はじめに 「AIを使えば業務が爆速になる」 巷に溢れるこの言葉に、違和感を覚えたことはないでしょうか。

Microsoft AI Tour Tokyo参加レポート 3月24日に東京ビッグサイトで開催されたMicrosoft AI Tour Tokyoに参加してきました！ 本記事は、本イベントの参加レポートになります。 Connect with Community 午前中は、Microsoft MVPとしてConnect with Communityのブースに立ち、コミュニティに関する説明をしていました。 朝7時半オープンにもかかわらず、朝から多くの方が参加されていて、イベントの盛り上がりを感じました。 会場ではおにぎりやコーヒーなども配布されており、朝からエネルギーをチャージできる体制も整っていました。 ただ、基調講演の時間と重なっていたことや、ビジネス寄りの目的で来場している方が多かったこともあり、残念ながらコミュニティーブースに足を止めてもらえる場面はそれほど多くありませんでした。 が、それでも何人かの方には立ち止まっていただき、さまざまなコミュニティを紹介することができました。 また、ブースには世界のコミュニティマップを示すモニターも展示されていました。 ただ、少し残念だったのは、日本のコミュニティの掲載が少なかったことです。 この点についてはMicrosoftの社員の方にもフィードバックを行ったので、来年は日本のコミュニティがもっと多く掲載されることを期待しています。 Connection Hub 午後からは参加者として、いろいろなブースを回ってきました。 Connection Hubでは、さまざまなMicrosoftのサービスごとにブースが立っており、Microsoftの社員の方や、Microsoft MVPのスペシャリストの方から直接話を聞くことができました。 自分が聞きたいことをその場で社員の方に直接聞ける機会はあまりないので、非常によかったです。 そのこともあって各ブースは大盛況で、質問するにも順番待ちになっていました。 あまり時間がなかったこともあり、すべてを回ることはできませんでしたが、特に気になっていた「Purview」と「Foundry IQ」について話を聞いてきました。 Purview Purviewについては、名前を聞いたことがある程度で、概要すら把握できていなかったので、いろいろ質問してきました。 Purviewは外部からの攻撃を防ぐための製品というより、情報保護やコンプライアンス、内部リスクへの対策を担う製品ということでした。 このPurviewの柱としては、主に次の3つがあるとのことでした。 DLP（データ損失防止） 秘密度ラベル インサイダー リスク マネジメント DLP DLPは、個人情報や機密情報の持ち出し行動を検出・制御するための仕組みです。 ユーザーが機密性の高いアイテムに対して行う操作を監視し、あらかじめ定めたポリシー条件を満たした場合に保護措置が適用されます。 例えば、次のようなポリシーを定めておくことで、情報漏えいにつながる行為を防止できます。 USBへのダウンロードを禁止する コピーを禁止する また、AI時代に合わせて、これを拡張したDLP for Microsoft 365 Copilotのような考え方も出てきており、実際のユーザー操作だけでなく、 ユーザーがM365 Copilotなどを経由してファイル操作を行う場合にもDLPの考え方を適用できるとのことでした。 たしかに、M365 Copilotのようなアプリケーションがエージェントライクに動くのであれば、そうしたデータアクセスも厳格に管理する必要があります。 秘密度ラベル 秘密度ラベルは、「誰がその情報を見られるか」を制御するための仕組みです。 ファイルを作成するタイミングなどで作成者がラベルを付与することで、必要な人だけが見られる状態を作れます。 これにより、社内での閲覧権限を適切に管理できますし、誤って社外にデータを送ってしまった場合でも、権限が不足していれば閲覧できないため、情報漏えいの防止にもつながります。 このラベルは、メール、会議出席依頼、ドキュメントなど、さまざまなコンテンツに適用できるとのことでした。 インサイダー リスク マネジメント インサイダー リスク マネジメントは、たとえば退職予定者がデータを持ち出そうとしているようなケースで、情報漏えいのリスクが高まる行動を監視するための仕組みです。 もちろん、明確な持ち出し意図がある場合だけでなく、意図せずリスクのある行動を取ってしまうケースにも対応できるとのことでした。 Foundry IQ こちらは有益な情報を多く得られたので、別記事であらためてまとめたいと思います。 公開されている情報だけではつかみにくかった実装寄りの話も、直接Microsoftの社員の方から聞くことができ、とても参考になりました。 ワークショップ 会場では非常に多くのワークショップが開催されていました。 今回、私が参加したのは以下の2つです。 GitHub Copilot Agent Mode による実践的なコード移行 AI Toolkit と Model Context Protocol (MCP) を使ったエージェント開発プロトタイピング GitHub Copilot Agent Mode による実践的なコード移行のセッションでは、GitHub Copilotを使って、Pythonで書かれたソースコードをC#に変換する体験を行いました。 とはいえ、主眼はコード変換ではなく、GitHub Copilotをどう使いこなしていくかという点に置かれていました。 講師の寺田さんの実体験を交えたCopilot活用術を聞けたのは、非常に魅力的でした。 寺田さんが何度も繰り返していた「AIの最初の回答は信じないこと。再度聞き直すこと」という話は、自分でCopilotを使っていても確かにそうだよなと思う部分がありました。 また、作業レポートをmdなどで書き出しておくのは非常に有用なTipsだと感じました。 チャット履歴だけを追うのは大変ですし、次回のチャットのコンテキストとしても活用できるので、ぜひ取り入れていきたいです。 2つ目のセッションでは、AI Toolkitを活用した開発を体験しました。 恥ずかしながらAI Toolkitの存在を知らず、このセッションで初めて知りました。 これまではMicrosoft Foundry上でモデルのデプロイなどを都度実施していましたが、VS Code上でこうした作業が行えるようになると、開発体験はかなり良くなると感じました。 今後の開発では積極的に使っていきたいと思います。 ただ、2つともワークショップの内容自体は非常に良かった一方で、作業環境が重かったのか、Wi-Fiが貧弱だったのか、1つの作業に1分前後かかることもしばしばあり、最後まで進めるのが難しかったです。 来年はこのあたりが改善されていることに期待したいです。 まとめ Microsoft AI Tour Tokyoに参加してきました。 午前中は、Microsoft MVPとしての初仕事としてCommunityブースでいろいろお話しさせていただきました。 ブースに遊びに来ていただいた方、ありがとうございました。 午後は参加者として、さまざまなブースやワークショップに参加しました。 Microsoftの方に直接質問できたのは、非常に良い機会でした。 参加者も非常に多く、会場の盛り上がりからもAIに対する注目度の高さを感じるイベントでした。 基調講演は YouTube でも見られるので、ぜひご覧ください！  ではまた！ ご覧いただきありがとうございます！ この投稿はお役に立ちましたか？ 役に立った 役に立たなかった 0人がこの投稿は役に立ったと言っています。 The post Microsoft AI Tour Tokyo 2026参加レポート first appeared on SIOS Tech Lab .

こんにちは。 ファインディ株式会社でFindy AI+の開発をしているdanです。 Findy AI+ は、AIツールを導入したけれど、実際にどれくらい効果があるのかという問いに対して定量的に答えるための分析ワークフローを新たにリリースしました。 今回は、これらのワークフローを使って実際にどのような示唆を得られるのかについて実践形式で紹介します。AIツールを導入したものの効果が見えづらいと感じているEMやPdM、チームの活用状況を把握したいエンジニアの方に向けて、MCPサーバーとGitHub Actionsそれぞれでの実行手順と、分析結果からチームの改善ポイントを見つけるまでの流れを紹介します。 Findy AI+とは 開発チームで分析してみた AI環境整備コミット履歴分析（MCPサーバー経由） AIと人のPR作成量比率分析（GitHub Actions経由） Findy AI+の分析ワークフローについて 分析ワークフローでできること GitHub Actionsで分析を自動化 おわりに Findy AI+とは Findy AI+ は、GitHub連携やプロンプト指示を通じて生成AIアクティビティを可視化し、生成AIの利活用向上を支援するサービスです。 人と生成AIの協働を後押しし、開発組織の変革をサポートします。 Claude Code、GitHub Copilot、Codex、Devinなど様々なAIツールの利活用を横断的に分析しています。 今回リリースされた分析ワークフローはMCPサーバー・GitHub Actionsの両方に対応しており、定期的に開発組織の状態について改善サイクルを回せる仕組みをサポートしています。 開発チームで分析してみた ファインディのある開発チームで分析してみました。 分析ワークフローは7種類ありますが、今回はそのうち2つをMCPサーバー経由、GitHub Actions経由の両方で実行しています。 AI環境整備コミット履歴分析（MCPサーバー経由） AI設定ファイルへの貢献者を分析することができます。コミッター統計、PR作成者統計、ファイル別の分析結果が表示されるため、有識者の把握やナレッジ共有のきっかけにすることができます。 MCPサーバー経由の分析は、VS Codeを使用していればChatからスラッシュコマンドを実行するだけで始められます。 コマンドを実行すると、対話形式でリポジトリ名・開始日・終了日の3つのパラメータを順番に入力していきます。 次のようなプロンプトで分析を依頼できます。 以下の条件でAI設定ファイルへの貢献を分析してください： 【分析対象】 - リポジトリ: Repository-A - 期間: 2025-10-01から2026-02-28 【分析観点】 - AIツールの設定に最も貢献しているメンバーの特定 - 設定ファイルごとのメンテナンス状況 - 貢献パターンや傾向の洞察 パラメータの入力が完了すると、MCPサーバーへのツール実行許可を求められます。内容を確認して許可すると、分析が開始されます。 MCPサーバーのツール実行結果です。 Ran AI Configuration File Contributions Input { "repository": "Repository-A", "date_from": "2025-10-01", "date_to": "2026-02-28" } Output # AI環境整備コミット履歴分析レポート **リポジトリ**: Org/Repository-A **分析期間**: 2025-10-01 〜 2026-02-28 **分析実行日**: 2026年03月26日 ## 🎯 論点別サマリ ### 論点1: 誰がAI活用環境整備に貢献しているか？上位は誰か？ **回答**: user1が圧倒的な貢献者で全体の73.5%を占める。次いでuser2が20.6%、user3とuser4が少数貢献。 **インサイト**: user1が中心的役割を担い、特に2025年12月に集中的なリファクタリングと拡充を実施。user2は初期構築とCI整備に貢献。 ### 論点2: 最後に最新化されたのはいつか？更新が古すぎないか？ **回答**: 最終更新は2026-01-21で約2ヶ月前。月平均7.0コミットで継続的に更新されているが、直近2ヶ月は停滞気味。 **インサイト**: 2025年12月に大規模な整備が完了後、更新が減少。定期的なメンテナンスサイクルの確立が望ましい。 ## 1. 貢献パターン分析 **インサイト**: user1は.claude/context/配下の構造化に注力（11コミット）し、アーキテクチャ設計を主導。user2はCI/CDとエージェント初期設定に特化。役割分担が明確。 --- 📊 貢献者別コミット割合 user1 ███████████████░░░░░ 73.5% (25件) user2 ████░░░░░░░░░░░░░░░░ 20.6% (7件) user3 █░░░░░░░░░░░░░░░░░░░ 5.9% (2件) user4 █░░░░░░░░░░░░░░░░░░░ 2.9% (1件) 分析が完了すると、次のようなレポートが出力されます。トップコントリビューターの一覧、設定ファイル別のメンテナンス状況、月別コミット推移などが可視化されており、誰がいつどのファイルを整備したのかが一目で分かります。 一部出力内容ですが、出力データをもとに、メンテナンス状況と貢献パターンのサマリーも整理されます。 ## AI設定ファイル貢献分析レポート **リポジトリ**: Org/Repository-A | **期間**: 2025-10-01 〜 2026-02-28 ### 1. 設定ファイルごとのメンテナンス状況 | ファイル/ディレクトリ | 最終更新 | 主要メンテナー | 状態 | |----------------------|---------|---------------|------| | CLAUDE.md | 2025-12-10 | user1 | 約3.5ヶ月未更新 | | settings.json | 2026-01-14 | user1 | 約2ヶ月未更新 | | .claude/context/ | 2025-12-09 | user1 | 約3.5ヶ月未更新 | | .claude/agents/ | 2025-12-16 | user1, user2, user3 | 約3ヶ月未更新 | ### 2. 貢献パターンと傾向 **時系列の傾向**: - **2025年10月**: user2による初期構築フェーズ（Claude Codeエージェント設定、PR作成エージェント） - **2025年11月**: user1がCI/CD軽量化から参入 - **2025年12月**: **最も活発な月（23コミット）** — user1による`.claude/context/`への大規模分割、Copilot設定統合、@記法導入。user2によるセキュリティ関連整備も同時進行 - **2026年1月**: 2件のみ。整備完了後の安定期に入った可能性 - **2026年2月**: コミットなし **役割分担**: - **user1**: アーキテクチャ設計・構造化のリード（context分割、設定統合） - **user2**: 初期設計とCI/CDセキュリティ強化 - **user3 / user4**: セットアップガイドやドキュメント補完のスポット貢献 **推奨アクション**: - 主要設定ファイル（CLAUDE.md、copilot-instructions.md）が3ヶ月以上未更新のため、プロジェクトの現状と乖離がないか定期的なレビューサイクルの確立が望ましい - 貢献者がuser1に集中しているため、バス係数（Bus Factor）の観点からナレッジ共有の促進も検討すべき AIと人のPR作成量比率分析（GitHub Actions経由） AIに任せられる可能性がある業務領域を特定し、最適な分担を提案することができます。メンバー別AI活用率やPR作成量の偏在度を確認できるので、新機能開発と運用開発の分担を考え直すきっかけ作りにつながります。 GitHub Actionsでの分析は、リポジトリのActionsタブから手動実行できます。対象リポジトリ名と分析期間を入力して「Run workflow」を押すだけです。 分析が完了すると、結果のサマリーがSlackに自動通知されます。チームメンバー全員がすぐに結果を確認でき、定期実行と組み合わせることで月次の振り返りにも活用できます。 結果はGitHub Issueとしても自動作成されているので、Slack通知内のリンクから遷移できます。構造化されたレポートが作成され、チーム内での共有や議論をする親Issueとしても活用できます。 詳しいセットアップ方法は GitHub Actionsでの分析セットアップガイド をご覧ください。 Findy AI+の分析ワークフローについて ここまで紹介してきた分析は、Findy AI+が新たに提供を開始した分析ワークフローを使って実行したものです。ここからは、ワークフローの全体像と活用方法を紹介します。 分析ワークフローでできること 今回のリリースでは、次の7種類の分析ワークフローを提供しています。 ワークフロー できること Agent Environment Analysis AI向け指示ファイル・フォルダをスコア化し、自走環境の整備度合いを診断 PR Reviews Analysis コード変更者・開発環境の伸びしろを特定し、改善施策を提案 PR Productivity Analysis AI活用によるアウトプット量の変化や機能開発への影響を分析 AI-Human Collaboration Analysis AIに任せられる業務領域を特定し、最適な分担を提案 Multi AI Cost Comparison 複数AIツールのROIを人件費対比で算出 PR Type Summary PRの作業種別ごとにサマリーを生成 Findy AI+ PR Review PRオープン時にAIレビューを自動実行し、結果をコメント投稿 これらはMCPサーバー・GitHub Actionsの両方からご利用いただけます。 GitHub Actionsで分析を自動化 GitHub Actionsを使えば、上記の分析をリポジトリから定期実行できます。デフォルトでは毎月1日にスケジュール実行される設定になっており、頻度はカスタマイズ可能です。GitHub Web UIやCLIからの手動実行にも対応しています。 分析結果はSlackチャンネルに自動通知されるため、チーム全体で定期的に確認し改善サイクルを回す運用が実現できます。チーム単位での分析にも対応しているので、組織全体だけでなくチームごとの傾向把握も可能です。 気になるポイントをさっと確認したいときはMCPサーバー、じっくり深堀りしたいときはGitHub Actionsという使い分けがおすすめです。 おわりに 今回は、Findy AI+の分析ワークフローを使って、ある開発チームのAI活用状況を約1年にわたって追いかけてみました。 AI環境整備コミット履歴分析では、誰がAI設定を整備しているのか、どのファイルがどの時期に集中的に更新されたのかが見えてきました。AIと人のPR作成量比率分析では、AI活用率の推移やメンバー間の活用度の差が可視化されました。こうした数字があることで、「なんとなくAIを使っている」という感覚ではなく、具体的にどこに課題があり、何を改善すべきかを議論できるようになります。 AIツールを導入したものの効果が見えづらいと感じている方は、まず自分たちのチームの現状を可視化するところから始めてみてください。データがあれば、次の一手が見えてきます。 ファインディでは一緒に会社を盛り上げてくれるメンバーを募集中です。興味を持っていただいた方はこちらのページからご応募お願いします。 herp.careers