「ChatGPTを全社で試した」「業務の一部でPoC（概念実証）をやった」。ここまでは進んだのに、現場では使われていない。AI導入のご相談で、いちばん多いのがこの状態です。
この「PoC止まり」を抜ける方法として、2025年ごろから急に注目されている役割があります。FDE（Forward Deployed Engineer／フォワード・デプロイド・エンジニア）です。米国の大手銀行では、AIエージェントを業務に組み込んで動かす技能に触れた求人が1年で約18倍に増え、国内でも2026年に入って、大手コンサルティングファームやIT企業がFDE型の支援サービスを相次いで打ち出しています。
ただ、FDEは大企業だけのものではありません。本質は「現場の業務とデータを起点に、動くものを作りながら決めていく」という進め方で、少人数の会社でもそのまま使えます。経営と現場の距離が近い中小企業のほうが、むしろ回しやすい面もあります。
この記事では、PoCが止まる理由を分解したうえで、FDE型の進め方を中小企業でも回せる5つのステップに落とし込み、続けるか止めるかの判断基準、外部に依頼するときの確認事項まで整理します。
📌 この記事の3行まとめ
① AI導入が止まる原因は、AIの性能よりも業務への組み込み（例外・データ・権限・運用）にある
② FDE型とは、現場に入り、実データで動くものを作りながら決める進め方。業務を1つに絞れば中小企業でも回せる
③ 始める前に測る数字と止める条件を決め、終えるときに運用を社内に引き継ぐところまでを1セットにする
FDE（フォワード・デプロイド・エンジニア）とは
FDEは、顧客の現場に入り込み、実際の業務・データ・利用者を起点に、動くソフトウェアを作って、本番の運用まで導くエンジニアです。「前線に配置された（forward deployed）」という名前のとおり、開発部門で仕様書を待つのではなく、業務の現場で課題を見つけ、その場で作り、使われるところまで責任を持ちます。
もともとは米Palantir社が、顧客の現場でソフトウェアを導入・定着させるエンジニアの職種として育ててきた呼び名です。生成AIの企業導入が本格化した2025年以降は、OpenAIやAnthropicといったAI企業や大手IT企業が、この職種の採用を急速に増やしています。
従来の外部パートナーとの違いを整理すると、次のようになります。
| 起点 | 主な成果物 | 終わったあとに残るもの | |
|---|---|---|---|
| 受託開発（仕様書型） | 確定した仕様書 | 仕様どおりのシステム | システム |
| コンサルティング（提言型） | 経営課題・業務の分析 | 構想・計画・提言 | 計画書・体制案 |
| 常駐・派遣型の支援 | 指示された作業 | 作業時間 | 作業の成果（知見は人に付く） |
| FDE型 | 現場の業務・実データ・利用者 | 現場で使われる仕組みと、その効果 | 動く仕組み、運用の手順、評価用のデータ、判断の記録 |
どれが優れているという話ではありません。仕様が固まっておらず、AIで何がどこまでできるかも分からないという状況では、仕様書を起点にする進め方が機能しにくい。だから「作りながら決める」役割が必要になる、ということです。
なぜ今、FDEが注目されているのか
背景には、3つの数字があります。
- 生成AIプロジェクトの少なくとも半数が、試作の後で止まっている：調査会社のGartnerは2024年7月、生成AIプロジェクトの少なくとも30%が2025年末までにPoCの段階で中止されると予測しました。2026年1月の分析では、実際には2025年末までに少なくとも50%がPoCの後に中止されたとし、原因として、データの品質の低さ、リスク管理の不備、膨らむ費用、事業価値の不明確さを挙げています（Gartner）
- 求められる人材が「作る人」から「現場で動かす人」へ：CNBCが2026年10月に報じた人材データ分析会社Draupの集計では、米国の大手銀行の求人で、複数のAIエージェントを連携させて業務を回す「オーケストレーション」の技能に触れたものが、2025年の108件から2026年は1,967件へと約18倍に増えました。同じ集計で「責任あるAI」は約7.6倍、「AIガバナンス」は約4.9倍です（CNBC）。DraupのCEOは、単純な業務の自動化にも長い時間がかかると指摘しています
- 日本企業も、方針は整いつつある：総務省の令和8年版情報通信白書では、生成AIを「積極的に活用する」または「領域を限定して利用する」方針の企業が68.9%と、前年度の49.7%から大きく増えました。ただし大企業の74.0%に対して中小企業は58.1%で、米国・ドイツ・中国と比べると、日本は引き続き低い水準です（総務省）
AIの性能そのものは、多くの業務にとってすでに十分な水準にあります。足りないのは、業務の例外を掘り起こし、既存の仕組みにつなぎ、運用まで面倒を見る役割です。FDEは、そこを埋める役割として注目されています。
ただし「FDEと名乗るだけ」の支援には注意
一方でGartnerは2026年9月、2028年までに企業の70%が、ベンダーのFDEが作ったエージェント型AIを手放すと予測しました。費用が膨らみ、しかも自社では改良できない状態に陥るためです。あわせて、従来のコンサルティングや導入支援を「FDE」と言い換えただけの「FDEウォッシング」にも注意を促し、契約の時点で、ガバナンス、事業価値の検証、知的財産の帰属、知識の移転、終了時の出口を決めておくべきだとしています（Gartner）。
つまり、FDE型で進めるなら、「作って終わり」ではなく「社内で回せる状態で終わる」ことを最初に決める必要があります。この記事の5つのステップも、その前提で組み立てています。
AI導入が「PoC止まり」になる5つの理由
理由1：目的が「AIを試すこと」になっている
PoCの成果報告が「AIで〇〇ができることを確認した」で終わっていないでしょうか。できることが分かっても、どの業務の、どの作業時間が、どれだけ減るのかが決まっていなければ、本番に進める理由になりません。
- 対策：「問い合わせへの一次回答の作成時間を、1件15分から5分に」のように、業務の数字で目標を決める。導入前の所要時間を必ず測っておく（測っていないと、効果を示せない）
理由2：デモ用のデータで試している
整ったサンプルではうまくいったのに、実際の書類は表記ゆれや手書き、例外だらけ。PoCが本番で通用しない典型的なパターンです。
- 対策：最初から実データを使う。個人情報は伏せたうえで、過去の実例を30〜50件そろえる
理由3：例外と暗黙のルールを知らない
休暇の承認のような単純に見える業務でも、繁忙期の扱い、代理の承認、規程に書かれていない慣習が絡みます。AIは、書かれていないルールを知りません。
- 対策：現場で過去の実例を見ながら例外リストを作り、AIに任せる範囲と人に戻す範囲を、例外の種類ごとに決める
理由4：本番に必要な「つなぎ込み」と「守り」が後回しになっている
PoCでは機能の検証が優先されるため、既存システムとの連携、権限、操作の記録、AIの利用料の上限、AIが止まったときに手作業へ切り替える手順が後回しになります。本番化の段階でこれらを足そうとして、ほぼ作り直しになるケースも少なくありません。
- 対策：試作の段階から「誰がどの権限で使うか」「AIの利用料は月いくらまでか」「AIが止まったら業務をどう回すか」を決めておく。AIエージェントの権限の決め方は「AIエージェントに任せる前に決めておく6つの境界」で解説しています
理由5：作った人がいなくなると、誰も直せない
プロンプトや設定が担当者のPCにしかない。評価に使ったデータが残っていない。外部のパートナーが抜けた途端に、改善が止まる。
- 対策：評価用の実例集（正解つき）、プロンプト、設定、判断の記録を、社内の資産として残す。引き継ぐ範囲を契約で決めておく
FDE型の進め方：中小企業でも回せる5ステップ
FDE型の進め方を、1つの業務を少人数で進める前提に落とし込むと、次の5ステップになります。
| ステップ | やること | 期間の目安 | 終わったときに手元にあるもの |
|---|---|---|---|
| 1. 業務を1つに絞る | 候補を出し、頻度・時間・ミスの許容度・データの有無で選ぶ | 数日 | 対象業務と、測る数字 |
| 2. 現場で例外を洗い出す | 担当者の作業を見て、過去の実例を集める | 1〜2週間 | 業務の流れ図、例外リスト、評価用の実例集 |
| 3. 動くモックを作る | 実データの一部で動く試作を作り、画面を見ながら決める | 1〜3週間 | 動く試作、決まった要件、費用の見込み |
| 4. 小さく本番で試す | 数人の実ユーザーが、実際の業務で使う | 2〜6週間 | 効果の実測値、費用の実績、改善点 |
| 5. 本番化して引き継ぐ | 連携・権限・記録・費用の上限を整え、運用を社内に渡す | 業務による | 本番の仕組み、運用手順、評価データ |
（期間は、対象業務やデータの状態によって変わります。）
ステップ1：業務を1つに絞る
最初の対象は、次の観点で選びます。いきなり全社で始めず、1つの業務で成果を数字で示すことが、2つ目以降への近道です。
| 観点 | 向いている | 向いていない |
|---|---|---|
| 頻度 | 毎日・毎週発生する | 年に数回しか発生しない |
| 1回の作業時間 | 10分〜1時間程度の定型作業 | 数秒で終わる、または数日かかる判断 |
| ミスの許容度 | 最後に人が確認できる（下書き、一次回答） | 1回の誤りが重大（支払いや契約の確定） |
| データ | 過去の実例が電子データで残っている | 紙だけ、担当者の記憶だけ |
| 現場の担当者 | 協力的で、改善を望んでいる | 導入に反対している |
たとえば、問い合わせメールへの返信の下書き、見積書や発注書の転記、会議の記録からのタスクの抽出、商品説明文の作成、社内規程の検索と回答などは、最初の対象になりやすい業務です。
ステップ2：現場で例外を洗い出す
- 担当者の横で、実際の作業を見る（聞き取りだけでは、例外は出てこない）
- 過去の実例を30〜50件集め、「AIがやるとしたら、どこで迷うか」を担当者と一緒に見る
- 例外を種類で分ける（情報が足りない、規程の解釈が必要、特別な権限が必要、急ぎ、など）
- 実例に正解（人が出した結果）を付けて、評価用の実例集にする
ステップ3：動くモックを作る
- 本物の画面と、実データの一部で動くものを見せる。資料で議論するより、ずっと早く要件が決まる
- AIがうまくいかなかったときの画面（人に戻す、やり直す）も、最初から作る
- 1件あたりのAI利用料の見込みを、この段階で出す
ステップ4：小さく本番で試す
- 実ユーザーは数人、期間を区切る
- 1件あたりの処理時間、そのまま使えた割合、人に戻した割合、1件あたりのAI利用料、実際に使われた回数を測る
- 週に1回、例外リストと評価用の実例集を更新し、プロンプトや処理を直す
ステップ5：本番化して引き継ぐ
- 既存システムとの連携、権限、操作の記録、利用料の上限、AIが止まったときの手作業の手順を整える
- 運用手順書、評価用の実例集、プロンプト、判断の記録を社内に渡す
- 進め方そのものを、2つ目の業務に横展開するための「型」にする
続けるか、止めるかを決める物差し
PoCが止まる会社の多くは、止める理由も、続ける理由も決まっていません。始める前に、次の物差しと判断の基準を書いておきます。
| 物差し | 見ること |
|---|---|
| 処理時間 | 1件あたりの作業時間が、導入前と比べてどれだけ減ったか |
| 品質 | そのまま、または軽い修正で使えた割合 |
| 例外 | 人に戻した割合と、その理由の内訳 |
| 費用 | 1件あたりのAI利用料。月の上限に収まっているか |
| 利用 | 対象者が実際に使った回数（使われていなければ、効果を語る以前の問題） |
判断は、拡大（2つ目の業務へ広げる）、継続（改善しながら運用する）、縮小（人の作業を補助する範囲に絞る）、停止（費用や手間に見合わない）の4つから選びます。とくに「停止の条件」を最初に書いておくことが大切です。止める基準のないプロジェクトは、成果が出ないまま続いてしまいます。
外部のパートナーに頼むときの確認事項
FDE型で外部に頼むなら、契約の前に次の5つを確認してください。Gartnerが挙げる「出口を最初に決める」という指摘とも重なります。
- 最初の1か月で、何が動く状態になりますか
- 例外はどう洗い出し、AIに任せる範囲をどう決めますか
- 評価用の実例集やプロンプトは、誰の資産になりますか
- AIの利用料の上限は、どう設計しますか
- 終わったとき、社内に何が引き継がれますか（運用手順、評価データ、判断の記録）
あわせて、頼む相手の向き不向きも見極めます。全社的な業務改革やガバナンス体制づくりなら、大手のコンサルティングファームが向いています。定型的な業務で既製品のサービスに業務を合わせられるなら、SaaSが早くて安い選択肢です。一方、自社の業務やサービスに合わせたAIの仕組みを、小さく速く作って本番化したいなら、設計と実装を同じ人が担う少人数の開発チームが向いています。
当社の進め方
当社は、東京・中目黒の開発会社です。対象業務の整理から、試作、本番化、App Store / Google Playへの申請、リリース後の改善まで、同じチームが一貫して担当します。フルリモートでの業務委託にも対応しているため、全国からご相談いただけます。
AIを本番で運用する設計は、自社アプリで実際に試しています。
- LocaNeco：iPhone・iPadの端末内でAIモデルを動かすアプリ。Web検索は利用者が許可した場合だけ使い、外部に送るのは検索クエリだけ。数値は端末内の電卓で検証する。実際のモデルを使った自動テストで、重大な出力不良を継続的に検出している（開発の舞台裏）
- お喋りずんだもん：会話の中身はChatGPTに任せ、口調・音声・表情は自社の処理で制御することで、品質とAPI利用料を両立（設計の解説）
正直に書いておくと、全社規模の業務改革の構想づくりや、大人数での常駐体制が必要な案件は、当社よりも向いている会社があります。当社が力を発揮できるのは、1つの業務やサービスから、動くものを作って本番で使われる状態にするところです。
まとめ
- AI導入が止まる原因は、AIの性能よりも、例外・データ・権限・運用といった業務への組み込みにある
- FDE型とは、現場に入り、実データで動くものを作りながら決める進め方。業務を1つに絞れば、中小企業でも回せる
- 進め方は、業務を絞る → 例外を洗い出す → 動くモック → 小さく本番 → 本番化と引き継ぎの5ステップ
- 始める前に測る数字と止める条件を決め、終えるときは社内で回せる状態にする。外部に頼むなら、出口を契約の時点で決める
「PoCは作ったが現場で使われていない」「どの業務から始めればいいか分からない」という段階からのご相談も歓迎です。お問い合わせには2営業日以内にお返事します。AI開発の進め方と実績はAIアプリ開発のページにまとめています。
