AI時代のエンタープライズアーキテクチャはどうあるべきか

AIはすでに「便利な道具」の段階を超えつつあります。システムの設計やコーディング、レポート作成など、人間がやっていたタスクをAIがある程度自律的にこなす場面は珍しくなくなりました。しかしその先に、さらに大きな変化が控えています。受注処理や在庫引当、生産計画といった企業の基幹業務をAIエージェントが自律的に遂行する時代です。
このとき問われるのは「人間がAIをどう使うか」ではなく、「自社のシステムは、AIが働ける構造（アーキテクチャ）になっているか」 という、より根本的な問いです。

まず、自社のシステムの現実を見てみる

こんな状況に心当たりはないでしょうか。
ある顧客の受注状況を確認するのに、受注システム、在庫システム、出荷システムと3つの画面を開かないといけない。しかも同じ顧客なのに、システムごとに顧客コードが違う。在庫数を正確に把握するには、システムの数字だけでは足りず、現場の担当者が手元の管理表と突き合わせてようやく「本当の在庫」が分かる。
夜間に走るバッチ処理の順番を変えると月末の締め処理がおかしくなるが、なぜその順番なのかを正確に説明できるのは社内に一人か二人。その人が異動したら、もう誰にも分からない。
こうした現実は、多くの日本企業で見られる構造的なものです。業務ごとに個別開発されたシステムが乱立し、その間を手作業や独自の連携処理、あるいは現場が作った管理表がつないでいる。

この複雑さは「負債」なのか、「資産」なのか

ではなぜ、こうなったのか。
日本企業は、欧米のトップダウン型とは異なり、現場のカイゼンの積み上げで競争優位を築いてきました。現場が発見した改善のロジックをシステムに次々と追加してきた結果、システムは肥大化・複雑化した。
「ERPパッケージを入れれば解決するのでは」という声もあります。しかし日本企業のERP導入の多くは、パッケージに業務を合わせるのではなく、既存業務に合わせてパッケージをカスタマイズする「Fit to Custom」となり、結局カスタムシステムと同じ複雑さを抱えてしまいました。
ここで認識すべき重要な点があります。レガシーシステムの複雑さは、単なる技術的負債ではなく、何十年にもわたる現場の知恵の蓄積でもあるということです。「この顧客にはこの条件で出荷する」「この工程ではこの順番で処理する」「月末だけ特別な引当ロジックを適用する」――こうした業務知識がシステムのあちこちに埋め込まれています。
問題の本質は、システムが古いことではありません。業務の知恵がシステムの中に閉じ込められたまま、誰も全体像を明示的に説明できなくなっていることにあります。

これまでのシステムは「人間が使う」前提で作られている

現在の業務システムのロジックの大部分は、実は人間の操作を支援するためのものです。

プルダウンで選択肢を絞る。入力チェックでミスを防ぐ。承認ルートで権限を制御する。すべて「人間がミスなく正しい判断をできるように助ける」ことが前提です。人間のオペレーターなら、画面を見ながら「この受注は特殊だからこう処理しよう」と経験で補完できます。
しかしAIエージェントが業務を担う場合、必要なのは入力補助ではありません。企業の状態を把握し、明文化されたルールに基づいて自律的に判断する仕組みです。
現在のシステムは「人間の認知的限界を補うUI」。AI時代に必要なのは「AIの判断を制約し監査するポリシーエンジン」。設計の前提そのものが反転します。
加えて、夜間バッチ処理の問題もあります。多くの企業では日中の入力が企業の状態に反映されるのは翌朝です。もちろん、昨日時点の情報で十分な業務はいくらでもあります。しかし、在庫引当や受注可否の判断など、鮮度の高い情報に基づいてリアルタイムに判断すべき業務もある。AIがそうした判断を担うなら、リアルタイムの状態にアクセスし、即座にオペレーションできなければなりません。今のバッチ中心の構造では、それができない。
さらに厄介なのは、業務ロジックが複数の場所に分散していることです。 画面のチェックロジック、夜間バッチの処理、現場の運用ノウハウ。一つのビジネスルールがどこに実装されているかを知るだけでも、この3つの世界を横断的に調査する必要があります。AIがこの業務を引き受けるには、ルールが一箇所に明示されていなければなりません。

データだけでは足りない ― 本当に必要な「企業の知識」とは

ここまで見てきた問題を踏まえると、「では何を変えればいいのか」という問いに行き着きます。
AI活用の文脈ではまず「データ整備」が語られます。もちろんデータは重要です。しかし、データだけではAIの能力を最大限に発揮させることはできません。
たとえば、ある顧客が納期を変更したいと言ってきたとします。この判断には、その顧客の優先度、すでに確定した生産計画への影響、原材料の手配状況、他の顧客の注文への玉突き、さらには契約上のペナルティ条件まで、複数の領域にまたがる概念の関係性を構造的に理解しなければ正しい答えが出せません。個々のルールをマニュアルから読み込ませるだけでは対応できない、業務の構造そのものの理解が求められます。
AIが企業の中で力を発揮するには、その企業固有のルール・プロセス・ポリシーが、バラバラの断片としてではなく、互いの関係性を含めて構造的に定義されている必要があるのです。生産工程の手順、サプライチェーンの取引条件、品質基準、承認ポリシー、顧客ごとの例外的な取り決め――これらがどう関連し、どう影響し合うかまで含めたモデルが求められます。
データが「事実の記録」だとすれば、これらは「判断の構造」。企業の競争力の源泉そのものです。両方が揃って初めて、AIは企業にとって意味のある判断ができるようになります。
そしてここに逆説的な希望があります。
先ほど述べたように、これらの知識は「存在しない」のではなく、すでにシステムの中に暗黙的に埋まっているのです。画面のロジックに。バッチの実行順序と依存関係に。現場の管理表やベテラン担当者の頭の中に。日本企業のレガシーの複雑さとは、現場の業務知識の膨大な蓄積にほかなりません。
この散らばった知識を見極め、体系的に抽出し、AIが活用できる形にモデル化すること。これがAI時代の企業変革の核心であり、単なるシステム刷新ではなく組織知の構造化という本質的な営みです。

AIネイティブ・エンタープライズ ― 企業の「OS」が変わる

では、企業の知識がモデル化され、AIが業務を担えるようになった企業は、どのような構造になるのか。

AIエージェントが業務ごとに自律的に動き、その判断はすべて企業の知識基盤（ルール・プロセス・ポリシーの体系）とポリシーエンジンによって制約・監査される。人間は戦略設定・例外判断・高度な業務に集中する。これがAIネイティブ・エンタープライズの全体像です。
ここで重要なのは、AIが「何でも自由にやる」のではないということです。明示的なポリシーとガードレールの中で行動する設計が不可欠です。これは「制約付き自律性（Bounded Autonomy）」と呼ばれる考え方で、どの判断にどこまでの自律性を与え、どこで人間が介在するかを企業自身が設計します。

この転換を整理すると、こうなります。

人間の役割も変わります。経営層は戦略とポリシーの設定に、マネージャーは例外判断と監督に、業務エキスパートは高度な判断と創造的な業務に集中する。定型的な業務判断はAIが担います。
表の最後の行にも注目してください。求められる仕事は「人間の作業を自動化すること」から、「企業の知識を形式化し、AIが活用できるようにすること」へ。これこそが、AI時代の企業変革の本丸です。

問われているのは「自社を定義する力」

この変革にはもちろんテクノロジーの力が必要です。AIそのものの進化も、既存システムのモダナイゼーションや分析も欠かせません。しかしテクノロジーだけでは実現できない。それと同じくらい重要なのが、自社の業務を明示的な知識として再定義する意志と能力です。
自社の生産工程、サプライチェーン、取引ルール、品質基準。これらを体系的にモデル化し、AIが理解・活用できる形にすること。それは部門間での概念の合意形成、ベテランの暗黙知の抽出といった困難を伴います。しかしこの困難は「企業が自社の業務を明示的に定義する」こと自体の難しさであり、AI以前から存在していた課題です。AIの登場は、この長年先送りされてきた課題に取り組む、これまでにない強い動機を与えています。
日本企業のレガシーシステムに凝縮された現場の知恵を「負債」で終わらせるのか、AIが活用できる「知識資産」に転換するのか。
「2025年の崖」の本質は、システムの老朽化ではなく、自社の知恵を自社で語れなくなっていたことにあります。AI時代は、その知恵を取り戻し、新たな競争力に変える時代でもあるのです。

[参考リンク]
Accenture Technology(アクセンチュア テクノロジー) 記事一覧
Accenture Technology(アクセンチュア テクノロジー)｜note

テクノロジー関連の募集中ポジション
テクノロジー関連の仕事と募集要項 | アクセンチュア

アクセンチュアへのお問い合わせ
お問い合わせ | アクセンチュア

[注意事項]
-本記事の内容は社員個人の見解であり、所属する組織を代表するものではありません。

-文中の画像は生成AIによって作成されたものも含みます。