用基盤を構築。
将来的なRAGやAIエージェント活用も見据え、現場の業務ノウハウをAIが参照しやすいAI-Readyなデータ構造へ再設計し、内製化に向けた技術移転まで支援した。

〇SI企業向け AI駆動開発標準化、教育プログラム開発
SI力をAIビジネス拡大に活かし、独自性を備えたAI統合サービスを構築するという戦略のもと、従来型開発手法にAIを組み込んだ「AI駆動開発」の標準化に向けたガイドラインの作成・改善に取り組んだ。品質・生産性評価を通じて、従来の開発工程における工数を大幅に削減しつつ、従来開発と同等以上の品質を確保できる標準化を実現した。
また、AI駆動開発の普及を目的としたオンデマンド（動画＋テキスト）学習教材を展開するとともに、顧客ニーズに合わせたカスタマイズ勉強会や標準化活動にも積極的に取り組んでいる。

〇金融関連企業向け ナレッジグラフRAGを活用した暗黙知の形式知化
市場の持続的な発展と高度化を支える中で、業界経験20年以上のベテラン職員に蓄積された暗黙知の継承・活用が課題となっていた現場部門を対象に、SECIモデルを活用した暗黙知の表出化に取り組んだ。さらに、生成AIとオントロジー技術を組み合わせたナレッジグラフを用いて「ベテランの思考プロセスの可視化」を検証するPoCを実施し、正答率約7割・ベテランに近い応答性能という成果を得た。

〇製造業向け 摩耗予測MLOps基盤構築支援
製品の摩耗による突発的な交換や、オンプレ分析基盤の運用コスト増、手作業での予測精度維持が課題となっていたプロジェクト。
豆蔵はAzureでのMLOpsアーキテクチャを設計し、単なる環境移行ではなく、データ加工から管理までのMLOpsステップに合わせたPython実装へと刷新。
異常検知時の通知や再学習の仕組みを備えた運用基盤を構築し、PoCモデルの実運用化を支援。
開発から監視までのプロセス全体をスキルトランスファーし、予測精度改善の自動化と内製化を実現した。

〇ITサービス企業向け 次世代AIビジネス立ち上げ支援
次世代AIソリューションの早期展開に向け、AIの技術体制・専門人材の不足が課題となっていたプロジェクト。
豆蔵はAI専門チームとして参画し、ファインチューニングによる特化型モデル構築からMLOps初期運用設計までの技術基盤整備を支援。
さらに、技術面だけでなく不足していたビジネスモデルの設計にも参画し、多角的に事業化をサポート。
検証から運用設計までのスキルトランスファーを進め、顧客社内における持続可能なAIビジネス推進体制の構築に向けて伴走した。


■多事業企業向け データマネジメント活動支援
人材サービス・出版・広告・ブライダル・進学・その他情報サービスを手がけている企業において、各事業毎のサイロ化に起因するデータ流通阻害を解決するためにデータマネジメントを実施することを提案、その支援を行う。
データマネジメントに関わる社内意識調査やゴール設計、組織設計に加え、データガバナンス策定やデータカタログ策定の支援を行った。

■技術領域・活用例
顧客環境に応じて、以下のようなクラウド・データ・AI関連技術を活用しています。

・クラウド
AWS／Azure／Google Cloud

・データ基盤
Snowflake／Databricks／BigQuery／Redshift 等

・データエンジニアリング
dbt／Airflow／ETL・ELT基盤／データ品質管理

・AI／LLM関連
OpenAI／Claude／RAG／Vector DB／AIエージェント設計

・MLOps／LLMOps
MLflow／CI／CD／GitHub Actions／Kubernetes 等

・AI駆動開発
GitHub Copilot／Cursor／Claudecode／AIコーディング支援ツール活用

※特定製品ありきではなく、顧客課題・既存環境・将来の内製化を踏まえて最適な技術選定を行います。

また、AWSをはじめとしたクラウドベンダーとの連携や最新技術のキャッチアップも積極的に行っており、クラウドネイティブ・AI時代を前提としたアーキテクチャ設計に取り組んでいます。