MENU

生成AIでTOGAFを使う方法|プロンプト例と人が確認すべきポイント

TOGAFを使ったエンタープライズアーキテクチャ設計では、現状整理、将来像、ギャップ、移行施策、要求の追跡など、多くの情報を扱います。生成AIは、この情報を整理し、抜けを探し、比較案を作る補助役として使えます。

ただし、生成AIに「最適なアーキテクチャを決めて」と丸投げする使い方は危険です。AIは、社内固有の制約、実際のデータ品質、契約、法務・セキュリティ要件、システムの実装実態を自動では知りません。もっともらしい製品名、存在しない要件、誤った依存関係を補うこともあります。

実務では、AIを「候補生成・整理・レビュー質問の作成」に使い、Architecture Vision、Business・Data・Application・Technology ArchitectureのTarget、Gap、移行順序、例外承認などの意思決定は人が担うのが基本です。

この記事では、生成AIをTOGAFの補助に使う具体的なプロンプト例、出力の使い方、人が確認すべきポイント、誤り・限界を、受注業務刷新の例とともに解説します。

TOGAFの意味や基本構造から確認したい場合は、TOGAFとは?を参照してください。ADMを実務で進める基本手順は、TOGAFのやり方で確認できます。

目次

生成AIをTOGAFで使いやすい作業

生成AIが補助しやすいのは、正解を確定する作業より、材料を整理して人の判断を支える作業です。

  • ヒアリングメモからBaseline候補を整理する
  • Architecture Visionの論点を構造化する
  • Business Architectureの業務能力・責任境界候補を整理する
  • データの正本候補や重複管理を洗い出す
  • アプリケーション責任の重複候補を探す
  • 技術標準や共通基盤の確認観点を作る
  • BaselineとTargetからGap候補を抽出する
  • Gapを施策候補へ束ねる
  • 移行順序の比較観点を作る
  • 実装レビュー用の確認質問を作る
  • 要求と設計判断の対応漏れを探す

一方、正式なTarget Architecture、投資判断、製品採用、セキュリティ例外、法務判断、移行可否などは、責任を持つ人が確定します。

1. ヒアリングメモからBaseline候補を整理する

最初に、現場ヒアリングや既存資料から、現状の業務・データ・アプリ・技術を整理します。

プロンプト例

以下は受注業務刷新のヒアリングメモです。

  • 営業がCRMの顧客情報を基幹システムへ再入力している
  • 受注承認はメールで行う
  • 基幹から在庫管理へCSVを毎日送る
  • 顧客情報がCRMと基幹の両方に存在する
  • 物流システムへの連携は夜間バッチ

TOGAFの検討材料として、次の4区分に整理してください。

  1. Business Architecture上の論点
  2. Data Architecture上の論点
  3. Application Architecture上の論点
  4. Technology Architecture上の論点

条件:

  • 入力にない事実を追加しない
  • 推測は「仮説」と明記する
  • 各論点について追加確認質問を1つ出す

出力の使い方

AIは、メール承認をBusiness、顧客情報重複をData、CRMと基幹の責任重複をApplication候補、CSV・夜間バッチをTechnologyやApplication連携の論点として整理できます。

人は、分類そのものより、実態確認に使える質問が出ているかを見ます。たとえば「CRMと基幹のどちらが顧客情報の正式な正本か」は重要な確認事項です。

2. Architecture Visionの論点を整理する

Visionは「新システムを導入する」のような製品導入目標にしないことが重要です。

プロンプト例

以下の現状課題から、Architecture Visionのたたき台を3案作ってください。

現状:

  • 顧客情報の二重管理
  • 受注情報の二重入力
  • メール承認
  • CSV連携
  • システムごとに責任範囲が曖昧

条件:

  • 製品名を入れない
  • 業務成果と責任境界を表す
  • 各案に「このVisionが実現したと判断する指標候補」を付ける
  • 最終決定はせず比較材料として出す

出力の使い方

たとえば、「受注業務の分断を解消し、顧客・受注・在庫の責任境界を明確にして、手作業連携を段階的に廃止する」という候補を得られます。

人は、経営・業務側の目的と一致しているか、対象範囲が広すぎないかを確認します。

3. Business Architectureの責任境界をレビューする

プロンプト例

受注業務のTarget候補をレビューしてください。

  • 営業:顧客接点と商談管理
  • 受注担当:受注内容確認と例外処理
  • 与信担当:与信判断
  • 倉庫:出荷実行

以下を指摘してください。

  • 責任が重複している箇所
  • 責任者が不明な箇所
  • システム機能と業務責任を混同している箇所
  • 追加で確認すべき業務ルール

存在しない役割やルールは補わないでください。

人が確認すること

AIが出した責任境界は仮説です。実際の職務権限、承認規程、例外処理、組織間合意と照合します。

4. Data Architectureの正本候補を整理する

プロンプト例

以下のデータ管理状況から、正本候補と確認事項を整理してください。

  • 顧客:CRMと基幹に存在
  • 商品:商品マスタと基幹に存在
  • 受注:基幹で作成
  • 在庫:在庫管理システムで更新

出力項目:

  • データ領域
  • 現在の保有先
  • 正本候補
  • 正本を決めるための確認質問
  • 二重管理を残した場合のリスク

条件:正本を断定せず、候補として提示すること。

出力の使い方

AIに候補を出させた後、人がデータオーナー、更新権限、鮮度、監査要件、連携方式を確認します。

「顧客だからCRMが正本」と一般論だけで決めないことが重要です。

5. Application Architectureの責任重複を探す

プロンプト例

以下のアプリケーション候補の責任を比較し、重複・欠落・曖昧な境界を指摘してください。

  • CRM:顧客・商談
  • 受注基盤:受注受付・受注状態
  • 与信サービス:与信判定
  • 在庫管理:在庫引当・在庫更新
  • 連携基盤:システム間メッセージ配送

条件:

  • 連携基盤に業務判断を持たせない観点で確認
  • データの正本とアプリ責任を区別
  • 不明点は確認質問にする

人が確認すること

実際のAPI、バッチ、データ更新権限、障害時の責任分担まで確認します。論理上の責任分担だけでは実装可能性を判断できません。

6. Technology Architectureの確認観点を作る

プロンプト例

次のTarget候補について、Technology Architectureとして確認すべき観点を整理してください。

  • API Gateway
  • 共通認証
  • メッセージ基盤
  • 共通監視

観点:

  • 可用性
  • 性能
  • セキュリティ
  • 運用
  • 障害時
  • 既存標準との整合

条件:具体的な製品名を勝手に選定しないこと。

出力の使い方

AIはレビュー観点の網羅に使えます。ただし、性能値、可用性目標、暗号要件、ログ保持期間などの正式値は、社内標準や非機能要件を確認して人が設定します。

7. BaselineとTargetからGap候補を抽出する

プロンプト例

以下のBaselineとTargetを比較し、Gap候補を表形式で整理してください。

Baseline:

  • 顧客情報はCRMと基幹で二重管理
  • 受注は手入力
  • 在庫連携はCSV
  • 物流連携は夜間バッチ

Target:

  • 顧客情報の正本を明確化
  • 受注基盤から各サービスへ連携
  • 在庫はAPIまたはイベント連携
  • 物流はイベント連携

出力:

  • 対象
  • Baseline
  • Target
  • Gap
  • 必要能力
  • 追加確認事項

条件:Gapを単なる「問題点」の言い換えにしないこと。

出力の使い方

AIが「顧客データ正本の確立」「受注連携API」「在庫連携方式変更」「物流イベント連携」などの候補を出したら、人は依存関係、既存資産、移行中の二重運用を確認します。

8. Gapを施策へ束ねる

Gapを1件ずつプロジェクト化すると、施策が細切れになりがちです。

プロンプト例

以下のGap候補を、独立した価値と依存関係を考慮して3〜5個の施策候補へ束ねてください。

  • 顧客データ正本未確立
  • 商品データ責任不明
  • 受注APIなし
  • 与信連携が手作業
  • 在庫CSV連携
  • 物流夜間バッチ
  • 共通監視なし

各施策について、

  • 含むGap
  • 期待効果
  • 前提
  • 後続施策への依存
  • 完了条件候補

を出してください。

人が確認すること

予算単位、組織責任、リリース単位、技術依存を踏まえて束ね直します。AIのグルーピングは、実行責任を考慮していない場合があります。

9. Migration Planningの順序案を比較する

プロンプト例

次の3施策の移行順序を2案作り、比較してください。

A:顧客・商品データ正本整理 B:受注APIと与信・在庫連携 C:物流イベント連携と旧CSV廃止

比較軸:

  • 依存関係
  • 業務影響
  • 一時運用の複雑さ
  • ロールバック
  • 旧方式を廃止できる条件

条件:推奨案を断定せず、意思決定に必要な未確認事項を示すこと。

出力の使い方

AIはA→B→Cのような自然な順序と別案を比較できます。しかし、本当にAがBの前提か、並行できるかは、データ・API・組織の実態で判断します。

10. Implementation Governanceのレビュー質問を作る

プロンプト例

Target Architectureからの逸脱を確認する設計レビュー質問を作ってください。

Target:

  • 顧客データの正本を一本化
  • 受注連携はAPI
  • 在庫連携はAPIまたはイベント
  • 共通認証・監視を利用

確認したい失敗:

  • 一時CSVが恒久化する
  • 顧客データ二重管理が再発する
  • 個別認証が増える
  • 監視がシステムごとに分断される

各質問に「逸脱と判断する条件候補」を付けてください。

出力の使い方

設計レビューの観点漏れ防止に使えます。例外を認めるか、いつ解消するか、誰が承認するかは人が決めます。

11. Requirements Managementの追跡漏れを探す

プロンプト例

以下の要求と設計判断の対応を確認し、未対応・曖昧・矛盾の候補を指摘してください。

要求:

  • R1 顧客情報の二重入力をなくす
  • R2 受注承認をシステム化する
  • R3 在庫反映を迅速化する
  • R4 障害検知を共通化する

設計判断:

  • D1 顧客正本候補をCRMとする
  • D2 受注基盤に承認機能を持たせる
  • D3 在庫連携をイベント化する
  • D4 共通監視基盤を利用する

出力:要求、対応判断、未確認事項、変更時の影響候補。

人が確認すること

AIが「対応あり」と判定しても、その設計で要求を本当に満たすかは別問題です。受入条件や測定指標と照合します。

通し例|受注業務刷新で生成AIを補助に使う

受注業務では、CRM、基幹、在庫、物流が分断され、顧客情報の二重管理、受注の二重入力、メール承認、CSV連携が残っていました。

最初に、現場ヒアリングをAIへ入力し、Business・Data・Application・Technologyの4領域へ論点を分類させました。AIは候補を整理しましたが、事実と仮説を分けて出力させ、人が各システムの担当者へ確認しました。

次に、Architecture Vision候補を複数案作らせました。人が業務責任者と確認し、「受注業務の分断を解消し、顧客・受注・在庫の責任境界を明確化し、旧連携を段階的に廃止する」を方向性として採用しました。

Data Architectureでは、AIに正本候補と確認質問を作らせました。最終的には人がデータオーナーと確認し、顧客はCRM、商品は商品マスタ、受注は受注基盤、在庫は在庫管理を正本とするTargetを決めました。

Application Architectureでは、CRM、受注、与信、在庫、連携基盤の責任重複をAIでレビューしました。人がAPIと更新権限を確認し、連携基盤は配送責任に限定し、業務判断を持たせない境界を決めました。

Technology Architectureでは、API Gateway、共通認証、メッセージ基盤、共通監視について、AIに可用性・性能・セキュリティ・運用の確認観点を出させました。正式な非機能値は社内標準と既存実績から人が設定しました。

BaselineとTargetをAIへ渡してGap候補を抽出し、その後、Gapを次の3施策へ束ねる案を作らせました。

  • データ正本整理
  • 受注APIと与信・在庫連携
  • 物流イベント連携と旧CSV廃止

Migration Planningでは、この3施策の順序案とリスクをAIに比較させました。人が依存関係とリリース制約を確認し、データ正本整理→受注APIと与信・在庫連携→物流イベント連携と旧方式廃止の3段階を採用しました。

実装段階では、Target Architectureと設計書の差分を確認するレビュー質問をAIに作らせました。「一時CSVが恒久化していないか」「顧客データの二重管理が再発していないか」「個別認証を追加していないか」などを確認し、逸脱は人が承認・期限設定する運用にしました。

この使い方でAIが担ったのは、情報整理、候補生成、比較、抜け漏れ確認、レビュー質問の作成です。人が担ったのは、事実確認、Targetの確定、データ正本、アプリ責任、非機能値、投資・移行判断、例外承認です。

そのまま記入できる型が必要なら、TOGAFテンプレートを使うと、AIの出力をArchitecture Vision、各Architecture、Gap、Migration Planningへ整理しやすくなります。案件への適用過程を追いたい場合は、TOGAFの具体例が参考になります。よくある失敗を先に確認したい場合は、TOGAFで失敗しやすいポイントも参照してください。

人が必ず確認すべきポイント

事実と仮説を分ける

AIは入力の空白をもっともらしく補うことがあります。現状構成、責任者、データ正本、連携方式などは一次情報で確認します。

Target Architectureを人が承認する

AIが作るのは候補です。業務責任、投資、リスク、標準との整合を踏まえて正式なTargetを決めます。

データ正本と更新権限を確認する

システム名から正本を推測せず、データオーナー、更新権限、監査、鮮度を確認します。

非機能要件を推測させない

可用性、性能、セキュリティ、ログ保持などは正式な要求や標準から設定します。

移行中の一時運用を確認する

新旧併存、二重書き込み、一時CSV、手動補完などは、終了条件がなければ恒久化しやすくなります。

例外と逸脱の責任を明確にする

Targetから外れる設計には、理由、影響、承認者、解消期限を残します。

生成AIの誤りと限界

存在しない要件を補う

一般的な企業システム像から、入力にない承認規程や可用性要件を作る場合があります。

製品名を勝手に推奨する

製品選定を依頼すると、現行契約や標準を知らずに候補を出します。製品候補を扱う場合も、評価条件を人が与えます。

DataとApplicationの責任を混同する

「どのデータが正本か」と「どのアプリが何をするか」は別の設計判断です。

現行システムの実装実態を知らない

設計書と実装がずれている場合、文書だけを入力しても実態は把握できません。

移行の組織制約を軽視する

技術的には並行できても、担当者、予算、繁忙期、契約更新時期などで実行できない場合があります。

機密情報の入力に注意する

構成図、脆弱性情報、顧客データ、認証情報、契約条件などは、自社の情報管理ルールに従って扱います。

生成AIを使うときのチェックリスト

  • 入力情報の出典を確認したか
  • 事実とAIの仮説を分けたか
  • Architecture Visionを業務責任者が確認したか
  • Business Architectureの責任境界を現場と確認したか
  • データ正本と更新権限をデータオーナーと確認したか
  • Application Architectureの責任を実際のAPI・バッチと照合したか
  • 非機能要件をAIに捏造させていないか
  • BaselineとTargetの比較からGapを出しているか
  • Gapを実行可能な施策へ束ね直したか
  • Migration Planningで依存関係と一時運用を確認したか
  • Targetからの逸脱に承認者と解消期限があるか
  • Requirements Managementで要求と判断を追跡しているか
  • 機密情報を不用意に入力していないか

まとめ

生成AIは、TOGAFを代わりに設計する道具ではなく、アーキテクチャ検討の材料を整理し、候補を広げ、抜けを探し、レビュー質問を作る補助役として使うと効果的です。

特に、Baseline整理、Architecture Visionの比較、Business・Data・Application・Technology Architectureのレビュー、Gap抽出、施策化、Migration Planningの比較、Implementation Governanceのレビュー質問、Requirements Managementの追跡確認で活用できます。

一方、事実確認、正式なTarget Architecture、データ正本、責任境界、非機能値、投資・移行判断、例外承認は人が担います。AIの出力をそのまま成果物にせず、根拠と責任者を確認してTOGAFの意思決定へ接続することが、実務で安全に効率化するポイントです。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!
目次