PMOのAI投資に欠けている論点

多くの組織は、プロジェクト部門のためにすでに2つのAI投資をしている。1つは汎用AIアシスタント（Microsoft Copilot、ChatGPT、Google Gemini）の利用契約。もう1つは、それを上手に使うための教育研修である。どちらも価値ある投資だが、どちらも同じ天井で止まる。本稿は、いまPMO向けに市場が提供しているものを俯瞰し、市場がまだ売っていない層を私たち自身が作って検証した結果を報告する。

主要な判断：AIの単なる導入は天井に達しており、次の投資対効果は「人間とAIの共有知」から生まれる

• 汎用AIと教育研修が生むのは個人の生産性であり、それ以上ではない。全員が会話のたびに組織の文脈を説明し直し、回答に含まれる数字は計算ではなく言語モデルの生成による。下書きには十分でも、意思決定の根拠としては守れない。
• プロジェクト・プログラム・ポートフォリオ管理に特化したAI製品は、いまだ存在しない。主要な研修は汎用チャットの使い方を教え、既存ベンダーは高額な従来製品にAI機能を後付けし、「AIが管理職の仕事を置き換える」という主張には出荷された製品が伴っていない。
• 欠けているのは「人間とAIの共有知」である。自組織の判断ロジックを、すべてのAIアシスタントから届く場所に置くこと——それは、もはや大規模なプラットフォーム投資ではない。私たちの検証では、技術作業およそ半日、調達ゼロ、保存データゼロで成立した。

状況：市場がPMOに提供しているのは「うまく付き合う技能」と「後付けのAI機能」であり、部門の働き方そのものを変えるものではない

現在入手できる「PMOのためのAI」教育で最も信頼に足るもの——House of PMOのPractical AI Skillsコース——の受講要件は、CopilotかChatGPTかGeminiのアカウントだけである。教える内容は、自動化ではなく人の補助としての使い方、捏造された出力の見抜き方、そして講師陣が「Context Repetition Tax（文脈を繰り返し説明する税金）」と呼ぶもの——統治のルールを、覚えられない道具に毎回説明し直す負担——との付き合い方だ。これは批判ではない。これが現時点の到達点であり、裏を返せば、最良の研修ですら「汎用ツールの限界を回避する方法」を教えているということである。

ベンダー側の動きは、再設計ではなく追加である。Lumiveroの@RISK——Excel上の定量リスク分析で35年間業界標準であり続けた製品——は、AIエージェント機能（ベータ版）を載せ始めたが、価格は営業への問い合わせの先にあり、対象はすでにこの製品を使う分析担当者である。AIは既存製品を延命させるが、組織の意思決定のやり方は変わらない。そして市場の最も声の大きい一角では、「AIが管理職を置き換える」と経営者たちが予言する——いまのところ、製品の伴わない予言である。

「限界と付き合う技能」と「置き換えの弁舌」のあいだに、空白がある。自組織の判断ロジックを、自組織のAIが呼び出せる場所に置くものは、市場のどこにもない。

分析：欠けている共有層を「個人」と「組織」の二段階で検証。市場の価格設定より遥かに低コストで実現可能

仕組みの中核はModel Context Protocol（MCP）である。AIアシスタントが推測で答える代わりに外部の道具を呼び出せるようにする公開標準で、主要AIベンダーが採用を進めている。私たちはこれを使い、欠けている層を2つの規模で検証した。

個人の規模。私たちのオープンソースのツール群は、コマンド1つ（pmorun-mcp）で、較正済みの見積りツールを個人のAIアシスタントに組み込む。会話はAIが担い、計算はツールが行う。データはPCの外に出ない。導入は数分で済む——ただし、価値は一人の中に留まる。

配布を広げる、という中間の選択肢もある。研修が勧めるプロンプト集やAIスキルを各自に配る方法がその典型だ。しかし「複製による共有」には構造的な弱点がある。原本というものが存在せず、各自の手元で静かに書き換わり、どの版がその数字を出したのか誰にも分からず、更新は行き渡らない。共有知が必要とする性質——全員が同じ版を使うこと、更新が即座に届くこと、利用の跡が残ること——は、複製ではなく接続によって実現する。それがMCPの果たす役割である。

組織の規模。次に、同じ見積りツールを、組織内のすべてのアシスタントから届く1つのURLの背後に置いた（公開リポジトリ）。要したものは検証可能な形で残っている。技術作業はおよそ半日。コードは数百行で、数時間あれば監査できる規模。いかなるデータも保存しないため、新たに保護すべき情報資産は生まれない。計算が元の実装と同一であることは自動試験で証明済みである。

本当に難しかったのは、計算資源でもコードでもない。「誰にこの接続点へのアクセスを許すか」という問いである。これは技術ではなく統治の意思決定であり、そのように扱われるべきものだ。

評価：利用契約と個人のAI利用を増やしても効果は期待薄。共有知の実装は、既存のAI支出がもたらす価値を根本から変える

技能と利用契約への支出が生む見返りは、個人の力量に左右され、会話のたびに同じコストを払い直す。共有知の実装はこれを逆転させる。手法を一度だけ記述すれば、組織内のどのアシスタントも同じ統制された答えを返す。経営層にとっての違いは、意思決定の瞬間に現れる。較正され試験された計算による見積りは、経営会議で根拠を示せるし、後から監査もできる。チャットの回答にはどちらもできない。

「買う」選択肢との対比は、所有権に尽きる。後付けのAIエージェントは、企業価格で借りるものであり、特定ベンダーの製品の中に住む。私たちが検証した構成はオープンソースで、自組織で運用でき、中身を点検できる。ロジックも、そこに刻んだ判断も、組織自身のものになる。

正直に述べるべき限界が2つある。第一に、この層が規模化するのは計算と手法であって、判断そのものではない。どの判断ロジックを記述する価値があるかは、依然として人が決める——そして価値はまさにその判断に集中する。第二に、（現時点で接続できる企業向け・開発者向けクライアントと違い）一般消費者向けのAIアプリに届かせるには認証基盤への投資が必要で、それは切り離した独立の意思決定として扱うべきである。

提言：技能研修は土台として維持し、その上で「自前の判断ツール1つ」の試行を今四半期に始める

研修は続けてよい。それは土台であり、人には必要だ。ただし、次のAI予算は土台の一段上に向ける。

1. 組織がいま勘で答えている、繰り返し発生する数字の意思決定を1つ選ぶ。最初の候補として自然なのは見積りである。
2. まず個人のアシスタントに統制されたロジックを入れる。一人あたり数分で済み、価値を非公開のまま確かめられる。
3. 次に、そのツール1つに絞った共有接続点を試行する。技術作業は半日を見込み、データは一切保存させず、誰の接続を許すかを意図して決める。
4. 試行は3つの問いで評価する。異なるチームが同じ問いに同じ答えを得るようになったか。その答えは後から監査できるか。すでに支払っているAI利用契約は、どれだけ有用になったか。

一般消費者向けアプリへの開放とデータの永続化は、利用実態が見えてからの第二の意思決定として保留する。検証した構成はオープンソースで自組織運用が可能であり、関わる秘密情報は自分で生成する資格情報1つだけである。