【生成AI×情シス】生成AI時代の情シスに向いている人・向いていない人を紹介
各企業でDXが進んでいる昨今、情報システム部門に注目が集まっています。
AIの導入・保守からITを活用した成長戦略まで、情報システム部門へ課せられた責務は日に日に増えていくばかり。これからの情報システム部門で生き残れるか不安な人は多いはずです。
この記事ではさらなる活躍が期待されているAI時代の情報システム部門に、向いている人・向いていない人の特徴をまとめました。ぜひ最後までご覧ください。
AI情報システム部門と通常の情報システム部門の違い
前回の記事では以下のとおり、「情報システム部門の仕事内容」をAI時代の前後で比較しました。
| AI×情報システムの仕事内容 | 現在の仕事内容 | AI時代の仕事内容 |
|---|---|---|
| 社内システムの開発・管理 | 業務に不可欠な社内システムを開発・管理 | 自社業務に最適なAIツールを導入して、社内システムの開発や管理を行う |
| IT機器の運用・管理 | 社内ネットワークやハードウェアの管理 | AIツールを導入して、パソコンやIT機器の管理をできるようにする |
| ヘルプデスク業務 | 社内のITトラブルの解決 | チャットボットを導入して業務の効率化を行う |
| セキュリティ対策 | 現状のセキュリティ状況を把握し、対策を実施 | AIツールでセキュリティの脆弱性診断やウイルス検知を行う |
| <AI時代に新しく生まれた仕事内容> | ||
| AI技術の導入や運用 | – | 業務プロセスの最適化やデータ活用を促進し、業務効率の向上やコスト削減を行う |
| 社内AI化の推進 | – | 他部門と連携してデジタル化を進めるための取り組みや戦略策定を支援 |
| AI技術の学習 | – | AIの出力する内容やセキュリティ問題を検討する |
| 社内のAI人材育成 | – | 社員のデジタルスキルやデジタルリテラシーの向上のために、研修や勉強会を開催する |
企業がAIを活用するこれからの時代、情報システム部門がその導入や運用、保守を担うことになるでしょう。
AIは仕事を効率化してくれる反面、セキュリティやリテラシー上のリスクももたらします。そのためAI時代の情報システム部門はこれまで以上に、社内での存在感を増していくことになるはず。当記事では将来の活躍が期待される情報システム部門に、向いている人・向いていない人を紹介していきます。
AI情報システム部門に向いている人・向いてない人
AI時代の情報システム部門に、向いている人・向いていない人の特徴は以下のとおりです。
| 向いている人 | 向いていない人 |
|---|---|
| AIへの技術的な好奇心と学習意欲 | 最新技術への興味の欠如 |
| AIに関係するプログラミングのスキル | プログラミングスキルの欠如 |
| 広い視野と問題解決能力 | ビジネス的視点の欠如 |
| コミュニケーションスキル | 協力とコミュニケーションの難しさ |
| 高度な統計学・数学の知識 | 統計学・数学への理解不足 |
このように、AI時代の情報システム部門で活躍する人は5つの能力に長けています。以下、その能力について詳しくみていきましょう。
AIを含む最新技術への好奇心・学習意欲
AIの有無に関わらず、情報システム部門で活躍する人は「好奇心・学習意欲」に富んでいます。逆に「最新技術に興味が持てない」という人は、この部門に向いていません。
そもそも情報システム部門に向いているのは、幅広い業務に対応できる人。とくに中小・ベンチャー企業では「ひとり情シス」といって、マクロな「IT戦略の立案」からミクロな「基幹システムの保守」までを一人で行う事例が多々あるのです。
さらにAIの導入によって、そのプログラミングや保守など、情報システム部門の業務は増え続けます。ゆえにこれからの情報システム部門で生き残っていくためには、ジャンルを問わずITの知識を学び続ける好奇心が必要不可欠なのです。
AIプログラミングのスキル
AIの力を最大限に引き出すために欠かせないのが、プログラミングのスキル。とくにAIの運用を請け負う情報システム部門では、以下の2言語を身につけたプログラマーが重宝されます。
一方同じプログラマーでも、AIと無関係の言語しか身につけていない人は、これからの情報システム部門には不向き。たとえばHTMLやCSSなど「Web系の言語」だけであると、AIの運用はできません。
AIの学習に欠かせないPython
AIにデータを学ばせたいなら、「Python」の習得が必要不可欠。とくにPyTorchやNumPyなど、ライブラリの知識が求められます。
Pythonそのものの習得は、C言語やJavaなど他の言語と比べて簡単。言葉を話すようにプログラミングができるので、GoogleやNetflixなど名だたるテック企業でもPythonが採用されてきました。
ただPythonでAIを扱うとなると、追加機能「ライブラリ」の知識まで必要になってきます。とくにAIにデータを学習させるなら、ライブラリ「PyTorch」の習得が不可欠。さらにデータ解析に用いるライブラリ「NumPy」についても、学んでおく必要があるのです。
参考文献：入門 Python 3
データの処理にはSQL
AIの学習元となるデータの処理には、別途「SQL」の知識が必要です。
SQLはISO（国際標準化機構）も認可したデータベース言語。膨大なデータを扱う際、目当てのデータを検索・更新・削除するために用いられます。Excelと比べて処理速度に優れ、文字・数値のほかに画像まで扱えるのがSQLの魅力です。
以上の特性を備えたSQLは、AIの学習元となる膨大データの処理にも欠かせません。とくに「ビジネスで通用するAI」を作るためのデータ量は膨大。国内の例を挙げるとAI関連商品の過半数で、100,000件以上ものデータを使った学習がなされています。この量のデータをSQLなしで管理するのは不可能でしょう。
参考資料：ＡＩへのデータ利用の状況
広い視野と問題解決能力
AI時代の情報システム部門では、「広い視野と問題解決能力をもった人」が重宝されるでしょう。
逆に「自部門のやり方にばかり固執する人」は、AI時代の情報システム部門には向いていません。既存のシステムを保守するだけのスタッフなら、AIで替えが利いてしまうのです。
「経営者の視点」をもつことが大事
国内企業におけるDX（デジタルトランスフォーメーション）は、海外企業と比べて後れを取っています。これは各社の経営陣が、AIなど「ITツールの真価」に気づいていないからに他なりません。その証拠に経産省が2022年に公開した「DXレポート2.2」によると、ITの活用で企業成長に繋がった事例は1割にも満たなかったとあります。
そこでAI時代からは各社の情報システム部門も、経営陣と連携してDXを推し進めていくことになるはずです。
ゆえに情報システム部門で働くスタッフには、経営陣と同等の「広い視野・問題意識」が必要。企業の成長に直結するITツールを見定めることが、AI時代の情報システム部門の仕事なのです。
参考資料：DXレポート2.2（概要）
「守りの姿勢」から「攻めの姿勢」へ
経営陣だけが、DXに参画するわけではありません。個々の部門も、仕事を効率化してくれるITツールの導入に積極的です。
そこで問題になるのが、各部門が情報システム部門の許可なくITツールを導入する「シャドーIT」です。とくにツールの検閲を行う情報システム部門が保守的・過干渉だと、かえってツールの無断使用が増えてしまいます。
よってAI時代の情報システム部門には、他部門の問題を先回りして解決する能力も必要不可欠。保守にこだわる「守りの姿勢」から、先陣を切ってITツールを紹介・導入する「攻めの姿勢」にシフトしなくてはいけません。
コミュニケーションスキル
従来の情報システム部門は社内他部門からの理解が得られず、「コストセンター」として扱われることが多々ありました。他部門には一部、「用途の不明瞭な機材にコストを割いてもらっている」と情報システム部門に反感を抱くスタッフもいるのです。
とはいえ先述の通り社を挙げたDXの推進には、他部門の協力が欠かせません。
そこでAI時代の情報システム部門で求められるのは、ITの知識がないスタッフにもわかりやすく、ツールの使い方や魅力が説明できる人。つまり分野を問わず、コミュニケーション・協力を図るスキルが必須なのです。
逆にITの文化にのみ固執している人は、これからの情報システム部門に向いていません。
参考資料：総務省｜令和元年版 情報通信白書｜プロフィットセンター／フロントオフィスのICTへの転換
統計学・数学の知識
統計学・数学の知識をもたない人が、AI時代の情報システム部門で働くのは難しいでしょう。
とはいえ「天性の数学的センス」は不要。統計学・数学の知識さえあれば、これからの情報システム部門でも活躍ができます。以下、統計学・数学で何ができるのか、みていきましょう。
「統計学」はAIの学習・シミュレーションに欠かせない
データとAIを活用して業務を自動化する際、統計学の手法が役立ちます。
とくにその一つ「ロジスティック回帰分析」は、「正常／異常」や「合格／不合格」など、2択問題の解を予測するAIに欠かせません。情報システム部門で身近な例を挙げると、「迷惑メールの判別」や「Webサーバの異常検知」などを行うAIにロジスティック回帰分析が用いられています。
ほかにも価格や消費量など量の予測に役立つ「多変量解析」や複雑な事象が簡略化できる「ガウス分布」など、AIの開発・運用には統計学の知識が欠かせません。
参考資料：第３章 機械学習(教師あり学習)
機械学習の要「線形代数学」も学んでおきたい
AIは実用化までの過程で、100,000件を超える膨大なデータを使った学習を要します。その処理をプログラミング言語で記述するとなると、計算式も膨大になるはずです。
そこで計算式を簡略化するのに役立つのが、「線型代数学」の知識。たとえ変数を100個や200個含む関数であっても、線型代数学の概念「ベクトル」を使えば「1本の線」として直感的に処理ができます。
ほかにも誤差の計算に用いる「微分・積分」など、AIに応用が利く数学の概念は多数あります。AIの導入が進む時代、数学に強い人材は情報システム部門に限らずどこでも重宝される人材になれるでしょう。
生成系AIの業務活用なら！
・生成系AIを活用したPoC開発
・生成系AIのコンサルティング
・システム間API連携
AI時代の情シスに必要なのは「学び続ける人材」
AI時代の情報システム部門に向いている人・向いていない人の特徴を以下にまとめました。
| 向いている人 | 向いていない人 |
|---|---|
| AIへの技術的な好奇心と学習意欲 | 最新技術への興味の欠如 |
| AIに関係するプログラミングのスキル | プログラミングスキルの欠如 |
| 広い視野と問題解決能力 | ビジネス的視点の欠如 |
| コミュニケーションスキル | 協力とコミュニケーションの難しさ |
| 高度な統計学・数学の知識 | 統計学・数学への理解不足 |
AIの導入が進む時代、情報システム部門で生き残っていくためには上記5つの能力が必須。何よりも「最新技術への好奇心・学習意欲」が肝心です。
「学び続ける姿勢」が欠けているとプログラミング・統計学・数学の知識は身につきませんし、視野も狭くなってしまいます。
また「ビジネス的視点」や「他部門との協働・コミュニケーションスキル」も欠かせません。ITの文化や専門分野に囚われることなく、企業全体の成長に貢献できる人材がAI時代の情報システム部門には求められているのです。
最後に
AIは万能ではなく、業務に活用できる領域とできない領域があります。
生成系AI特化の事業になるまでは、法人向けシステムの連携・自動化・機能比較や、エンジニア目線によるシステム検討・導入支援を行ってきました。
AIを業務に活用したい方は、ぜひご相談ください。
次の記事では、情報システム部門のAIによって代替可能な業務、代替できない業務、増えた業務について解説していきます。
