指針となる原則
ビジョン: 変革された仕事のプレビュー
一日の始まりが、受信トレイの仕分けや会議準備ではなく、夜間に何が起きたかをまとめたブリーフィングから始まることを想像してみてください。あなたの AI エージェントは、届いたリクエストを処理し、あなたの判断が必要な項目にフラグを立て、承認待ちの回答を下書きし、あなたの仕事に影響するチーム横断の動きを浮かび上がらせています。
あなたは顧客とのコールに向けて準備をしています。Salesforce、Gainsight、ZenDesk、Gong から 1 時間かけてコンテキストを集める代わりに、ブリーフィングエージェントに重要な情報をまとめるよう依頼します。数分のうちに、関係性、最近の Issue、利用傾向、推奨される話のポイントが明確に見える状態になり、あなたがレビューして練り上げる準備が整います。
優先順位が競合する場合の判断を要する複雑な Issue や、明確な「正解」のない Issue が発生します。あなたのエージェントはすでに関連するコンテキストを集め、ステークホルダーを特定し、トレードオフを整理しています。あなたは状況を理解するための下準備ではなく、意思決定そのものに集中できます。
これは、調査、下書き、分析、調整、そして反復可能な部分の実行をこなすハイパフォーマンスなチームを持ちながら、あなた自身は戦略・判断・方向性に責任を持ち続ける、というイメージです。チームメンバーはオーケストレーターになります。意図を設定し、計画を承認し、アウトプットをレビューし、仕事の進め方を継続的に改善していきます。
以降に続く原則は、私たちをそこへ導くために設計されています。
5 つの原則
- 人間の貢献を増幅させる。自動化で消し去らない。 AI は人ができることを拡張するために使い、人を方程式から取り除くために使わない。
- ワークフローを再設計する。既存プロセスに AI を後付けしない。 壊れたプロセスを加速させるのではなく、AI をコア機能として、仕事がどう流れるべきかを再構想する。
- ユーザーだけでなく、ビルダーに力を与える。 中央配備されたツールを単に消費するだけでなく、それぞれの文脈に合わせて AI ソリューションを作るためのツールと権限をチームメンバーに与える。
- 小さく始め、信頼を築き、うまくいくものをスケールさせる。 Crawl-Walk-Run のアプローチで実証された価値を通じて前進し、実証された信頼性を通じて自律性を獲得する。
- 安全だけでなく、スピードのためにガバナンスを設計する。 ボトルネックを生むのではなく、迅速で自信のある行動を可能にする明確なガードレールを確立する。
原則 1: 人間の貢献を増幅させる。自動化で消し去らない
原則。 AI は実行負荷の高いタスクを担い、チームメンバーは DRI として責任を持ち続け、何を委任し、何を自分で持ち、どの程度の自律性が適切かを選択する。指標は節約された時間ではなく、増幅されたインパクト（すなわちビジネス価値の指標）であるべきです。
なぜこれが重要か。 GitLab における最も価値の高い仕事には、AI には再現できない人間の能力が必要です。微妙な顧客ニーズの理解、戦略的なトレードオフの判断、関係構築、曖昧さの中での舵取り、倫理的な推論の適用などです。AI を、プロセスから人間を取り除こうとするツールとして位置づけると、私たちはこれらの能力を失います。AI を、人間が高インパクトな活動に集中できるよう地道な作業を担うツールとして位置づけると、私たちは人々が達成できることを何倍にも増幅させます。
これは実際にはどのような姿になるか
タスクに応じてバランスは変化します。
- 定型的で反復可能な成功基準。 AI が自律的に動作します（データのエンリッチメント、フォローアップ、本来なら不可能だったアカウントエンゲージメントなど）。
- コンテキストや要素のつなぎ合わせを要する。 AI が重い作業を担い、人間がアウトプットをレビューするか、フラグが立ったときに介入します。
- 不慣れな状況、関係性、戦略的判断。 人間が主導し、AI は調査と準備で支援します。
これを誤ったときのリスク。 AI を通じた効率化とコスト削減だけに注力する組織は、自分たちの仕事を価値あるものにしていた人間の貢献まで最適化で消し去ってしまったことに気づくことがよくあります。目標は、人間の関与をどれだけ減らせるかを見ることではなく、低価値なタスクから解放されたとき、私たちの人々がどれだけ大きなインパクトを生み出せるかを見ることです。
問うべき重要な問い。 「この AI 実装は、チームメンバーに高インパクトな仕事のための余力を多く与えるものか、それとも単に彼らをプロセスから取り除くだけのものか。」
原則 2: ワークフローを再設計する。既存プロセスに AI を後付けしない
原則。 AI ツールを導入する前に、現在のワークフローとバリューストリームをマッピングし、こう問います。「もし今日、AI を コア機能 としてこのプロセスを設計するなら、どのような姿になるか。」多くの場合、その答えは、ステップを単に加速・自動化するのではなく、ステップ全体を取り除くことを含みます。
なぜこれが重要か。 ほとんどの AI 施策が失敗するのは、テクノロジーが機能しないからではなく、組織が そもそもそのプロセスが存在すべきか を問わずに既存プロセスへ AI を適用するからです。壊れたプロセスを自動化しても、壊れた結果が より速く 生まれるだけです。大きなリターンを得ている組織は、既存のものに AI を単に重ねるのではなく、仕事の流れを根本から再構想しています。
これは実際にはどのような姿になるか
- AI 導入前。 チームメンバーが 5 つのシステムからデータを集め、それをレポートにまとめ、レビューに回し、フィードバックを反映し、最終版を配布します。
- 後付けの AI。 AI がレポートの下書きを速める手助けをしますが、同じ 5 つのシステムからのデータ収集、レビューサイクル、配布のステップは残ったままです。
- 再設計されたワークフロー。 特定された 5 つのシステムのうち 2 つを取り除けます。AI が残りの 3 つのシステムを継続的に監視し、関連する変更を能動的に浮かび上がらせます。レポートはライブデータからオンデマンドで生成されます。レビューは AI が異常をフラグしたとき、または人間が要求したときだけ行われます。
- これまで不可能だったこと。 AI が何千もの顧客コールにまたがるパターンを特定し、個人やチームでは見つけられなかったトレンドを浮かび上がらせます。これまでこの規模では単純に実行できなかった仕事です。
分解のアプローチ
検討対象のどのワークフローについても、次のようにします。
- 現在のプロセスのすべてのステップを（Flow Engineering で）マッピングする。
- 各ステップについて問う。このステップはそもそも存在すべきか。完全に取り除けないか。
- 残るステップについて問う。これは人間がやるべきか、AI がやるべきか、それとも協働すべきか。
- 古いワークフローの修正としてではなく、新しいワークフローをゼロから設計する。
問うべき重要な問い。 「私たちは悪いプロセスをより速くしているのか、それとも成果を達成するための根本的により良い方法を作っているのか。」
原則 3: ユーザーだけでなく、ビルダーに力を与える
原則。 中央配備されたツールを単に消費するだけでなく、チームメンバーが AI を活用したワークフローを構築・共有できるインフラとインセンティブを作ります。目標は、実証された AI ソリューションからなる社内エコシステムです。
構築の前にまず消費する。 ビルダーに力を与えることの裏側には、構築の前にまず消費するという規律があります。まずは社内に既に存在するものに手を伸ばし、何も合うものがないときにだけ新たに構築します。これこそが、個々の構築の山を共有のエコシステムに変えるものです。
なぜこれが重要か。 中央の IT チームが、GitLab 全体のあらゆるロールとワークフローの機微を把握することはとても不可能です。仕事に最も近い人々こそが、その痛点、エッジケース、そして自分たちの文脈における「良い」の姿を理解しています。彼らが AI ソリューションを構築する力を与えられ（そして同様の課題に直面する他の人々とそのソリューションを共有する）とき、私たちのイノベーションの能力は飛躍的に増幅されます。
これは実際にはどのような姿になるか
- チームメンバーは中央配備を待つことなく、自分たちの特定の職務向けにカスタムの AI ワークフローを作成できます。
- 成功したソリューションは、他の人々が発見し応用できる形で文書化・共有されます。
- 「スーパーユーザー」が自然発生的に現れ、他の人々を支援したことで認知されます。
- AI Engineering チームは、ゲートキーピングではなく、プラットフォーム、ガードレール、サポートを提供します。
ビルダーのスペクトラム
全員がゼロから構築する必要はありません。エンパワーメントはスペクトラム上に存在します。
- コンシューマー。 提供された AI ツールをそのまま使い、文書化されたワークフローに従う。
- コンフィギャラー。 既存の AI ソリューションを自分たちの特定の文脈に適応させる。
- ビルダー。 提供されたプラットフォームとツールを使って新しい AI ワークフローを作成する。
- コントリビューター。 自分たちのソリューションを組織に還元し、他の人々が使えるようにする。
成功の測定。 何人が AI ツールを使っているかだけでなく、何人が AI ソリューションを作成・共有しているかを追跡します。純粋なコンシューマーに対するビルダーの比率は、私たちが真のエンパワーメントを達成できているかを示します。
注意点
セルフサービスのツールやシチズンデベロップメントは、BI、RPA、従来型の自動化において何十年も約束されてきました。それが大規模に実現したことはほとんどありません。私たちはこの点について冷静であるべきです。
違い。 過去の波はしばしば、人々に既存プロセスの自動化を可能にしました。それは混乱の自動化を意味しました。この原則は、他の原則、特に原則 2（ワークフローを再設計し、後付けしない）と原則 4（実証された価値を通じて自律性を獲得する）と組み合わされたときにのみ機能します。
AI Engineering チームの役割は、完全に手を引くことではありません。ガードレール付きのプラットフォームを提供し、うまくいくものをキュレーションし、うまくいかないものを廃止することです。全員がビルダーになるわけではなく、それで構いません。目標は、優れたソリューションがどこからでも生まれうる環境であり、全員が構築しなければならない という義務ではありません。
問うべき重要な問い。 「私たちは、最良の AI ソリューションが組織のどこからでも生まれうる環境を作っているか。」
原則 4: 小さく始め、信頼を築き、うまくいくものをスケールさせる
原則。 Crawl-Walk-Run のアプローチを通じて AI の能力を前進させ、実証された信頼性を通じて自律性を獲得します。テクノロジーだけでは 採用は進まない ため、人間側（イネーブルメント、文化変革、フィードバックループ）に大きく投資します。
なぜこれが重要か。 AI のインパクトを制限する要因が、テクノロジーそのものであることはまれです。それは、人々がそれを信頼し、使い方を理解し、そのアウトプットに自信を持てるかどうかです。信頼は段階的に築かれます。AI を提案エンジンとして始め、価値を実証し、信頼性が実証されるにつれて徐々に自律性を高めていくことによってです。いきなり完全な自動化に飛びつく、あるいはさらに悪いことに、採用への投資をせずにツールを導入することは、一貫してパフォーマンスが劣ります。
Crawl-Walk-Run フレームワーク
Crawl: AI が提案し、人間が決定し行動する。
- AI が推奨、下書き、または分析を提供します。
- 人間がすべてのアウトプットをレビューし、すべての決定を下します。
- 焦点は、AI が何をうまくこなし、どこで力不足かを学ぶことにあります。
- 成功指標: 提案は有用か。人間は時間を節約できているか。
Walk: AI が自動化し、人間が検証しトリガーする。
- AI が定型タスクを実行しますが、人間の承認を待ちます。
- 自信が高まるにつれて、承認は 1 件ずつからバッチへ移行できます（例: サンプルをレビューしてから、100 件のアクションを一度に承認する）。
- 人間がアウトプットを抜き取り検査し、アクションが有効になる前に承認します。
- 一貫した信頼性の高いパフォーマンスを通じて自信が築かれます。
- 成功指標: AI のアウトプットのうち、修正なしで承認される割合は何パーセントか。
Run: AI が自律的に行動し、人間が例外を処理する。
- AI が定められたガードレールの範囲内で独立して実行します。
- 人間は取られたアクションについて通知を受け、必要なときだけ介入します。
- AI が信頼性を実証済みで、エラーが低リスクまたは可逆的なワークフローのために確保されます。
- 成功指標: 成果は改善しているか。人間はより高インパクトな仕事のために解放されているか。
前進する権利を獲得する
Crawl から Walk、Walk から Run への移行は、希望ではなくエビデンスに基づくべきです。
- 正確性を追跡する。 AI の提案のうち何パーセントが受け入れられているか。自動化されたアクションのうち何パーセントが成功しているか。
- 信頼を測定する。 ユーザーは現在の自律性のレベルに満足しているか。次のレベルに自信を持てるようにするには何が必要か。
- しきい値を定義する。 どの正確率または成功率が、自律性の引き上げを正当化するか。これを明示的にする。
- 可逆性を組み込む。 問題が生じた場合に、より低い自律性のレベルに戻れるようにする。
ツールだけでなく、人への投資
ほとんどの人は、トレーニング動画を見たりドキュメントを読んだりしただけでは新しい AI ツールを採用しません。次のときに採用します。
- 同僚がそのツールで成功しているのを見たとき。
- 実験し失敗できる安全な場があるとき。
- そのツールが、目の前の実感されている痛点を解決するとき。
- 行き詰まったその瞬間にサポートを受けられるとき。
同僚が新しいワークフローを採用するのを助ける Champion を特定し支援します。AI Engineering チームが何がうまくいき何がうまくいかないかを理解できるよう、フィードバックループを構築します。
問うべき重要な問い。 「私たちは自律性を高める権利を獲得したか、そして人々の成功を助けるために十分に投資しているか。」
原則 5: 安全だけでなく、スピードのためにガバナンスを設計する
原則。 制約するのではなく可能にする、AI 利用のための明確な原則を確立します。どの決定に人間の承認が必要か、どの決定を AI が自律的に下せるか、そしてどれがその中間に位置するかを定義します。ガバナンスは定期的な再評価を要する生きたドキュメントとして扱います。
なぜこれが重要か。 明確なガードレールがないと、チームは動きが遅すぎる（すべてに承認を求める）か、無謀すぎる（スピードを追ってリスクを無視する）かのどちらかになります。よく設計されたガバナンスは、何が許容されるかを明確にし、決定の「分析麻痺」とやり取りを減らすことで、実際には導入を加速させます。
AI アクションの権限ティア
- 自律。 AI が定型的・低リスク・容易に可逆的な事柄について独立して行動します。
- 提案して待つ。 AI がアクションを下書きし、実行前に人間の承認を待ちます。
- 即座にエスカレートする。 AI が、即座の人間の対応を要する状況にフラグを立てます。
明確な境界
- AI はどのデータにアクセスできるか。どのデータが立入禁止か。
- AI はどの決定を下せるか。どの決定に人間の承認が必要か。
- AI はどのアウトプットを直接公開できるか。どれに人間のレビューが必要か。
- エラーはどう扱うか。誰が責任を持つか。
ガバナンスのアンチパターン。 あらゆる AI ユースケースに委員会の承認を求めるガバナンスは、勢いを殺しチームを苛立たせるボトルネックを生みます。代わりに、チームが自ら適用できる明確な原則を確立し、真に新規の状況に対するエスカレーションパスを用意します。
生きたドキュメント。 AI の能力は急速に進化します。1 月に確立されたガバナンスは、6 月には時代遅れになっているかもしれません。定期的なレビューサイクルを組み込み、ガバナンスが現実と合っていないときにチームが容易にフラグを立てられるようにします。
問うべき重要な問い。 「私たちのガバナンスは、チームに速く動くための明確さと自信を与えているか、それとも不確実性と遅延を生んでいるか。」
North Star: これらの原則がうまく機能したときの仕事の姿
この世界では、ほとんどのナレッジワークは同じように始まります。あなたが推進している成果を述べると、あなたの AI エージェントのチームが、そこへ到達するために必要な仕事を立ち上げます。
あなたは、調査、下書き、分析、調整、そして反復可能な部分の実行をこなせるハイパフォーマンスなスタッフチームを持ちながら、あなた自身は判断と方向性に責任を持ち続けます。
仕事はどう感じられるか
雑務が減り、本当の仕事が増える。 チームメンバーがコンテキストを集めたり、システムを更新したり、初稿を作成したり、承認を追いかけたり、矛盾する情報を突き合わせたりに費やす時間は大幅に減ります。「人間ルーター」であることの認知的負荷が消えます。
タスクではなく、成果をマネジメントする。 仕事は次のように枠組みされます。「これがゴール、制約、そして良いものの姿だ。」エージェントが計画を提案し、ステップを実行し、エビデンス付きの選択肢を返します。あなたが決定し、承認し、軌道修正します。
あなたの注意は、人間が価値を加える場所へ向かう。 チームメンバーは、戦略、トレードオフ、関係性、創造性、倫理的判断、そして曖昧さの中での舵取りに集中します。仕事の機械的な部分はバックグラウンドで行われます。
意思決定が、雑にならずに速くなる。 エージェントが、出典と信頼度レベルとともに利用可能な最良の全体像をあなたに届け、あなたが決定します。コンテキストがすでにパッケージ化されているため「アラインメント会議」が減ります。情報がまとめられるのを待つ遅延が減ります。
「AI エージェントをマネジメントする」とは日々実際に何を意味するか
チームメンバーはオーケストレーターになります。
- 何が起きる必要があるかについて、意図と成功基準を設定する。
- 計画を承認し、実行を専門のエージェントに委任する。
- 適切なレベルの精査でアウトプットをレビューする（低リスクなものは軽く、高リスクなものは慎重に検査する）。
- 何かがおかしく見えるときに、より良い問いを立てる。
- ワークフローを継続的に改善する。混乱を単に自動化するのではなく、不要なステップを取り除く。
- エージェントのパフォーマンスを時間とともに改善するために、コーチングとフィードバックを提供する。
それはツールを使うというより、非常に有能なチームを率いることに近く感じられます。
ある一日
朝。 あなたは出社すると、夜間に何が起きたかをまとめたブリーフィングを目にします。エージェントは、届いたリクエストを処理し、あなたの判断が必要な項目にフラグを立て、承認待ちの回答を下書きし、あなたの仕事に影響するチーム横断の動きを浮かび上がらせています。あなたの朝は、受け身の追いつき作業から、能動的な意思決定へと変わります。
昼。 あなたは顧客とのコールに向けて準備をしています。Salesforce、Gainsight、ZenDesk、Gong から 1 時間かけてコンテキストを集める代わりに、ブリーフィングエージェントに重要な情報をまとめるよう依頼します。数分のうちに、関係性、最近の Issue、利用傾向、推奨される話のポイントが明確に見える状態になり、あなたがレビューして練り上げる準備が整います。
午後。 優先順位が競合する場合の判断を要する複雑な Issue が発生します。あなたのエージェントはすでに関連するコンテキストを集め、ステークホルダーを特定し、トレードオフを整理しています。あなたは状況を理解するための下準備ではなく、意思決定そのものに集中します。
一日の終わり。 あなたは夜間の仕事に向けて意図を設定します。実施すべき調査、準備すべき下書き、行うべき監視などです。明日戻ってくるときには、地ならしはすでに整っています。
GitLab にとってのメリット
複利的な生産性。 誰かが AI を使ったより良い仕事の仕方を生み出すと、それはその人を助けるだけでなく、どこでも共有・再利用できます。改善はサイロに留まるのではなく、複利的に積み上がります。
スケーラブルな一貫性。 優れた仕事の仕方が、官僚主義やプロセスの肥大化に陥ることなく、共有されたエージェントとワークフローを通じて速く広がります。
より速い適応。 エージェントがコンテキストを集め、リスクを特定し、実行計画をオンデマンドで提案できるため、新しい施策がより速く立ち上がります。「習熟する」フェーズが劇的に縮小します。
より良いリスク姿勢。 ガバナンスは、権限ティア、データ境界、監査証跡を通じてシステムに組み込まれます。スピードはコントロールを犠牲にして得られるものではありません。
チームメンバーにとってのメリット
より意味のある仕事。 人間ルーター、データ収集者、フォーマット変換者であることに費やす時間が減ります。本当の問題を解決し、関係を築き、専門性を発揮することに費やす時間が増えます。
より低い認知的負荷。 あなたは 10 個のシステムと何百もの細かな決定をやりくりすることがありません。「すべてを把握し続ける」という心的オーバーヘッドは、まさにその目的のために設計されたエージェントが担います。
より高いレバレッジと成長。 チームメンバーは、判断、リーダーシップ、システム思考、そして職人技へとレベルアップします。これらは AI が定型的な実行を担うようになるにつれて、価値を保ち、より重要になる能力です。
より高い自律性。 強固なガードレールが整っていれば、人々はあらゆるステップで許可を待つことなく、より速く動けます。明確な境界は、制約ではなく自由を生み出します。
この変革は見た目よりも近い
このビジョンの構成要素は今日すでに存在します。朝のブリーフィング、ガードレール内で実行を担う AI エージェント、判断に集中する人間。これらは SF ではありません。残されているのは、実装という意図的な仕事です。ワークフローの分解、可能にするインフラの構築、文化の変革、そして重要なことの測定です。
GitLab の機会は、私たちの価値観であるコラボレーション、結果、効率性、イテレーションを強化する形で、この未来を透明かつイテレーティブに築くことです。完璧なテクノロジーを待つ必要はありません。明確な原則から始め、実験を通じて学び、今後数年の仕事の起こり方を定義する人間と AI の協働の筋肉の記憶を築いていきます。
結論
これら 5 つの原則は、ほとんどのエンタープライズ AI の取り組みを悩ませる失敗パターンを避けるための、社内 AI 施策の基盤を提供します。
- 自動化で消し去るのではなく、人間の貢献を増幅させる。
- 既存プロセスに AI を後付けするのではなく、ワークフローを再設計する。
- 単にユーザー向けにツールを配備するのではなく、ビルダーに力を与える。
- Crawl-Walk-Run の段階を通じて 小さく始め、信頼を築き、うまくいくものをスケールさせる。
- 安全だけでなく スピードのためにガバナンスを設計する。
North Star は、チームメンバーを AI で置き換えることではありません。すべてのチームメンバーにハイパフォーマンスなサポートチームのレバレッジを与え、AI が今日の労働時間の多くを消費している実行負荷の高いタスクを担う一方で、人間にしかできない仕事に集中できるようにすることです。
最も速く動いている組織は、完璧なテクノロジーを待っていません。明確な原則から始め、実験を通じて学び、今後数年の競争優位を定義する能力を築いています。それが私たちの目の前にある機会です。
関連
- Hub & Spoke & Hub: これらの原則をデリバリーに変える運用モデル。
- Operating Rhythm: デリバリーを支えるケイデンス、チャネル、決定権。
- Prompts are Process: なぜすべての AI エージェントにオーナーが必要なのか、そしてオーナーシップが置かれうる 3 つの場所。
bfd74782)