2026/05/28 AI駆動経営勉強会 CTOがICになる経営意思決定 ~ 週末3日で作ったOLAP DBを起点にした組織変容インパクト ~

Transcript

1. CTOがICになる経営意思決定 ~週末3⽇で作ったOLAP DBを起点にした組織変容インパクト~ 「AI駆動経営」勉強会 #2 2026年5⽉28⽇ 株式会社ログラス 執⾏役員CTO 伊藤博志 1
2. 2 ⾃⼰紹介 ゴールドマン‧サックスのテクノロジー部に新卒⼊社後、同社の機関システム開発 に従事。その後、VP/Senior Engineerとしてプラットフォーム開発に携わり、同社 発のJavaのOSSであるEclipse Collectionsのコミッター兼プロジェクトリードや OpenJDKへのコントリビュートを⾏うなど、OSS戦略を牽引。 スタートアップ2社を経て、READYFORに⼊社し執⾏役員VPoEに就任。 同社のエンジニア組織の10名から30名規模への成⻑、決済基盤の刷新や、技術的負 債の返済、新規プロダクト開発を牽引。 2022年10⽉に株式会社ログラスの開発部へエンジニアとして⼊社。 EM、VPoEを経て2024年11⽉より執⾏役員CTOに就任。 株式会社ログラス 執⾏役員CTO 伊藤 博志 （いとひろ @itohiro73) Hiroshi Ito
3. ログラスのご紹介 3
6. ここから本筋スタート 6
7. 2026年2⽉某⽇
8. 3連休を活⽤して、Claude Codeで とある⼿法を⽤いた開発にトライ
9. 何をしたかというと
10. 週末3⽇間で⾃作OLAP DBを作ってみました
11. OLAP DBとは
12. OLAP DBとは OLAP DB: 集計‧分析⽤の多次元データベース 12 OLAP（Online Analytical Processing）とは、⼤量のデータを 「多次元キューブ」として保持し、様々な切り⼝から瞬時に集 計‧分析を⾏うための技術です。 「縦軸：組織」「横軸：勘定科⽬」「奥⾏き：時間軸」のよう に、あらかじめデータが空間状に配置されているため、どの⽅ 向からでも⼀瞬で集計値を取り出せる構造になっています。 例えば「4⽉分の集計データ」を切り出したい時に、「スライ ス」という操作で素早く集計値を取得できます。
13. OLAP DBとは いわゆるRDB（OLTP）とOLAP DBの違い 13 OLTP DB（オンライントランザクション処理） OLAP DB（オンライン分析処理） 主たる目的 日常業務の遂行と取引データの正確な記録 業績分析、トレンド予測、経営戦略立案 主な処理タイプ 大量の小規模トランザクション（作成、更新、削除） 大規模データの読み取り、集計、多軸分析 データソースの範囲 単一のアプリケーションやシステムからリアルタイム に入力 複数のオペレーション DBやSFA、販売システムから統合 データの特性 最新かつ現在の状態のみを保持（動的な変動） 過去から現在に至る履歴データの時系列蓄積 応答時間と同時実行 ミリ秒単位 / 数千人の同時ユーザーがアクセス 秒〜分単位 / 意思決定者やアナリストがアクセス 意思決定への影響 業務プロセスの自動化、現場レベルの実行支援 予算策定、セグメント別利益率の可視化、意思決定
14. OLAP DBとは 参考として、OLAP処理が可能なOSSとして最近⼈気の2フレームワーク 14 Polarsは、Rustで実装されたデータフレームライブ ラリで、特にパフォーマンスに優れたクエリエンジ ンです。Pandasの代替を⽬指しており、⼤規模な データを効率的に処理できる設計がされています。 マルチスレッドを活⽤して並列処理を⾏い、 Pythonとのバインディングも提供しているため、 Pandasに慣れ親しんだユーザであれば扱いやすい ツールです。 https://pola.rs/ DuckDBは、データ分析に特化した⾼速に動作する インプロセスDBです。SQLiteのような軽量さを持 ちながらも、列指向のデータストレージを採⽤して おり、⾼度な分析クエリを効率的に実⾏できます。 https://duckdb.org/ Polars DuckDB
15. 実際にOLAP DBを作ってみた結果
16. ⾃作OLAP DBのパフォーマンス 充填データにおけるパフォーマンスはPolarsを上回るクエリが5/10ほど 16
17. ⾃作OLAP DBのパフォーマンス 疎データにおいてはDuckDB/Polarsよりも圧倒的に⾼パフォーマンス 17
18. ⾃作OLAP DBのパフォーマンス 細かめの補⾜: 疎データとは => 経営管理や管理会計系のデータの性質 18 次元の乗算的爆発 分析軸（部門、科目、取引先等）を増やすほ ど、集計対象となるセル数は爆発的に増加 します 60億マスの巨大空間が出現 論理的な非在の発生 「人事部 × 製品売上」のように、ビジネ ス上あり得ない組み合わせが、計算上 の空間の大部分を占拠。 意味をなさないセルの増加 充填率1%未満の現実 実際に値が刻まれるのはキューブの 空間の極一部。 99%以上が空（疎） と いう極端な状態が、FP&Aデータでは起 き得ます 次元の掛け算とデータの性質により、多次元データ内に膨大な「空白」が生まれる
19. たった数⽇で ⼀定の疎データのユースケース限定とはいえ 世界的なOSS DBを超えるレベルの OLAP DBが作れてしまった...
20. どうやったのか？
21. 企業秘密です(‧ω<)☆
22. それだと勉強会の意味がないので
23. あたりさわりのない エッセンスだけ抽出すると
24. ⾃作OLAP DBをClaude Codeでどうやってつくった 基本の流れ（全てClaude Codeにやらせる） 24 • 作るプロダクト‧対象で解決したい世界観をビジョンとしてインプット • そのビジョンを実現するための技術要素‧最新研究をディープリサーチ • 仮説ベースでロードマップを作成 ‐ ロードマップ上の各アイテムに対し • ロードマップアイテム実現のためのアーキテクチャADR作成 ✔ 作成したADRを専⾨家エージェントチームを組成してレビュー • ロードマップアイテムを以下の流れで仕様から実装までを堅牢性を保ちながら⼀気通貫に実現 ✔ 仕様策定 => テスト設計 => 設計 => コーディング => テスト結果/仕様網羅性検証 • Polars/DuckDBをベンチマークにした機能検証‧パフォーマンス検証 • ロードマップアイテムの実装を⼀定繰り返した後に振り返り。必要に応じて技術要素‧最新研究を再リ サーチし、ロードマップの組み替えを⾏う ※顧客データや機密情報は⼀切含まず、完全にパブリックな情報、または⼀般化‧抽象化された概念のみをインプットしています
25. ⼀番わかりやすい（？）例え
26. 世界最⾼峰の エンジニアチームを雇うことができたら どのように仕事を進めてもらいますか？
27. 仕様の検証や 品質保証‧パフォーマンス検証 セキュリティ担保も含めて
28. 今のAIは、世界最⾼峰のエンジニアチーム を擬似的に実現できる
29. それがわかったという発⾒が⼤きい
30. そして
31. CTOとしての動きを変容 週末に⾏った実証実験の結果があまりにもインパクトの⼤きいものだったため、即刻経営 提⾔し、CTOとしての動きを変容する意思決定 31
32. マネジメント系の業務を素早く委譲し 短期的にICロールへとコミット
33. CTO⾃ら独⾃ハーネスエンジニアリングの 現場適⽤とフレームワークR&Dに従事
34. CTOがICとして動く意味 「動くだけ」から「価値あるものを品質⾼く」へ 34
35. 経過の成果としては
36. R&Dを通じて開発したハーネスでできつつある世界観 BizDevメンバーが、⼀定の複雑な動きのあるプロダクトのプロトタイプを、デザイナー ‧PdM‧エンジニアの⼒を借りることなく作成可能な世界観。とにかく価値検証に時間を 費やす。 36
37. R&Dを通じて開発したハーネスでできつつある世界観 価値検証された動くプロトタイプを堅牢な仕様に落とし込み、仕様 ⇔ テスト設計 ⇔ 動作 検証結果のトレーサビリティが決定論的に担保された状態で本番運⽤可能なアーキテク チャ‧実装をコーディングエージェントが⾃律的に実現 37 仕様策定 テスト設計 設計‧実装 検証 トレーサビリティを決定論的に担保
38. 詳細は
39. 予告編 AI DevEx Conference2026にて、こんな発表をします 39 AI DevEx Conference 2026: https://dev-productivity-con.findy-code.io/aidevex2026/?m=aidevex2026/m/An688ijZ
40. 最終的に⽬指す世界観は
41. プロダクト開発組織の変容につなげ エンタープライズ企業に提供するレベルの プロダクト品質⽔準を⾶躍的に向上