AIの批判者は、技術が意味のあるビジネス成果を生み出せないとこき下ろすのが好きで、MIT NANDAの調査（企業向けAIソリューションの失敗率95%）や、IDCの調査（「欧州・中東・アフリカ地域の組織のうち、過去2年間でAI関連プロジェクトの大部分から測定可能なビジネス成果を達成できたのはわずか9%」）をよく引き合いに出す。

AI懐疑論者の多くが見落としているのは、AIプロトタイプの試行錯誤的な性質だ。すべてのプロジェクトがテスト段階を超えることを意図しているわけではない。それでも、5%という成功率は恥ずべき数字である。

何が足を引っ張っているのか？

2つの要因がある。まず、多くの組織がAIプロトタイプを砂上の楼閣の上に構築している。つまり、初期アプリケーションを構築するデータインフラが、後で本番環境に移行する際に支えられないのだ。一方、本番環境でそれらのアプリケーションを管理する運用チームは、エンジニアリングの出力増大に追いつく人的リソースを欠いている。

プロトタイピング用インフラ ≠ 本番用インフラである4つの理由

なぜ多くのAIプロトタイプが本番環境に移行できないのかと問われたとき、pgEdgeの共同創業者兼CPO兼会長であるPhillip Merrick氏は、データインフラが主な原因だとThe New Stackに語った。

具体的には、プロトタイプ環境は大企業の本番要件を満たしていないと説明し、主な4つの欠点を挙げた。

第一に、Merrick氏によると、プロトタイピング環境にはプロトタイプから本番への移行に必要なデプロイの柔軟性が欠けている。

ベンダー管理のクラウドプラットフォームは、チームが迅速に立ち上げられるため、プロトタイピングには魅力的に見えるかもしれない。しかし、本番環境でのAIアプリケーションを支えるには、セキュリティ、コンプライアンス、ガバナンスの面で技術力が不足していると警告する。特に医療、金融、その他の規制産業の組織では、ベンダー管理のクラウドプラットフォームにセルフマネージドクラウドやオンプレミス環境で見られる厳格な制御がしばしば欠けている。

「そのAIプロトタイプを最終的に本番環境に置く場所を選べなければならない」

このように、柔軟性とセキュリティは密接に関連しているとMerrick氏は主張する。「そのAIプロトタイプを最終的に本番環境に置く場所を選べなければならない」

同様に、本番環境への移行時には、ベンダー管理のクラウドプラットフォームが企業レベルおよび地域レベルのデータ主権の課題を引き起こす可能性があるとMerrick氏は述べる。

「データレイヤーは明らかにこれを強制する場所だ」とMerrick氏は指摘する。しかし、ほとんどのチームがプロトタイピングに使う環境は状況を曖昧にすると言う。「もしそれが、どのクラウドのどのリージョンかもわからないベンダー管理のプラットフォーム上にあるなら、データ主権を失うことになる」

最後に、Merrick氏は信頼性に注目し、AIプロトタイプが高可用性の保証なしには本番環境に移行できないと説明する。たとえば、データベースをアップグレードしたりハードウェアを交換したりするとき、ダウンタイムなしで実行できるだろうか？

「ベンダー管理のクラウドの世界では、その答えはほぼ常に『いいえ』だ」とMerrick氏は述べ、AIアプリケーションをプロトタイプから本番へ移すにはエンタープライズグレードのインフラが必要であるという自らの主張を繰り返した。

では、なぜ開発者は本番化できない場所でプロトタイピングするのか？

データインフラの選択が、開発者がAIプロトタイプを本番環境に移行できない原因であるなら、なぜ彼らは最初から間違った足場で始めるのか？

Merrick氏によると、多くの人がベンダー管理のクラウドプラットフォームの使いやすさに惹かれる。「これらのプロトタイピング環境は、確かに非常に簡単に始められる」と彼は言う。しかし、プロトタイピングの近道は長期的に見れば報われず、最終的に誰かがそれらのプロトタイプを本番対応にする責任を負うことになる。

それでもMerrick氏は、開発者が簡単な方法を探すことを非難しない。むしろ、プロトタイピングの遊び場と本番の戦場の間の断絶が、開発者に将来プロトタイプを本番化するために何が必要かを理解させていないと述べる。組織内の分断により、開発者はプロトタイプを構築する責任を負い、その後、本番環境は完全に別の運用チームに引き継がれることが多い。

「結果として、一部の組織では、初期の選択をする開発者にまで遡って本番要件を理解する一貫した流れが本当に存在しない」

Merrick氏にとって、この断絶こそがAIプロジェクトが崩壊し始める場所であり、チームはアクセスしやすくても不十分なベンダー管理のクラウドプラットフォームから、デプロイの柔軟性、セキュリティ、データ主権、高可用性の要件を満たすエンタープライズグレードのデータインフラへAIプロトタイプを移行しようと苦労することになる。

「しかし、正しいデータインフラを選択すれば、その断絶は起きない」と彼は言う。「なぜなら、プロトタイプから本番までの一貫した流れが得られるからだ」

Merrick氏は、Postgresをこの溝を埋めるのに最も役立つデータインフラとして挙げ、その拡張性、完全なオープンソース性、非構造化データからベクトル埋め込み、地理空間データまで多様なデータ管理の問題に対応できる能力から「データベースのスイスアーミーナイフ」と呼ぶ。

Postgresがどこでどのように実行されるかも重要だとMerrick氏は指摘し、データ要件を満たすガバナンス制御や、準拠したオンプレミスまたはBYOクラウド環境への移行に必要なデプロイ柔軟性を欠くことが多い、多くのベンダー管理のクラウド環境の限界に再び注目する。

しかし、正しいデータインフラを選ぶだけでは問題の半分しか解決しない

Merrick氏によると、ほとんどの組織が見落としているもう一つの要素がある。それは人材、正確にはデータベース管理者（DBA）とその増大するワークロードだ。

Stack Overflowの2025年開発者調査によると、回答者の84%がAIツールを使用しており、前年の76%から増加している。一方、Supabaseはプラットフォーム上のデータベースの60%以上が「何らかのAIツールによって起動された」と述べている。Merrick氏が指摘するように、この生産性の爆発には代償が伴う。追いつくだけのDBAが足りないのだ。

「開発者の生産性に巨大な、巨大なステップシフトがあった」と彼は説明する。「しかし、本番側でそれを管理する方法が必要だ。これらのデータベースを監視せずに放置することはできない」運用・管理チームは、エージェント型エンジニアリングがさらにデータベースを増やす前から、既存のPostgresデータベースを追跡するのにすでに苦労していたと彼は言う。「誰がそれらを管理するのか？」

エージェント型運用がエージェント型エンジニアリングに追いつく時が来た、と彼は述べる。

AI DBAエージェントは人間に「超能力」を与える

Merrick氏が、完全に自律的なDBAエージェントに運用を引き継がせることを提案しているように見えても、業界はまだそこまで到達していないと彼は言う。

「世界はAI DBAエージェントが管理する完全に自律的なデータベースの準備ができていない。しかし、深刻なリソース不足と生産性の問題があり、DBAが管理できるデータベースの数には限りがある」と彼は説明する。一方、新しい「AIアプリケーションは本番環境に投入するデータベースをはるかに多く必要とする」

「世界はAI DBAエージェントが管理する完全に自律的なデータベースの準備ができていない」

では、組織はどのように運用能力を高められるのか？

Merrick氏によると、DBAは新しいAI DBAエージェントを、運用を引き継ぐのではなく、手作業を減らしてより多くのデータベースを監視・管理するための「超能力」を得るために活用すべきだという。

pgEdgeのEllieはその一例だ。pgEdge AI DBA Workbenchの一部であるEllieは、21のMCPツールを持ち、EXPLAIN ANALYZEの実行、スキーマの検査、過去のメトリクスのクエリ、多段階の診断ワークフローの実行が可能なAIエージェントである。データベースに問題が発生すると、Ellieは問題を発見し、診断し、人間のDBAがレビューするための動作するSQLコードとして解決策を提供する。「レビューして、それが正しい対応だと同意したら、文字通り再生ボタンを押すだけで、エージェントがそのSQLコードをデータベースに実行し、問題を解決する」とMerrick氏は説明する。

このように、Ellieは運用チームにより多くの能力をもたらすはずであり、Merrick氏が組織はDBAの専門知識に飢えていると主張する点に合致する。彼の指摘を裏付けるように、一部の業界予測では、現在のデータベース専門家の41%が今後10年以内に業界を離れる意向を示しており、その半分が退職、もう半分が他業種への転職を希望している。

「エージェントは……人間よりもはるかに迅速かつ生産的にそれらのアラートに対応できる」

AIエージェントがなければ、DBAの仕事は退屈で、労力がかかり、時間がかかるとMerrick氏は主張する。彼の説明によると、データベースは順調に稼働していたかもしれないが、何らかの障害が発生すると、問題が複数のアプリケーションに波及する可能性がある。そのときDBAは監視データをくまなく調べ、問題を観察・診断しなければならず、 essentially「干し草の中の針を探す」作業になる。

「エージェントは」と彼は言う、「人間よりもはるかに迅速かつ生産的にそれらのアラートに対応できる」

より良いインフラと人材の両方：AIプロトタイプの成功率を向上させるには2つが必要

ほぼすべての文脈で、AIは量より質についての疑問を提起するが、エンタープライズAIプロジェクトも例外ではない。エージェント型エンジニアリングにより、開発者はより多くの成果を生み出せるようになったが、それらのプロトタイプが本番環境に直接飛んでいくわけではない。インフラと運用人材の両方の制約が、多くのAIプロトタイプを失敗に導く障害を生み出している。

Merrick氏にとって、プロトタイプから本番への移行を容易にするには、優れたAIツールだけでなく、本番対応のデータインフラと、エージェント型エンジニアリングの急増に対応できるエージェント型運用を組み合わせることが必要だ。

YOUTUBE.COM/THENEWSTACK

テクノロジーは急速に進化する。エピソードを見逃さないために、私たちのYouTube チャンネルを購読して、すべてのポッドキャスト、インタビュー、デモなどをストリーミングしよう。

Group Created with Sketch.