AIがコードを書く時代、SIerは何を売るのか③ | AI駆動開発時代、SIerは何によって選ばれるのか？

*自社の知見·技術*

AI駆動開発の進展によって、SIerが提供するものも、担う役務も大きく変わり始めている。では、顧客はこれから何を基準にSIerを選べばよいのか。本稿では、その問いに対する答えとして、「蓄積」「運用」「保証」の三つの観点から、新しい選定基準を整理し、AI時代に選ばれるSIerの条件を考察した。

序章　「選ぶ基準」が、崩壊している

AI駆動開発によってSIerの提供物と役務がどのように変化するのかを論じてきた。SIer側からの再定義は、そこで一定の輪郭を描けた。
残る問いは、ひとつである。
SIerは何によって選ばれるのか。
ここから先は、SIerの論理ではない。顧客の論理である。どれほど立派な提供物・役務を整えたとしても、顧客から選ばれなければ、事業は成立しない。
ところが、その顧客側で、選定基準そのものが変化し始めている。選ぶための基準そのものが、崩壊しているということである。

Gartnerは2025年6月、agentic AIプロジェクトの4割超が2027年末までに中止されると予測した。Writer社の2025年調査では、経営層の68%が「AI導入によって部門間の摩擦が増えた」と回答している。McKinseyのThe State of AI（2025年11月版）によれば、AIを業務に利用する組織は世界で88%に達する一方、agentic AIを「スケール段階」まで運用している組織は23%にとどまる。
これらの数字を並べると、ひとつの像が浮かぶ。導入は進むが、定着しない。試行は広がるが、本格運用に到達しない。これは技術の問題ではない。選定の問題である。顧客が、誰と組むべきかの判断軸を誤っている。あるいは、選定基準そのものを言語化できていない。
私たちはGartnerの中止予測の数字そのものを、選定基準のずれの結果として読む。技術が未熟だから止まるのではない。発注時点で、適切な相手を、適切な根拠で選べていないから止まるのだ。
従来、SIerの選定は、主として三つの軸で行われてきた。規模、実績、人月単価である。しかし、三軸とも、いまや機能不全に陥っている。

規模が機能しなくなった理由――AI駆動開発の生産性向上は、組織規模に比例しない。蓄積の質と運用の機敏さに比例する。大手SIerの人員数は、Agent時代には優位に直結しない。
実績が機能しなくなった理由――過去の納品実績は「人がコードを書けたか」の指標にすぎず、「Agentを動かし続けられるか」の指標にはならない。
人月単価が機能しなくなった理由――Vol.2で論じた通り、人月そのものが収益単位として崩壊している。比較不能な軸で並べたところで、選定の意味をなさない。

しかし、代わりの基準が言語化されていない。だから顧客は、過去の基準でSIreを選び、思った成果が出ないまま中止する。RFPを書こうとしても、評価項目に何を入れるべきかが定まらない。役員稟議では「なぜこのSIerを選んだのか」の説明が、説得力を持たない。
本稿が答えようとするのは、代わりとなる基準である。ただし、よくある「こんな能力を持つSIerを選びましょう」という提案ではない。そういった能力カタログでは、答えにならない時代になっている。理由は、第1章で論じる。

第1章　顧客は、何を見て選ぶようになるのか

「能力カタログ」では、もう選ばれない

従来の選定は、能力リスト型であった。「クラウド対応できるSIer」「AI開発ができるSIer」「業務知識を持つSIer」――リストの該当数が多いほど、選定優位だった。
AI駆動開発時代は、この方式が成立しない。
理由は単純である。AI Agentが登場した結果、個別能力の供給が急速に拡大したからである。しかし、顧客からSIreへの発注は減っていない。それどころか、複雑化している。なぜか。
それは、AI Agentが代替できる個別能力の和ではなく、能力の統合度である積が成果を決めるようになったからである。
「和ではなく積」と書いたのは、比喩ではない。AI Agentが知識資産を読み、業務ルールに従って判断し、人間とのエスカレーションを往復し、運用全体でコスト最適化が継続的に機能している――この状態は、要素のひとつでも欠ければ全体が機能しない。統合度が一箇所でも欠ければ、他がいくら高くても成果はゼロに近づく。これは、足し算ではなく掛け算の構造である。
したがって、顧客が選ぶべきは「○○ができるSIer」ではない。「○○×○○×○○ がひとつの組織内に統合されているSIer」である。

統合度という、新しい評価軸

では、何と何が統合されていればよいのか。本稿の提案は、次の三層構造である。
・蓄積層：何を持っているか（知識・方法論）
・運用層：何ができるか（編成・最適化）
・保証層：何を約束できるか（契約・責任）
蓄積を持っていても、運用できなければ価値にならない。運用できても、契約上で約束できなければ顧客は安心して任せられない。三層が組織内で連動して初めて、顧客にとって意味のあるSIerになる。
これは、Vol.2で論じた三つの中核（判断品質の継続設計・責任境界の継続確定・業務編成の継続再設計）を、別の角度から照らし直したものである。三中核は「SIerが何を提供するか」を語る視座であった。本稿の三層は、「SIerが組織として何を備えているか」を語る視座である。
両者の関係を、次のように対応づけることができる。

Vol.2で「SIerは三中核で稼ぐ」と論じた。本稿で論じるのは、三中核を実現するためには、組織として三層を統合的に備えていなければならない、ということである。

顧客からの3つの問い

統合度を評価するためには、個々の能力だけでは十分ではない。顧客は、その能力を支える仕組みまで確認する必要がある。そこでSIreに問うべきことは、次の3つである。
「何を持ち（蓄積）、何を動かし（運用）、何を約束（保証）できるのか」。
従来のRFPは、「何ができますか」を中心に問うていた。しかし、AI駆動開発時代のRFPでは、それだけでは十分ではない。
この3つを確認することが、新しい選定基準となる。選定基準が変われば、RFPで問う内容も変わる。RFPで問う内容が変われば、選ばれるSIerも変わる。

第2章　何を「蓄積」しているか――三層の知識・方法論資産

蓄積を持たないSIerは、選定候補から外れる

第1章で示した三つの問いのうち、最初の問いから始めよう。
「何を蓄積していますか。」
AI駆動開発時代の納品物は、コードだけではない。知識資産、設定資産、運用資産といった、組織が継続的に蓄積・更新していく資産が新たに加わる。これらは、案件ごとに消費される一回性の成果物ではない。次の案件でも活用される、組織のストック資産である。
ここから、一つの帰結が導かれる。
蓄積を持たないSIerは、選定候補になりにくくなる。なぜなら、蓄積がなければ、新規案件において次のような価値を提供できないからである。
・立ち上げ速度：過去の業界知識を活用できず、ゼロから構築する必要がある。
・失敗回避：過去の方法論や知見を活用できず、同じ失敗を繰り返す可能性が高まる。
・経済性：基盤やテンプレートを再利用できず、開発コストが高くなる。
逆に言えば、組織として蓄積してきた資産を、顧客に分かる形で示せるSIerが、選定候補として認識される。蓄積の質と量が、SIerの競争力を左右する時代が始まっている。
そして、蓄積すべき資産は、三つに分けられ、対象とする知識が異なる。
・ドメイン知識資産は、ドメイン（業界・業務領域）に関する知識である。
・顧客固有知識資産は、個別の顧客の業務や運用に関する知識である。
・AIDD方法論資産は、AI駆動開発を実践するための方法論に関する知識である。
つまり、業界、個社、AI駆動開発という三つの異なる対象について知識を蓄積することになる。

第一層：ドメイン知識資産

ドメイン（業界・業務領域）に関する知識資産である。
製造業の生産管理、金融業の与信審査、流通業の在庫最適化、医療業の診療プロセス――それぞれの業界に固有の業務構造を、AI Agentが理解・実行できる形で構造化し、蓄積した知識である。
ドメイン知識資産の価値は、新規案件への横展開速度に表れる。同じ業界の二社目では、一社目で蓄積した知識を活用できるため、構築期間やコストを大きく圧縮できる。三社目では、その効果はさらに高まる。蓄積年数、案件数、業界カバー範囲が、知識資産の厚みとなり、新規案件における競争力につながる。
顧客が確認すべきことは、次のとおりである。
・自社の業界に関する知識を、組織として蓄積しているか。
・同業他社での支援実績を、知識資産として活用できる状態になっているか。
・ドメイン知識が、継続的に更新・運用される仕組みを持っているか。

第二層：顧客固有知識資産

長年その顧客を支援する中で蓄積される、個社固有の知識資産である。同じ製造業でも、A社とB社では業務プロセスが異なる。同じ金融業でも、リスク許容度や意思決定の考え方は組織ごとに異なる。
こうした業務文脈、例外ルール、組織として積み重ねてきた判断の背景を継続的に蓄積し、更新していけるかが問われる。
Vol.2で述べたように、この知識資産の所有権は顧客にある。一方で、それをAI Agentが理解・活用できる形に構造化し、継続的に更新・運用していくことは、SIerの役務となる。この知識資産が蓄積されるほど、SIerは顧客の事業に深く伴走できるようになる。逆に、知識が蓄積されなければ、案件は単発で終わり、競合との違いも生まれにくい。
顧客が確認すべきことは、次のとおりである。
・自社の業務や運用に関する知識を、組織として蓄積しているか。
・その知識を継続的に更新・運用できる体制があるか。
・担当者が変わっても引き継げるよう、組織知として管理されているか。
・顧客固有知識が、AI Agentや後任者が活用できる形で構造化されているか。

第三層：AIDD方法論資産

AIを活用して継続的に成果を生み出すための方法論を、組織として蓄積した知識資産である。これは、特定の業界や顧客に依存する知識ではない。AI駆動開発そのものに関する方法論、ベストプラクティス、失敗事例、教訓など、組織が横断的に蓄積・更新していく知識を指す。
具体的には、次のような知見である。
・Agent編成パターンと、それぞれの適用領域・留意点
・評価データセット設計の方法論
・ドリフト検知の閾値設計の方法論
・人×Agent協働ワークフローの設計パターン
・AI FinOpsの運用フレームワーク
・AIDDプロジェクトにおける典型的な失敗パターンと回避策
顧客にとって重要なのは、このSIerがAI駆動開発を継続的に実践し、その知見を組織として蓄積・更新しているかどうかである。顧客が確認すべきことは、次のとおりである。
・AI駆動開発を実践する方法論を、組織として蓄積しているか。
・案件を横断して知識を更新・共有する仕組みがあるか。
・AIの限界や失敗パターンを検証し、組織知として蓄積しているか。
・自社の方法論を継続的に改善・更新しているか。

「実績」の意味が、逆転する

三層の蓄積が選定基準となることで、「実績」の意味も変わる。従来、実績とは、過去に何を作ったかを示すものであった。納品済みシステムの数、案件規模、業界ランキングなどが評価軸であった。しかし、AI駆動開発時代に問われるのは、過去の実績そのものではない。過去の経験を組織の資産として蓄積し、次の案件でも成果を生み出せるかである。つまり、評価されるのは、単発のプロジェクト実績ではなく、継続的に資産を蓄積し、更新し、横展開できる組織能力である。
これはVol.2で論じた構造の必然的な帰結である。Vol.2では、「役務提供の中心は検収後へ移る」と述べた。役務の中心が検収後へ移るなら、評価対象もまた検収後の活動へ移る。納品実績は「過去」を示す。一方、蓄積された知識資産は、「次の成果を生み出す力」を示す。だから、「実績」の意味が変わるのである。
顧客にとっても、評価の難度は上がる。納品実績は数えやすい。しかし、蓄積の質や量を見極めることは容易ではない。だからこそ、SIerには、自らの蓄積を見える形で示すことが求められる。それが、AI駆動開発時代の選定における最初のハードルとなる。

第3章　何が「運用」できるか――Agentと人の編成力・FinOps

運用できない蓄積は、価値にならない

第二の問いに進もう。
「何が運用できますか。」
どれほど豊かな蓄積を持っていても、それを実際の業務で活用し、継続的に成果へ結び付けられなければ、顧客にとって価値にはならない。蓄積された知識や資産は、運用されて初めて価値となる。そのため、選定では「何を蓄積しているか」だけでなく、「それをどのように運用できるか」が問われる。
本稿では、運用能力を四つの構成要素に分けて整理する。

１．Agent編成力

複数のAI Agentを、業務に応じて役割分担・連携させる設計能力である。
実際の業務システムでは、一つのAI Agentがすべてを担うことは少ない。それぞれ異なる役割を持つAI Agentが連携し、人とのエスカレーションや相互レビューを組み合わせながら業務を進める構成が、標準になりつつある。
代表的な編成には、Agentが順番に処理を引き継ぐパイプライン型と、管理Agentが複数のAgentを統制するオーケストレーション型がある。重要なのは、どの編成方式を採用するかではない。業務の特性に応じて、最適な編成を設計できるかである。この設計力は、コードを書く能力とは異なる、AI駆動開発時代の新しいSIerの競争力となる。
顧客が確認すべきことは、次のとおりである。
・業務に応じたAgent編成を設計した実績があるか。
・編成の考え方や設計方針を、組織として共有しているか。
・編成変更の履歴を管理し、継続的に改善できる仕組みがあるか。

2. Agentスキル化能力

業務を、AI Agentが実行可能なスキルとして設計・実装する能力である。
プロンプト、ツール定義、評価データ、判断ロジック、エスカレーションルールなどを組み合わせ、組織として再利用できる形で体系化することを指す。業務を理解しているだけでは足りない。コードを書けるだけでも足りない。業務をAI Agentが実行できる形へ設計し、継続的に再利用・改善できるスキルとして実装する能力が、AI駆動開発時代の中核技能となる。
顧客が確認すべきことは、次のとおりである。
・業務をAI Agentのスキルとして実装した実績があるか。
・スキルの品質を継続的に評価・改善する仕組みがあるか。
・スキルを組織として蓄積し、再利用できる状態になっているか。

3. 人×Agent協働最適化能力

どの作業をAI Agentに任せ、どの作業を人が担い、両者をどのように連携させるかを設計する能力である。この役割分担が、業務全体の品質、速度、コスト、リスクを左右する。しかし、最適な役割分担は固定ではない。
AI Agentの能力は進化し、規制や業務要件も変化する。そのため、今日の最適な構成が、半年後も最適とは限らない。だから、人とAI Agentの役割分担は、一度設計して終わりではなく、継続的に見直し、最適化していく必要がある。これはVol.2第3章で論じた「業務編成の継続的な組み替え」を、運用能力という観点から捉え直したものである。
顧客がが確認すべきことは、次のとおりである。
・人とAI Agentの協働モデルを設計した実績があるか。
・協働による品質や生産性の改善を継続的に評価しているか。
・業務やAI Agentの変化に応じて、役割分担を見直す仕組みがあるか。

4. AI FinOps能力――経済性の継続管理

AI FinOps能力とは、AIを継続的に活用しながら、コストの可視化・予算・予測・ガバナンスを通じて、品質・速度・コストのバランスを最適化する運用能力である。四つの運用能力の中でも、顧客にとって最も重要な能力の一つである。人月の経済性は、比較的把握しやすい。何人が、何時間、いくらで働いたかは、請求書から確認できる。
一方、AIの経済性は、顧客からは見えにくい。推論コスト、モデル利用料、ベクトルDBの運用費用、評価データの保管費用など、多くの要素が組み合わさり、しかも価格は継続的に変動する。
Stanford HAIのAI Index 2025が示すとおり、推論コストはこの二年ほどで約280分の1まで低下した。価格低下は歓迎すべき変化である。しかし、価格構造が急速に変化する環境では、モデル選定や利用量の最適化を顧客が単独で継続的に判断することは現実的ではない。
FinOps Foundationの『State of FinOps 2025』によれば、AI支出を管理している組織は63%に達し、前年のおよそ2倍へと増加している。だからこそ、AIの経済性を継続的に管理・最適化する運用能力が求められる。これがAI FinOps能力である。
顧客が確認すべきことは、次のとおりである。
・AI利用コストを継続的に可視化できるか。
・コストと品質・性能のバランスを継続的に最適化できるか。
・モデル選定や利用方針を継続的に見直す運用体制があるか。

四つが揃って、初めて成立する

四つの運用能力は、それぞれが独立して価値を生み出すものではない。互いに補完し合い、初めて運用全体として機能する。
例えば、Agent編成が優れていても、AI FinOpsが機能していなければ、編成の高度化はそのままコスト増につながる。Agentスキル化が進んでいても、人×Agent協働最適化が不十分であれば、業務KPIの改善には結び付かない。人×Agent協働を最適化しても、Agent編成が適切でなければ、本来の能力を十分に引き出すことはできない。
つまり、四つの運用能力は個別に評価すべきものではなく、組み合わせとして評価される。一つでも欠ければ、運用全体の価値は大きく損なわれる。だから、運用能力もまた、足し算ではなく掛け算なのである。

第4章　何を「保証」できるか――契約に落とせる範囲

「能力があります」では、選ばれない

第三の問いに進もう。
「何を保証できますか。」
蓄積層と運用層が揃ったSIerは、能力面では選定候補となる。しかし、選定の最終局面では、もう一つの問いが残る。
その能力を、契約として示せるか。
「Agent編成ができます」「AI FinOpsができます」「業務知識を蓄積しています」――これらは、いずれもSIer側の説明である。
顧客が最終的に確認したいのは、その能力のうち、何をどこまで契約として保証できるのかである。つまり、選定の最終的な差別化軸は、保証範囲をどこまで具体的に示せるかにある。

「五つの可〜性」が、選定基準として復活する

Vol.1で、私たちはAI駆動開発時代の品質基準として、五つの可〜性を提示した。
可再現性：同じ条件であれば、Agentが安定して同じ品質の結果を返せること。
可監査性：Agentの判断過程や知識資産を第三者が確認でき、監査に耐えられること。
可説明性：Agentがなぜその判断に至ったのかを、人へ説明できること。
可換性：ベンダーや担当者が変わっても、運用を継続できること。
可継承性：知識資産や設定内容を、別の担当者や組織へ円滑に引き継げること。
これらはVol.1では品質基準として論じた。本稿では、SIerを選定するための基準として読み替える。
顧客はSIerに問う。
「五つの可〜性のうち、どこまでを契約として保証できますか。」
この問いに対し、保証内容を具体的に示せるかどうかが、最終的な選定を左右する。

「逃げられる状態」を提供できるSIerほど、選ばれる

五つの可〜性のうち、特に重要なのが可換性である。これは、「いつでもベンダーを変更できる状態を、契約として保証すること」を指す。
直感的には逆説に見える。SIerにとっては、顧客を自社のシステムに固定した方が、継続契約を得やすい。だから多くのSIerは、結果としてベンダーロックインを生む構造を温存してきた。独自フォーマット、属人化した運用、引継ぎが困難なドキュメント体系――いずれも顧客を固定する構造である。
しかし、AI駆動開発時代の顧客は、この構造のリスクを理解している。最も避けたいのは、逃げられない契約である。Agentは進化し続ける。利用するモデルも変わる。規制も変化する。その中で、特定のSIerに依存し続けることは、顧客にとって大きな経営リスクとなる。
だから、次のような逆説が生まれる。
・縛る契約は、選定段階で警戒を招く。顧客は契約時点で、まず逃げ道を確保したいと考える。
・縛らない契約は、選定段階で安心感を生む。逃げ道が確保されていれば、顧客は長期契約を結びやすくなる。
結果として、縛らない契約の方が、長期的な信頼関係につながりやすい。
これはSIerにとって直感に反するかもしれない。しかし、AI駆動開発時代では、縛らないことが、結果として選ばれ続ける条件になる。

規制対応も、「保証」の一部である

保証範囲は、品質や運用だけで完結するものではない。規制対応も、保証すべき範囲の一部となる。
EU AI Act、経産省「AI事業者ガイドライン」第1.2版、金融庁「AIディスカッションペーパー」第1.1版では、それぞれ高リスク領域における継続的な点検・監視を求めている。こうした規制対応を顧客が単独で担うことは、技術面でも人的資源の面でも現実的ではない。したがって、選定の最終段階で顧客が問うのは、次の一点である。
「御社は、どの規制について、どこまで契約として保証できますか。」
この問いに対し、保証範囲を具体的に示せるかどうかが、選定を左右する。

保証範囲のマトリクス化

Vol.2で提示した資産責任マトリクス（コード資産・設定資産・知識資産・運用資産 × 所有権・保証責任・規制対応）を、選定基準として読み替える。
顧客は、このマトリクスをRFPに組み込むことで、各SIerの保証範囲を横並びで比較できる。能力カタログの比較は曖昧でも、保証範囲の比較は明快である。保証範囲を具体的に示せるSIerほど、比較の中で優位に立つ。
これは、SIerにとっても合理的である。自社の能力を漠然と訴求するのではなく、保証範囲として明示することで、競合との差別化を客観的に示せるようになる。

結章　「選ばれるSIer」の輪郭

シリーズの問いは、ここで一巡した。提供物、役務、競争力――AI駆動開発時代のSIer像を、三つの角度から描いてきた。

Vol.1：何を売るのか――AI駆動開発時代の提供物を再定義した。
Vol.2：どの仕事で稼ぐのか――AI駆動開発時代の役務を再定義した。
Vol.3：何によって選ばれるのか――AI駆動開発時代の選定基準を整理した。

しかし、ここまではすべて「できること」を論じてきた。能力の蓄積、運用の充実、保証の拡大――いずれも足し算の議論である。
次に問われるのは、おそらくこうなる。
それで、SIerは何を捨てるのか。
蓄積を増やし、運用を深め、保証を広げる――それぞれにコストがかかる。すべての領域、すべての業界、すべての顧客には対応できない。どこに資源を集中し、何を手放すのか。SIer経営の中心課題は、ここから先にある。
総合力で勝負する時代の延長ではなく、意図的な選択と意図的な放棄による組織設計が問われる段階に入る。
この問いは、稿を改めて論じたい。

会社概要

会社名：株式会社イー・ビジネス
所在地：〒105-6405 東京都港区虎ノ門1丁目17番1号 虎ノ門ヒルズビジネスタワー5階
設立：2007年6月12日
社員数：333名（2026年2月現在）
コーポレートサイト：https://www.e-business.co.jp/