AI時代のプロダクト開発：ThoughtSpotに学ぶ「速さと規律」の重要性

テクノロジーの進化は常に、私たちの働き方、そして製品開発のあり方を変革してきました。特に、近年目覚ましい発展を遂げている人工知能（AI）、とりわけ大規模言語モデル（LLM）の登場は、プロダクト開発の現場に革命的な変化をもたらしています。プロトタイプ作成の劇的な高速化、コード生成の自動化、そして新たな視点から顧客インサイトを導き出す能力。これらは、プロダクト開発者にとって計り知れない可能性を秘めている一方で、新たな課題も突きつけています。

本記事では、データ分析プラットフォームのパイオニアであるThoughtSpotのSVPプロダクトマネジメント、Francois Loptaux氏の深い洞察に基づき、AI時代に求められるプロダクト開発の重要性、具体的な機能、ビジネスへの影響、そして将来性を詳細に分析していきます。専門性と分かりやすさを両立させながら、読者の皆様がこの変革期を乗り越え、成功するためのヒントを提供できれば幸いです。

ThoughtSpotとは？：データ分析の民主化を目指す検索型BIツール

ThoughtSpotは、約10年前に「Google検索のように、誰でも自分のデータを検索できるようにする」という画期的なコンセプトで設立されました。当初から、高度なデータ分析を専門家だけでなく、あらゆるビジネスユーザーが直感的に行えるようにすることを目指しており、そのコア技術は検索ベースのアナリティクス製品として開発されました。

しかし、近年におけるLLM（大規模言語モデル）の急速な発展は、ThoughtSpotの製品をさらに次のレベルへと押し上げています。LLMの力を活用することで、ユーザーは自然言語で質問を投げかけるだけで、瞬時にデータから必要なインサイトを得られるようになりました。これにより、ThoughtSpotは単なる検索ツールではなく、より多くの人々がデータに基づいた意思決定を迅速に行えるよう支援する、真のデータ民主化プラツールへと進化を遂げています。誰もがデータと対話し、そこから行動へとつながる知見を得ることが、ThoughtSpotのビジョンです。

Francois Loptaux氏は、Salesforceでの18年間にわたるプロダクトマネージャーとしての経験を通じて、顧客サービスアプリケーションや、アナリティクス、AI分野の製品開発を牽引してきました。その後、2つのスタートアップを経て、約2年前にThoughtSpotに参画。彼の豊富な経験とThoughtSpotの革新的な技術が融合することで、AI時代のプロダクト開発の最前線で何が起こっているのか、そして今後何が求められるのかが浮き彫りになります。

AIが変革するプロダクト開発ライフサイクル

AIの登場は、従来のソフトウェア開発ライフサイクルに根本的な変化をもたらしています。特に、以下の3つの側面でその影響が顕著です。

1. スピードの飛躍的向上とプロトタイピングの変革

Francois氏が指摘するように、AIはプロダクト開発におけるプロトタイプ作成、テスト、仮説検証にかかる時間を大幅に短縮しました。かつては数週間から数ヶ月を要した工程が、今では数時間、あるいは数日で完結することも珍しくありません。

具体的な変化の例:

コード生成とプロトタイピングの加速: LLMを活用したコード生成ツールにより、プロダクトマネージャー自身が、詳細な技術的知識がなくても「リッチなコード」を含むアプリケーションのプロトタイプを迅速に作成できるようになりました。Francois氏自身も、ThoughtSpot社内で2つの実用的なアプリケーションを生成した経験があるといいます。これにより、アイデアの具現化から顧客への提示、フィードバックの収集までのサイクルが劇的に短縮され、開発スピードは従来の2〜3倍に加速しています。
テストと仮説検証の効率化: AIエージェントがコードレビューを自動化し、簡単なバグであればAI自身が修正できるようになりました。これにより、開発者はより複雑でクリエイティブな課題に集中できるとともに、製品の品質向上に貢献しています。

このスピードアップは、製品開発におけるボトルネックを解消し、より多くのアイデアを迅速に市場に投入できる可能性を秘めています。しかし、その裏には新たな課題も潜んでいます。

2. 新たな課題としての「規律」の重要性

開発スピードが劇的に向上したからといって、プロダクト開発における規律や組織の重要性が薄れるわけではありません。むしろ、AIがもたらす「カオス」を乗りこなし、高品質で持続可能な製品を構築するためには、これまで以上に厳格な規律が求められます。

なぜ規律が重要なのか？

カオスの管理: AIは、時に予測不能な出力を生み出します。特に、LLMの確率的な性質は、製品の振る舞いに不確実性をもたらす可能性があります。このような状況下で、製品の信頼性や一貫性を保つためには、厳格な品質基準と開発プロセスが不可欠です。Francois氏は、「規律がないと会社を破滅させる」とまで断言しています。
長期的な製品健全性: スピードを優先するあまり、場当たり的な開発を行ってしまうと、製品のアーキテクチャが複雑化し、将来的な拡張性やメンテナンス性が損なわれるリスクがあります。堅牢で持続可能な製品を構築するためには、強固なアーキテクチャ設計と、将来を見据えたロードマップが不可欠です。

AIは開発者の生産性を向上させますが、その成果を真のビジネス価値につなげるためには、組織全体の規律と、プロダクト開発における揺るぎない原則が必要となります。

3. 開発プロセスの根本的な変貌とEVALシステムの台頭

AIは、プロダクト開発における「機能構築」の考え方も変えつつあります。従来のソフトウェア開発では、機能は「ステップ1、ステップ2、ステップ3…で完了」といった予測可能な形で構築されていました。しかし、LLMの確率的な性質により、このアプローチは通用しなくなっています。

PRD (Product Requirements Document) の変化とEVALシステム:

予測可能から確率論へ: これまでのように「特定のインプットに対して必ずこのアウトプットが出る」という決定論的なアプローチではなく、LLMが「最も確率の高い」回答を生成する性質を理解し、それを開発プロセスに組み込む必要があります。
EVALシステムの重要性: この変化に対応するため、ThoughtSpotでは「EVALシステム」がPRD（Product Requirements Document）に代わる重要な役割を担っています。EVALシステムは、製品が「どのような振る舞いをすべきか」を定義し、その振る舞いが期待通りに実現されているかを継続的に評価する仕組みです。
ガードレールとしてのEVAL: UIがプロンプトベースで直接制御できない場合、EVALシステムは、LLMが生成するアウトプットに対して「ガードレール」を設定する役割を果たします。これにより、「何が良い結果で、何を避けるべきか」を明確に定義し、LLMの自由な振る舞いを許容しつつも、ビジネス目標から逸脱しないように制御します。
決定論と創造性のバランス: Francois氏は、LLMの活用においては、ユースケースに応じて「決定論的」な回答が求められる場面と、「創造性」が求められる場面を区別する必要があると指摘します。「今年の収益は？」という質問には、正確で決定論的な回答が求められる一方、コンテンツ生成などには創造性が重要です。LLMを組み込む際には、このバランスを慎重に考慮する必要があります。

これらの変化は、プロダクト開発者が単に「何を開発するか」だけでなく、「どのように開発するか」についても深く再考することを求めています。

AI時代の成功指標と信頼の構築

AIがプロダクト開発に大きな変革をもたらす中でも、製品の成功を測る本質的な指標は変わりません。しかし、AIの特性を考慮した新たな視点も必要となります。

1. ユーザーエンゲージメントとリテンションが成功の鍵

Francois氏は、プロダクトの成功において「利用人数」「導入状況」「リピート率」といった基本的な数字が最も重要であると強調します。製品が利用され、顧客が繰り返し戻ってきてくれることこそが、その製品が真の価値を提供している証拠だからです。

ThoughtSpotでは、これらのユーザーエンゲージメントを示す指標を常に監視しています。自動化されたアノテーションツールとEVALシステムを組み合わせることで、どの回答がユーザーにとって「良い」ものであったか、質問に適切に答えているか、さらにフォローアップの質問が必要であったかなどを定量的に評価し、製品改善に役立てています。

2. コンテキスト（意味レイヤー）の設計がAIの信頼性を高める

LLMは強力ですが、その出力は学習データとプロンプトに大きく依存します。特に、ビジネスにおけるデータ分析では、曖昧な回答や誤った情報は大問題につながりかねません。ここで重要になるのが「コンテキスト（意味レイヤー）」の設計です。

ThoughtSpotのコンテキストへの投資: ThoughtSpotは、LLMの正確性と信頼性を高めるため、このコンテキスト定義に多大な投資を行っています。ThoughtSpotのプラットフォームにロードされたデータに対し、データセットの構造、各カラムの意味、ビジネスルール、ユーザーの過去のクエリなど、豊富なメタデータや意味情報を付与する「セマンティックレイヤー」を構築することで、LLMはより正確で、ビジネスコンテキストに即した回答を生成できるようになります。

これにより、同じ質問でも、ThoughtSpotのLLMは単なる表面的なデータ検索ではなく、その企業独自のビジネスロジックや用語を理解した上で、より深いインサイトを提供することが可能になります。顧客はAIの回答が信頼できると確信することで、製品への信頼を深め、継続的な利用につながります。

3. AIの「新入社員」問題とビジネス定義の明確化

Francois氏は、LLMを「新入社員」に例えます。新入社員は素晴らしい潜在能力を持っていますが、適切な指導がなければ、期待通りの成果を出すことはできません。LLMも同様で、企業のビジネスロジックや用語、目標が明確に定義されていなければ、誤った判断や分析につながる可能性があります。

正確なビジネス定義の重要性: 「新規顧客とは何か？」「収益とは何か？」といった基本的なビジネス指標の定義が曖昧だと、LLMは一貫性のない、あるいは誤った分析結果を生成してしまうことがあります。企業は、自社のビジネスを正確に定義し、LLMにその「コンテキスト」を正しく理解させることが不可欠です。
EVALシステムによる継続的な監視: ThoughtSpotのEVALシステムは、LLMの出力を継続的に監視し、その正確性、一貫性、ビジネスへの適合性を評価します。これにより、LLMのモデルがドリフト（性能劣化）したり、期待しない振る舞いをしたりした場合に、迅速に検知し、修正することが可能になります。これは、AIを活用した製品の品質を維持し、信頼を確保するための生命線となります。

AI時代におけるGo-to-Market戦略と未来のチーム

AI技術の進化は、製品開発だけでなく、Go-to-Market戦略や、それを支えるチームのあり方にも影響を与えています。

1. B2B2Cモデルにおける責任とブランドの統合

ThoughtSpotのようなB2B2C（企業対企業対消費者）モデルの製品では、顧客の顧客（エンドユーザー）に対する製品の責任も考慮する必要があります。ThoughtSpotの顧客がその製品をエンドユーザーに提供する際、顧客は自社ブランドとしてそれをリリースするため、ThoughtSpotは顧客のブランドを侵害しない形で、製品が統合されるようにサポートしなければなりません。

具体的なGo-to-Market戦略の変更点:

ホワイトラベリングとOEMのサポート: 顧客がThoughtSpotの技術を自社製品の一部としてシームレスに組み込み、自社ブランドで提供できるよう、ホワイトラベリングやOEM（相手先ブランドによる生産）のオプションを強化しています。これにより、顧客はAIによる強力なデータ分析機能を、自社のブランド価値を損なうことなく提供できます。
顧客へのトレーニングと教育: 新しいAI機能を導入する際、顧客がそれを効果的に活用し、さらにその先のエンドユーザーに価値を伝えられるよう、ThoughtSpotは包括的なトレーニングと教育プログラムを提供します。これにより、新機能の導入を円滑に進め、最大限のROI（投資収益率）を引き出すことを目指します。
顧客のペースへの適応: 顧客の規模や業界によって、新技術の導入ペースは大きく異なります。スタートアップ企業は最先端の技術を迅速に導入したがる一方、より伝統的な企業は慎重なアプローチを好みます。ThoughtSpotは、顧客ごとのニーズとペースに合わせて、柔軟な導入オプションとサポートを提供することで、あらゆる顧客がAIの恩恵を受けられるように努めています。

2. 進化するチーム構造とプロダクトマネージャーの役割

AI時代において、プロダクト開発チームの構造と、プロダクトマネージャー（PM）に求められるスキルセットも変化しています。

チーム構造の変化:

チーム規模の縮小: AIツールが開発作業の多くを自動化することで、チームの規模は縮小する傾向にあります。かつて「2枚のピザのチーム」（Amazonが提唱した、ピザ2枚で賄える程度の少人数チーム）が理想とされていましたが、AIの活用により、より少ない人数で同等かそれ以上の成果を出せるようになっています。
PM対開発者の比率の変化: 開発者の生産性向上に伴い、PM対開発者の比率が変化する可能性があります。これにより、PMはより広範なプロダクト領域を担当できるようになる一方、より深い専門知識が求められるようになります。

プロダクトマネージャーに求められる新たなスキル:

技術的素養の重要性: Francois氏は、PMにとって「技術的であること」が最重要であると強調します。コードを書ける必要はないとしても、技術の基礎を理解し、なぜ特定の技術が選択されたのか、それがどのような意味を持つのかを理解する能力が不可欠です。これにより、開発チームとの円滑なコミュニケーションが可能になり、より良い製品設計へとつながります。
好奇心と学習意欲: AI技術は日々進化しており、新しいモデルやアプローチが次々と登場します。このような環境で成功するには、常に新しい知識を吸収し、変化に適応する「好奇心」と「学習意欲」が不可欠です。PMは、顧客のペインポイントを深く理解し、それを解決するために最適な技術を模索し続ける必要があります。
柔軟性: AI技術の選択は流動的です。あるユースケースに最適なLLMが、別のユースケースでは機能しないこともあります。また、コスト効率の良いオープンソースモデルと、高性能なフロンティアモデルを状況に応じて使い分ける柔軟性が求められます。PMは、常に最善の選択肢を見極め、必要に応じて迅速に方向転換できる能力を持つべきです。
「何を作るべきか」を見極める力: AIが「どのように作るか」のハードルを下げた今、真に重要になるのは「何を作るべきか」という問いです。どの機能が顧客にとって意味があり、ビジネスに真の価値をもたらすのかを見極める洞察力がPMには強く求められます。これは、単にアイデアを出すだけでなく、そのアイデアが持つインパクトと実現可能性を深く分析する能力を意味します。

3. 未来への展望：コスト最適化とオープンソースモデルの台頭

Francois氏は、2025年まではAIが「機能する」ことと「価値を生み出す」ことの証明が主な焦点であったと語ります。しかし、2026年以降は「コスト最適化」が主要なテーマになると予測しています。

モデル選択の多様化と柔軟性: 現在、フロンティアモデル（OpenAIのGPTシリーズなど）とオープンウェイトモデル（Llamaなど）の両方が存在します。今後は、ユースケースごとに最適なモデルを選択し、必要に応じて迅速に切り替えられる柔軟性が重要になります。特に、オープンソースモデルはコスト削減の大きな鍵となるでしょう。
継続的な最適化とメンテナンス: モデルのドリフトは避けられないため、リリース後も継続的な監視とメンテナンスが不可欠です。これにより、製品のパフォーマンスを維持し、長期的な価値を提供できるようになります。

まとめ：AI時代を生き抜くプロダクト開発の鍵は「明確なビジョン」「規律」「柔軟性」

AIがもたらす変革は、プロダクト開発のあらゆる側面に影響を与えています。開発のスピードは劇的に加速し、PMはより技術的な側面に関与できるようになりました。しかし、この「速さ」だけでは成功は保証されません。Francois Loptaux氏の洞察が示すように、AI時代を生き抜き、真に価値ある製品を生み出すためには、以下の3つの鍵が不可欠です。

明確なビジョンと「何を作るか」の洞察力: AIが「どのように作るか」を効率化する一方で、PMは「何を作るべきか」という本質的な問いに深く向き合い、顧客の真のニーズを捉え、ビジネス目標に合致する明確なビジョンを持つ必要があります。
厳格な規律と品質へのコミットメント: AIがカオスを生み出しやすい性質を持つからこそ、開発プロセスにおける厳格な規律と、堅牢性・信頼性・スケーラビリティを追求する品質へのコミットメントが不可欠です。EVALシステムのような新たなツールを活用し、AIの出力をコントロールするガードレールを設けることが重要になります。
組織と個人の柔軟性: 変化の激しいAIの世界では、常に新しい技術に適応し、モデルや戦略を迅速に切り替えられる柔軟性が組織全体に求められます。プロダクトマネージャーは技術的素養に加え、好奇心、学習意欲、そして顧客のペースに寄り添う共感力を持ち、未来の変化に対応できる人材であるべきです。

AIは、私たちに前例のない機会を与えてくれています。しかし、その力を最大限に引き出し、持続的な成功を収めるためには、これらの原則を深く理解し、日々のプロダクト開発に組み込むことが、これまで以上に重要になるでしょう。ThoughtSpotの事例は、私たちがいかにしてこのAI時代を乗りこなし、未来のプロダクトエクスペリエンスを創造していくべきかについて、明確な羅針盤を示してくれています。