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。
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。
- Business Architecture上の論点
- Data Architecture上の論点
- Application Architecture上の論点
- 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。