AIは運用を再設計できるか？ ─ 確率的なAIと100%再現性のIT、運用エンジニアがまず知るべき違い / 202601015-heartbeats-fusic-redesign-operations-with-ai

2026年10月15日開催「ハートビーツ × Fusic コラボイベント」（福岡）の登壇資料です。

AIを運用に本格的に組み込む前に知っておきたい「AIの注意点」を解説しました。ITは、仮説（ロジック）が正しければ100%の再現性で動き続けます。一方、生成AIは確率的に振る舞うため、どうしても外れ値が生じます。この2つの性質の違いを軸に、AIを運用に導入するときの判断軸を示します。

■ アジェンダ
序. 「あるべき運用」の姿を明確にしたい

ITと生成AIの違い、説明できますか？（数理論理学と数理統計学、演繹と帰納、決定的と非決定的、収斂と発散）
生成AIの弱み、強み
生成AIとの付き合い方（入力・出力のコツ、仕様駆動開発、ハーネスエンジニアリング）
「運用」と生成AI（業務特性による分類、マネジメントサイクル、変えるべきこと・してはいけないこと）

■ キーメッセージ
・生成AIの導入は「改善」ではなく、運用全体の「再設計」である
・言語化能力とロジック能力が、ひたすら必要になる
・運用は常に「シンプル」「見える」「価値を生む」状態にしておく
・生成AIで「属人性の排除」を目指してはいけない

登壇者：波田野 裕一（株式会社ハートビーツ / AWS Community Hero / 日本MSP協会 特別会員）

Transcript

1. AIは運用を再設計できるか？ ̶ 確率的なAIと100％再現性のIT、運用エンジニアがまず知るべき違い ハートビーツ x Fusic コラボイベント 波田野 裕一 2026-10-15 © 2026 HEARTBEATS Corporation 1
2. Who am I CCoE Monitoring & Operations Specialist 波田野 裕一 JAWS-UG インフラ担当 日本MSP協会 特別会員 AWS Samurai 2017 (個人) AWS Community Hero AWS Samurai 2020 (CLI専門支部) © 2026 HEARTBEATS Corporation 2
3. 概要 AIを運用へ本格的に組み込む前に押さえるべき"AIの注意点"を解説。 AIは確率論的に振る舞い外れ値が生じうる一方、IT運用は仮説が正しければ 100％の再現性を持つという、両者の性質の違いを軸に、AI導入時の判断軸を 提示します。 © 2026 HEARTBEATS Corporation 3
4. IT は何故こんなに使われる ようになったのでしょうか? Operation Lab 運用設計ラボ 4
5. ITはなぜ「強力なツール」なのか? ITは「正しい論理」を、ひたすら「正しく実行」できる 1回正しく動いた論理は、100万回でも正しく動く + 人手を離れて、地道に動作し続ける ITの基本構造 Input 関数 (システム) Output © 2026 HEARTBEATS Corporation 5
6. 余談. 「運用」とわたし (割愛) © 2026 HEARTBEATS Corporation 6
7. アジェンダ 序. 「あるべき運用」の姿を明確にしたい 1. ITと生成AIの違い、説明できますか? 2. 生成AIの弱み、強み 3. 運用と生成AI 4. まとめ © 2026 HEARTBEATS Corporation 7
8. 序. 「あるべき運用」の姿を明確にしたい © 2026 HEARTBEATS Corporation 8
9. 「あるべき運用」の姿を明確にしたい 1. 運用は「理詰めで設計・実践」する (論理的、合理的) 論理的 論理の法則に適って物事を見る、考える 言っていることが、文面として正しい 合理的 理性や道理に適って物事を見る、考える 言っていることが、道理として正しい 注意すべき組合せ 表層的に正しい 本質的に正しい 論理的 X 非合理的 「はい、論破」のような物言い 非論理的 X 合理的 説明が苦手なエンジニアの物言い © 2026 HEARTBEATS Corporation 9
10. 「あるべき運用」の姿を明確にしたい 2. 運用は「ドキュメント駆動」で行う ドキュメントの存在しない業務は、 維持できない & 評価されない ‣ アンドキュメンテッド運用からの脱却 ‣ ‣ ‣ 悪い意味での属人的(ブラックボックス)/高負荷運用からの脱却 工学的視点に立つ、高度で合理的(説明可能)な運用へ 外部サービスに喰われない、生き残れる運用へ ‣ 100%手書きドキュメント作成からの脱却 ‣ ‣ ‣ ITサービスの提供者がちゃんとITする(構造化・自動化)時代へ 適切な自動化には構造化が、適切な構造化には抽象化が必要 工学的視点に立つ高度なドキュメントロジックへ © 2026 HEARTBEATS Corporation 10
11. 「あるべき運用」の姿を明確にしたい 3. 運用は「トップダウン(演繹)アプローチ」から始める マネジメントとしてのトップダウン アーキテクチャとしてのトップダウン テックリードとしてのトップダウン 運用マネージャ アーキテクト テックリーダー ビジネス観点で 組織・人材マネジメントできる人 ビジネス観点で 業務を最適化できる人 ビジネス観点で 商材としての技術を選定できる人 成果基準や評価 業務の全体最適 運用技術の選定 必須 組織文化の醸成 現場からはボトムアップアプローチで、前向きにフィードバック・提案する © 2026 HEARTBEATS Corporation 11
12. 「あるべき運用」の姿を明確にしたい 「あるべき運用」と「ありがちな運用」 ありがちな運用業務 あるべき運用業務 1. 人が理解しやすい業務ではない。 1. 人が理解しやすい業務である。 2. システムが扱いやすい業務ではない。 2. システムが扱いやすい業務である。 3. 論理破綻・矛盾による無駄・無意味が多い。 3. 論理的に正しいことを検証している。 ITとの相性が非常に悪い ITとの相性が非常に良い 独自のやり方に固執 • • • • • ドキュメント化工数が膨大になる。 中途・新人の戦力化に時間がかかる。 環境変化への対応に遅れがちになる。 Whyが失われると硬直化に繋がる。 ツール製品を導入しても効果が出にくい。(連携しにくい) ビジネス上の差別化になる独自色は必要 世間一般のやり方に準拠 • • • • • ドキュメント化工数を必要最小限にできる。 中途・新人の戦力化に時間がかからない。 環境変化への対応が比較的容易にできる。 Whyが失われにくいので硬直化を避けやすい。 ツール製品を導入したときに効果が出やすい。(連携しやすい) ビジネス上の差別化にならない独自色は足枷になる © 2026 HEARTBEATS Corporation 12
13. 1. ITと生成AIの違い、説明できますか? © 2026 HEARTBEATS Corporation 13
14. IT と 生成AI の本質的な違い は、何でしょうか? Operation Lab 14 運用設計ラボ
15. 1. ITと生成AIの違い、説明できますか? 依拠する「基本理論」が異なる IT 数理論理学 推論の方法や、その正しさに関する学問 集合論 ブール値 論理関数 アルゴリズム 生成AI 数理統計学 数学的な見方でデータを捉える学問 確率理論 推定 仮説検定 (ニューラルネットワーク) © 2026 HEARTBEATS Corporation 15
16. 1. ITと生成AIの違い、説明できますか? 「結論の精度」が異なる IT 数理論理学 演繹的推論 決定的 (必然的) 論理が正しければ、常に結論も正しい 生成AI 数理統計学 帰納的推論 非決定的 (蓋然的) 統計的に有意であれば、結論が正しい可能性が高い © 2026 HEARTBEATS Corporation 16
17. 1. ITと生成AIの違い、説明できますか? 「演繹的推論」と「帰納的推論」 トップダウンアプローチ 演繹的推論 ボトムアップアプローチ 大前提 すべての人間は死ぬ 結論 抽象度が高い 帰納的推論 Aさんの結論 ユーザーは申請スキルが低い。(仕方ない) Bさんの結論 ユーザーに申請ガイドが必要。(改善すべき) 抽象化する Aさんの推論 推論 ソクラテスは人間である 推論 Bさんの推論 具体化する条件(小前提)を定める 抽象化する条件をさがす 具体度が高い ユーザ1は申請に時間が掛かる。 結論 ソクラテスは死ぬ 具体化する 前提が同一であれば、必ず結論は同じになる (必然的) 具体例 ユーザ2は申請にミスが多い。 ユーザ3は申請方法を理解していない。 帰納では、結論は同じになるとは限らない (蓋然的) © 2026 HEARTBEATS Corporation 17
18. 1. ITと生成AIの違い、説明できますか? 違い(1): 「決定的」と「非決定的」 トップダウンアプローチ 演繹的推論 ボトムアップアプローチ 決定的 関数 (システム) 帰納的推論 非決定的 Output1 Output Input ベイズ推定 Output2 Output3 前提が同一であれば、必ず結論は同じになる (必然的) 帰納では、結論は同じになるとは限らない (蓋然的) 1回正しく動いた論理は、100万回でも正しく動く 原理的に一定の確率で期待した答を返さない (参考) 99.8%は意外と低い精度 OCRで100万文字中、2千文字の誤判定 アラート400万通中、8千通の誤判定 演繹よりも「誤判定の発見」に手間がかかることもある © 2026 HEARTBEATS Corporation 18
19. 1. ITと生成AIの違い、説明できますか? 違い(2): 「収斂的」と「発散的」 数理論理学がベース トップダウンアプローチ 演繹的推論 数理統計学がベース ボトムアップアプローチ 帰納的推論 多くの選択肢がある 前提 前提条件で絞り込む 結論 多様な結論 + 確率 推論 推論で演繹的に絞り込む 推論 多様な推論が可能である 収斂 具体例 発散 結論 ひとまとまりのデータがある © 2026 HEARTBEATS Corporation 19
20. 1. ITと生成AIの違い、説明できますか? まとめ: ITと生成AIの違い 生成AIはITの上で動作しているが、その性質は全く真逆 IT 生成AI 数理論理学がベース 数理統計学がベース トップダウンアプローチ ボトムアップアプローチ 演繹的推論 帰納的推論 決定的 非決定的 前提が同一であれば、必ず結論は同じになる (必然的) 帰納では、結論は同じになるとは限らない (蓋然的) 1回正しく動いた論理は、100万回でも正しく動く 原理的に一定の確率で期待した答を返さない 収斂 発散 演繹的に結論を絞り込む 多様な結論 + 確率 © 2026 HEARTBEATS Corporation 20
21. 2. 生成AIの弱み、強み © 2026 HEARTBEATS Corporation 21
22. 2. 生成AIの弱み、強み 生成AIの特徴 生成AIは、非決定的で(基本構造として)発散する 数理統計学がベース 結論 多様な結論 + 確率 推論 多様な推論が可能である 具体例 発散 ボトムアップアプローチ 帰納的推論 帰納では、結論は同じになるとは限らない (蓋然的) 原理的に一定の確率で期待した答を返さない 非決定的 © 2026 HEARTBEATS Corporation 22
23. 2. 生成AIの弱み、強み 生成AIの弱み:「非決定的」 生成AIは、非決定的で(基本構造として)発散する 生成AIは、非決定的なため「100%」を求めることは不可能 Output1 数理統計学がベース ボトムアップアプローチ Input 生成AI Output2 Output3 帰納的推論 帰納では、結論は同じになるとは限らない (蓋然的) 原理的に一定の確率で期待した答を返さない 生成AIに「ロジック」を組み込む動きもあるが 「ロジックの選択」をどうするかという問題は残る。 人がロジックを選択すれば精度は上がるが、適切な選択が可能か? AIが「ロジックを確率的に選択」すれば、確率論から逃れられない。 生成AIは「非決定的」という弱みとセットで考える必要がある © 2026 HEARTBEATS Corporation 23
24. 2. 生成AIの弱み、強み 生成AIの強み:「発散」 生成AIは、非決定的で(基本構造として)発散する 生成AIは、発散的なため個人や組織の思考では気付けない視点を獲得し得る 結論 多様な結論 + 確率 推論 多様な推論が可能である 具体例 発散 演繹的推論 人間の内部 帰納的推論 人間の外部 2018-10-26 ITmedia様イベント ITシステム運用、AIの普及で「変わる領域」「変わらない領域」 © 2026 HEARTBEATS Corporation 24
25. 2. 生成AIの弱み、強み 参考: 生成AIの正しい(?)イメージ 生成AIは、非決定的で(基本構造として)発散する こういうイメージを持っておくと痛い目に遭いにくい 優秀だけど暴走しがち(発散)で 責任は取ってくれない(非決定的) 低価格の外注エンジニア 生成AIマネジメントが重要 「ドラえもんのひみつ道具」に似て、使い方次第 (のび太のように使い方を間違えると泣くことに...) © 2026 HEARTBEATS Corporation 25
26. 3. 生成AIとの付き合い方 © 2026 HEARTBEATS Corporation 26
27. 3. 生成AIとの付き合い方 生成AI活用のコツ (分担) 生成AI トップダウンアプローチ ボトムアップアプローチ 多くの選択肢がある 前提条件で絞り込む 結果責任を 人が負う 多様な結論 + 確率 分析結果を基に ロジックをブラッシュアップする 推論で演繹的に絞り込む 多様な推論が可能である ロジックを立てて、 モデルやデータを分析する 収斂 ロジックで 入力品質を担保 発散 © 2026 HEARTBEATS Corporation 27
28. 「あるべき運用」の姿を明確にしたい 参考: 日本の組織には「演繹的なアプローチ」が欠けている トップダウンアプローチ ボトムアップアプローチ 現場が何しているのか わからない 多くの選択肢がある 現場から 提案が無い 経営層 前提条件で絞り込む 多様な結論 トップダウンアプローチ が存在しない 共通認識がない 整合・連携もしない 無邪気に 生成AIを入れて大丈夫か? 断絶 サイロ化 推論で演繹的に絞り込む 多様な推論が可能である 現場の努力 現場が何をすべきか わからない 収斂 運用要員 ボトムアップアプローチ が発散している 運用要員 2020-01-21 ITmedia様イベント これからの「運用管理」の話をしよう 発散 © 2026 HEARTBEATS Corporation 28
29. 3. 生成AIとの付き合い方 生成AI活用のコツ (入力) どんな入出力も、入力の品質以上の出力は得られない 論理的な プロンプト Output1 Input 生成AI Output2 Output3 論理的な 取捨選択 演繹的推論 帰納的推論 演繹的推論 決定的 非決定的 決定的 収斂 発散 収斂 生成AIの回答が 決定的・収斂しやすい 論理的な質問をする 生成AIの得意な領域に 質問分野や内容を絞り込む (生成AIの使い分け) 生成AIの一連の回答から 人が論理的に収斂させた結論 を得る © 2026 HEARTBEATS Corporation 29
30. 3. 生成AIとの付き合い方 生成AI活用のコツ (出力) どんな出力も、最終責任は人が引き受ける 論理的な プロンプト Output1 Input 生成AI Output2 Output3 論理的な 取捨選択 演繹的推論 帰納的推論 演繹的推論 決定的 非決定的 決定的 収斂 発散 収斂 生成AIの回答が 決定的・収斂しやすい 論理的な質問をする 生成AIの得意な領域に 質問分野や内容を絞り込む (生成AIの使い分け) 生成AIの一連の回答から 人が論理的に収斂させた結論 を得る © 2026 HEARTBEATS Corporation 30
31. 3. 生成AIとの付き合い方 ...と、言っていたら、最近はこんな感じに... 仕様駆動開発 生成AI ハーネス エンジニアリング 演繹的推論 帰納的推論 演繹的推論 決定的 非決定的 決定的 イメージとしては、生成AIを「ロジックの箱庭」に閉じ込める感じ ただし、日本のエンジニアでこれができる人は、おそらく極めて少ない © 2026 HEARTBEATS Corporation 31
32. 4. 「運用」と生成AI © 2026 HEARTBEATS Corporation 32
33. 4. 「運用」と生成AI IT運用業務の特性 (演繹的推論との関係による分類) ドキュメント の有無 Step1 有 演繹的推論での対応が可能 突発具合 計画可能 (1月前に確定) Step2 演繹的推論での対応が可能 起因組織 内部 定時作業 演繹的推論での対応が可能 Step3 外部 申請作業 演繹的推論での対応が可能 (繁忙時は精度低下) 突発 (即時対応) 緊急作業 演繹的推論での対応が可能 (練度によって精度は低下) 無 演繹的推論での対応は不可能 属人/専門作業 演繹的推論での対応は不可能 2010-12-16 ThinkIT 現場視点からの運用方法論 第3回 明日の運用現場のために - 運用フレームワークという視点 より引用改変 © 2026 HEARTBEATS Corporation 33
34. 4. 「運用」と生成AI IT運用業務における生成AIの活用 定 常 運 用 定時作業 演繹的推論での対応が可能 演繹的推論が基本 申請作業 生成AIでブラッシュアップする 演繹的推論での対応が可能 (繁忙時は精度低下) 余地は有る 非 定 常 運 用 演繹的推論での対応が可能 (練度によって精度は低下) 緊急作業 属人/専門作業 生成AIの活用対象となり得る 演繹的推論での対応は不可能 © 2026 HEARTBEATS Corporation 34
35. 4. 「運用」と生成AI 生成AIの導入は「改善」ではない 導入するときは、運用全体の「再設計」をする覚悟が必要 出典 運用改善、不都合な真実 (2024-07-22) 一方で、「生成AIを導入しない」という選択肢は無い (片道切符) © 2026 HEARTBEATS Corporation 35
36. 4. 「運用」と生成AI 運用における生成AIのマネジメントサイクル マネジメントとは、把握して、判断して、(自力、他力で)制御すること。 仕様駆動開発 生成AI ハーネス エンジニアリング 演繹的推論 帰納的推論 演繹的推論 把握 判断 判断 制御 判断 業務の言語化 生成AIの用途 制約の言語化 期待の言語化 LLMの選択 フィードバックの言語化 © 2026 HEARTBEATS Corporation 36
37. 4. 「運用」と生成AI 生成AIで「運用」の何が変わるのか? 言語化能力、ロジック能力がひたすら必要になる 論理的 合理的 自動化自体には本当に価値が無くなる (元々無い、が) ドキュメント駆動運用 トップダウンアプローチ © 2026 HEARTBEATS Corporation 37
38. 4. 「運用」と生成AI 生成AIで「運用」の何を変えなくてはいけないのか? 運用をビジネスの中心に置かないと、まわらない 出典: クラウドの運用になってインフラエンジニアは何が変わるのか? (2015-5-23) © 2026 HEARTBEATS Corporation 38
39. 4. 「運用」と生成AI 生成AIで「運用」の何を変えなくてはいけないのか? 常に「シンプル」「見える」「価値を生む」運用へ 仕様駆動開発 生成AI ハーネス エンジニアリング 演繹的推論 帰納的推論 演繹的推論 常にシンプル 常に見える 常に価値を生む 「複雑」「見えない」「価値の無い」運用を 生成AIは上手く扱うことができない 特に生成AIに利用させたい運用情報が 生成AIから見える・理解できる必要がある (Amazonも苦労している) © 2026 HEARTBEATS Corporation 39
40. 4. 「運用」と生成AI 生成AIで「運用」の何を変えなくてはいけないのか? 自らツールを内製できる、組織へと変化しなければならない 出典 開発がわかる運用組織、内製できる運用組織 (2023-11-20) 「生成AIを使えばできる」ので、やらない選択肢は無い (片道切符) © 2026 HEARTBEATS Corporation 40
41. 4. 「運用」と生成AI 生成AIで「運用」の何をしてはいけないのか? 生成AIで「属人性の排除」を目指してはいけない 専門性の価値が低下する 高度人材の排除に繋がる 出典 「属人化」とは何か? 整理してみよう 〜 「あえてする」ものなの? 「排除しちゃだめ」なの? (2026-02-28) © 2026 HEARTBEATS Corporation 41
42. まとめ © 2026 HEARTBEATS Corporation 42
43. まとめ 生成AIと運用 仕様駆動開発 生成AI ハーネス エンジニアリング 演繹的推論 帰納的推論 演繹的推論 決定的 非決定的 決定的 論理的 ボトムアップアプローチ 論理的 合理的 大前提 ドキュメント駆動運用 1. 人が理解しやすい業務である。 トップダウンアプローチ 2. システムが扱いやすい業務である。 合理的 テスト駆動開発 トップダウンアプローチ 3. 論理的に正しいことを検証している。 © 2026 HEARTBEATS Corporation 43