プラットフォームエンジニアリング：企業AI導入の要となる基盤

テクノロジー導入の状況、特に人工知能に関しては、変化が起きています。開発者ツールに対するトップダウンの指示の時代は薄れつつあり、現在では約半数の企業がボトムアップのアプローチでAI導入を推進し、チームが新しいAI開発ツールを試せるよう権限を与えています。この変化を受け入れるのが遅い組織にとって、「シャドーAI」（従業員が未承認で使用するツール）の台頭は、間もなく正式な導入を必要とすることになるでしょう。

しかし、この新たな自由は、重大なリスクと非効率性の可能性ももたらします。3年以上にわたる急速なAI統合にもかかわらず、AIの許容利用ポリシーを確立している組織はわずか60%に過ぎません。さらに、組織の3分の2がAIツールを本番環境にデプロイしている一方で、同程度の割合である60%の組織は、AIの影響を効果的に測定するための明確な指標をまだ持っていません。加えて、開発者の1日の20%を占めるコーディングに集中的に焦点を当てた結果、驚くべきパラドックスが明らかになりました。AI生成コードは生産性向上ツールと認識されているものの、実際には開発者のスループットを低下させ、信頼性を損なう可能性があります。

この複雑な環境は、プラットフォームエンジニアリングの重要性が増していることを浮き彫りにしています。プラットフォームエンジニアリングは、近年のモダンな技術スタックの複雑化への対応として登場しました。今日、これは多くのAI導入の障害に対する説得力のある解決策を提供します。AI自体と同様に、プラットフォームエンジニアリングは、ソフトウェア開発者がエンドユーザーに価値を提供するのを妨げる「骨の折れる作業」やその他の妨害に対処する際に最も効果的です。

そのため、6月に開催された第4回PlatformConで、AIの文脈におけるプラットフォームエンジニアリングに関する議論が大きく取り上げられたのは当然のことでした。内部開発者プラットフォーム（IDP）は、悲惨な結果を招くことなくAIイノベーションを促進するための理想的なガードレールを確立できることが判明しました。この分野の著名な人物であるルカ・ガランテは、AIがヘッドラインを飾る一方で、「AIのためのプラットフォームが、データサイエンスや機械学習から従来のエンジニアリングに至るまで、あらゆるもののエンタープライズグレードの生産経路のバックボーンとなるだろう」と強調しました。

AIの時代は、AIプロセスを包含するためにIDPを進化させる必要があります。この拡張により、実証済みのAIユースケースがソフトウェア開発全体でスケーラブルに展開され、同時にデータのサイロが解消されます。これらのギャップを埋めることで、プラットフォームエンジニアリングは、自律型AIエージェントと生成AIアプリケーションの両方の提供において、一貫性、品質、およびセキュリティを確保する態勢が整っています。

最近まで、AIは主にデータサイエンス部門に限定されていました。今、それは組織横断的なクラウド導入の軌跡をたどる必要があります。『DevOpsハンドブック』の共著者であるパトリック・デボワはPlatformConで、AIには専用のプラットフォームチームが必要であると主張しました。この新しい時代において、AIエンジニアは主要な変革エージェントとして登場し、プラットフォームチームと協力してチーム間の連携、データサイエンスチームとアプリケーションチームへのイネーブルメント、そして堅牢なガバナンスを通じて、データサイエンスの生産への加速経路を橋渡しします。

デボワは、従来の内部開発者プラットフォームにAIを組み込んだひねりを加え、より多くのAIステークホルダーを含み、その範囲を拡大して以下を管理することを構想しています。オープンソース、プロプライエタリ、またはハイブリッドのいずれかの大規模言語モデル（LLM）。ベクトルデータベースによるインデックス作成を必要とする非構造化データと構造化データ。第三者データソースを統合する新たな概念であるRagOps（Retrieval-Augmented Generation as a Service）。メモリ、状態、アクセス制御、およびモデルコンテキストプロトコル（MCP）サーバーへの公開を含むAIエージェントサービス。AIエージェントのための実行サンドボックス。すべてのモデルの入力と出力に対する包括的なアクセスとバージョン管理。コストを管理するための中央キャッシング層。これらのすべてのコンポーネントは、プラットフォームの「シングルペインオブグラス」を通じてアクセス可能であり、透明性と統一されたビューを提供します。このような包括的かつ拡張性のあるツールセットは、それを効果的に管理するためのIDPの必要性をさらに強調しています。デボワは、新しいAIプラットフォームチームは、新しいAIツールを安全に実験するためのプロトタイピング環境とサンドボックス環境を作成することから始めるべきだと提案しています。開発者が慣れてくれば、既存の言語に合わせた標準化されたフレームワークと、キャッシング、テスト、デバッグのための堅牢なエコシステムが、AI開発のためのより明確な「黄金経路」につながる可能性があります。

デボワはまた、進化する4つの「AIネイティブ開発者」パターンを概説しました。開発者がオペレーションのサポートを受けてコードエージェントを管理する「プロデューサーからマネージャーへの移行」。開発者が「何を」表現し、AIが「どのように」処理する「実装から意図への移行」。既存のCI/CDパイプラインを通じて実験コストを削減する「デリバリーから発見への移行」。そして、AIがチームに知識共有の説得力のある理由を提供し、知識自体が企業のユニークな価値提案となる可能性を秘めた「コンテンツから知識への移行」です。

すべての製品開発と同様に、プラットフォームチームはユーザーベースを考慮する必要があります。AIの場合、そのユーザーベースは従来の開発者を超えて拡大します。Equilibrium Energyのスタッフインフラストラクチャおよびプラットフォーム担当であるイナ・ストヤノバは、ネイティブAIツールの有機的な拡張の必要性を強調しました。AIのこの初期段階、特にスタートアップにとっては、急速な変化により、厳格で永続的なプラットフォーム機能は潜在的に無駄になる可能性があります。ステークホルダーと協力することで、Equilibriumのプラットフォームチームは、クラスター管理、計算リソース、データリソース、データツール、ストレージ、クエリ分析、可観測性など、ソフトウェアエンジニアリングチームとデータサイエンスチームの両方にとって重要なニーズを特定しました。しかし、データサイエンスチームと定量分析チームは、プラットフォームエンジニアリングチームの当初のレーダーにはなかった独自の考慮事項も持っていました。ストヤノバは、自身のチームのためにプラットフォームエンジニアリングを「内部ユーザーが最小限の認知的オーバーヘッドでインフラストラクチャ、環境、デプロイメントパイプラインをセルフサービスできるようにする、厳選された再利用可能なツール、ワークフロー、API、およびドキュメントのセット」と再定義しました。このユーザー中心のアプローチで、「どのツールを使いたいですか？」とユーザーに尋ねることで、過剰な投資をしたり、スタートアップの適応能力を妨げたりすることなく、適切なソリューションを構築することができました。Equilibrium Energyはまた、コスト追跡とメトリクスを最初から優先しました。これは、ビジネスチームと技術チームの両方で共感を呼んだユースケースです。

AIを効果的に活用することは、構造化データと非構造化データの両方を活用することにかかっています。内部開発者プラットフォームは、データサイエンティストや機械学習エンジニアがAIユースケースを推進するためのデータ戦略を構築するための足場となります。PlatformConでは、プラットフォームエンジニアリングコミュニティが、今年後半に公開予定のAI向け新しいリファレンスアーキテクチャを発表しました。このアーキテクチャは、可観測性、プラットフォームインターフェースとバージョン管理、統合とデリバリー、データとモデル管理、およびセキュリティプレーンを含む構造化された思考モデルを提供します。ルカ・ガランテが指摘したように、これは技術的な変更を超え、業界がプラットフォームエンジニアリングチーム自体をどのように認識するかを進化させています。

従来、プラットフォームエンジニアリングチームは、プラットフォームエンジニアリングの責任者からインフラストラクチャ、開発者エクスペリエンス、プロダクトマネージャーまで、多様な役割で構成され、開発者、役員、コンプライアンス、法務、インフラストラクチャ、運用、セキュリティチームなどのステークホルダーにサービスを提供してきました。AIの登場により、チーム構造と役割開発は、信頼性、セキュリティ、データとAI、および可観測性プラットフォームエンジニアを含むように拡大しました。このより広範なチームは現在、サイト信頼性エンジニアリングチーム、アーキテクト、データサイエンティスト、機械学習運用エンジニアなど、さらに幅広いステークホルダーと対話し、市場における特定のニーズの粒度の増加を反映しています。AIの時代において、プラットフォームチームの範囲が拡大していることは間違いありません。

現代のプラットフォームチームの重要な役割は、横断的な生成AIアプリケーション配信のユースケースを特定し、スケールすること、および適切な設計パターン（例：オープンソースの生成AIモデルとクローズドソースの生成AIモデル）を選択することです。しかし、ガートナーのVPアナリスト兼フェローであるマジュナート・バットはPlatformConで、プラットフォームチームにとって最も普及しているAIの課題はセキュリティとガバナンスであり、これはしばしばコストとの関連性があることを強調しました。プロダクトチームがこれらの分野の専門知識を欠いている可能性があるため、アーキテクトが主題の専門知識を提供することがよくあります。単なるプロトタイプを超えてアプリケーションをスケールするために、バットは生成AIの卓越センター、またはTeam Topologiesに従った「イネーブリングチーム」の設立を推奨しています。このチームはプロダクトチームやプラットフォームエンジニアリングの専門家と密接に連携し、スケール可能な専門知識を提供します。バットは、共有プラットフォームをすぐに構築することに警鐘を鳴らし、ストヤノバの意見に賛同しています。「異なるアプリケーションのニーズが何であるかを理解しない限り、プラットフォームチームがそれらのニーズを理解していると仮定することは適切ではありません。」AI専門家による「複雑なサブシステムチーム」を含むこのアプローチは、アプリケーションチームとプラットフォームチームの両方の認知的負荷をさらに軽減することができます。

アプリケーションセキュリティには新しいパラダイムが登場しています。AI生成コードはスキャンと保護が必要なコードの量が増えることを意味しますが、自律型AIエージェントは積極的かつ自律的な修正にも役立ちます。内部開発者プラットフォームは、新しいAIツールを展開するための導管であるだけでなく、ガードレールを確立し、ロールベースのアクセス制御を管理し、セキュリティチェックを自動化するための重要なレイヤーでもあります。Checkmarxのシニアプロダクトマネージャーであるソニア・アンタオはPlatformConで、従来のアプリケーションセキュリティでは、より多くのコード、より多くの貢献者、そしてより短いタイムラインに追いつくことができないと強調しました。彼女は、自律型AIエージェントをアプリケーションセキュリティポスチャ管理（ASPM）と統合開発環境（IDE）内に直接統合し、リアルタイムのコードセキュリティを実現することを提唱しています。この「インテリジェントシフトレフト」により、AppSecはアプリケーションの状況を明確でリスクに沿った全体像で把握でき、脆弱性を早期に発見するだけでなく、ビジネスが要求する速度で、より迅速かつ確実に解決することができます。このアプローチにより、脆弱性が25〜35%削減され、応答速度が69%向上しました。

生成AIは、プラットフォームエンジニアリングを適応的でインテリジェントなシステムに変革し、開発者の生産性、信頼性、ビジネスのアラインメントを向上させることができます。これは、『Effective Platform Engineering』の著者であるアジャイ・チャンクラマスがPlatformCon 2025で議論したことです。彼は、生成AIが受動的なアシスタンスから自律的で意図認識型のエージェントへと進化し、自己修復パイプライン、リアルタイムフィードバック、パーソナライズされたコード提案を可能にしたと述べました。これらの変化を推進する主要な影響要因には、AIエージェントの回答をリアルタイムの文脈的ドキュメントに基づいて行うRetrieval Augmented Generation（RAG）。LLMエージェントが外部APIと通信する方法を標準化して導入を促進するModel Context Protocol（MCP）。そして、生成AIをCI/CDパイプラインに統合し、インテリジェントで自己修正および自己調整プロセスを可能にすることが含まれます。

チャンクラマスは、開発者が「自分で見つける」段階から標準化されたIDPへ、そして現在ではAIエージェントを開発者のワークフローに直接組み込む段階への進化を説明しました。運用は、チケットベースのアプローチから半セルフサービスへ、そして現在は意図ベースの自律型エージェントへと移行しました。彼は、目標は置き換えではなく、向上であると強調しました。開発者とプラットフォームエンジニアがより高価値の活動に集中できるようにすることです。AI駆動型プラットフォームエンジニアリングのこの進化をサポートするために、彼は5つの推奨事項を提示しました。AI戦略を開発者のバリューストリームに合わせ、AIを統合されたフローネイティブなコンポーネントとして扱うこと。常に人間の判断を介在させ、エージェントが行動を提案するだけで承認しないようにすること。AIエージェントを協調的にし、開発者がそれらを上書き、再学習、再文脈化できるようにすること。トークントレースログ、プロンプトドリフト検出、関連性スコアリングを含む可観測性とガードレールをデフォルトで組み込むこと。そして、AIの影響測定を精度と遅延だけでなく、内部顧客のネットプロモータースコア（NPS）を含めるように拡大し、すべての学習とメトリクスを共有して利益を証明し、導入を促進することです。

Coder社のBlinkディープコードリサーチエージェント責任者であるマシュー・ヴォルマーは、「ガードレールのある黄金経路」という感情に共鳴し、目標はエージェントを使用するだけでなく、生産性と安全性のために賢く使用することだと強調しました。これには、エージェントにコンテキスト（ドキュメント、ポリシー、コードベース）を提供し、責任ある委任（シニア開発者にまずツールを与える）を行い、厳格なアクセス制御と使用制限のある隔離された一時的な環境を通じて明確な境界を設定することが必要です。仕様駆動型開発を採用することで、AIエージェントが指示通りに正確に動作し、リスクや過剰なコストを回避できます。彼が示唆する最適な点は、AIエージェントに「自己完結型で明確に定義されたタスク」、例えば小規模から中規模のバグ修正を割り当てることです。内部開発者プラットフォームは、AIエージェントをチームメイトのようにオンボーディングすることでこれを促進できます。ヴォルマーは、あるエンジニアがこの経験を「人間ジュニア開発者の100倍の速度でコードを書ける超高速ジュニア開発者とペアプログラミングしているようだった」と表現した逸話を共有しました。これらの「単純作業」をAIにオフロードすることで、チームはイノベーションの時間を保護し、開発者が高価値の作業に集中できるようにします。

最終的に、AIとプラットフォームエンジニアリングは、摩擦が大きい場所で繁栄します。プラットフォームエンジニアリングは開発者の認知的負荷を軽減することを目的としており、AIは適切に実装されればこの目標を大幅に進めることができます。この相乗効果は、個々の開発者だけでなく、ソフトウェア組織全体に利益をもたらします。Atlassianの2025年版開発者エクスペリエンスレポートによると、開発者はすでにAIによって節約された時間を、コードの改善、新機能の開発、ドキュメント作成に活用しています。プラットフォーム駆動のAI導入が効果的に実行されれば、さらに多くの時間が価値駆動型の活動に費やされることになります。