1. AIがアクセスできる社内データ
原文: https://dora.dev/capabilities/ai-accessible-internal-data/
定義
AIがアクセスできる社内データ（AI-accessible internal data） は、AIシステムを組織の独自情報 — コードベース、ドキュメント、運用指標 — に安全に接続し、文脈を認識した応答を可能にするケイパビリティです。しばしばコンテキストエンジニアリング(context engineering) と呼ばれるこの作業は、汎用AIモデルを組織のアーキテクチャ・標準・ビジネスロジックを理解する専門家に変えます。
開発者に必要な「ブリーフィングパケット」全体を提供することに例えられます。社内コードベース・アーキテクチャ図、Wiki・文書・スタイルガイド、運用指標・ログが含まれます。
DORA研究は、AIツールが社内データに直接アクセスするとき、AI導入のポジティブ効果が個人の効果性とコード品質に対して統計的に有意に増幅されることを確認しました。
AIの視点: プロンプトエンジニアリング → コンテキストエンジニアリング
単純なプロンプトは、アシスタントに命令を1つ与えるようなものです。コンテキストエンジニアリングは、最新のAPIドキュメント・社内ポリシー・規格に合うコード片を自動収集し、知的なワークフローを運用するシステムです。
- 加速: オンボーディング・デバッグで「口伝の知識(tribal knowledge)」を即時の回答に変換、社内標準への自動検証
- リスク: 小さなバッチを無視するとデリバリー不安定、廃止パターンを学習すると技術的負債が増幅、アクセス制御が不十分だと機密情報が漏洩
実装方法（3段階）
フェーズ1: 基盤・手動
- プロンプトエンジニアリングを手動のコンテキストエンジニアリングへ発展させる。
- 再利用可能なコンテキストテンプレート／ブリーフィングパケットのライブラリをバージョン管理とともに作る。
- 何より社内データの品質が先行する。存在しないデータに接続できず、誤ったデータに接続してはならない。高品質なドキュメントがAI導入の主要な推進力であるため、最も重要な文書から改善する。
フェーズ2: 自動化パイロット
- 自前構築（RAGライブラリ等）か商用ツール導入を決め、高価値のユースケース1つに適用する。
- 文書を丸ごとコンテキストに入れるのはしばしばハルシネーションを誘発する。代わりに最も関連性の高い文脈だけを提供する。
- RAG（検索拡張生成）: 最新・関連情報のみを精密に検索・提供
- MCP（Model Context Protocol）サーバー: 必要な文脈だけを知的に選択・構造化して供給
フェーズ3: スポンサーシップの獲得・拡大・運用化
- パイロットの成果でリーダーシップの投資を獲得する。
- 基盤データの問題解決と安全な社内API構築を通じて拡大する。
よくある落とし穴
| 落とし穴 | 緩和策 |
|---|---|
| 品質の低い「乱雑な」社内データ | 高価値のデータソース1つでパイロットし、AIを活用してデータを精製してから拡大する |
| 廃止プロジェクトまでインデックスして悪い習慣を学習 | ゴールドスタンダードのリポジトリで「カリキュラム」を構成 |
| 巨大なコンテキストウィンドウへの過負荷（コンテキスト腐敗） | 量ではなく関連性。RAG/MCPで必要なチャンクだけ検索（「コンテキストハーベスティング」） |
| スーパーユーザー／共有サービスアカウントで接続 | 最小権限の原則、ユーザー自身の資格情報で検索を動作 |
測定方法
設問（追加の測定例、「まったくそう思わない」-「強くそう思う」の尺度）
- 文脈認識AI応答が情報探索の労力を減らした
- コードベースを理解する能力を高めた
- 検証にかかる労力が減った
- 情報探索時間が減少した
システム指標
- 検索イベント頻度（RAGクエリ成功回数）
- データソースのアクセス率
- AI検索レイテンシ（time-to-context）
- クエリの成功／エラー率
- 文脈豊富なプロンプトの割合
- 新規開発者のオンボーディング時間（N番目の変更を本番に届けるまで）
出典
本記事はDORAのAI-accessible internal dataを要約したものです。原文 © Google LLC、CC BY 4.0。