著名な技​​術哲学者であるアンドリュー・フェインバーグ教授は、かつて非常に独創的な概念「技術民主化」を提唱しました。彼は、技術民主化は社会における個人の自由の境界を拡大し、様々な背景や社会階層の「一般人」を含む誰もが、技術設計と意思決定に積極的かつ効果的に参加し、それぞれの利益が確実に満たされるようにするものだと主張しました。つまり、技術設計への幅広い市民参加を可能にし、最終的にはより広範な技術協力を実現するということです。

以前、このアイデアを見た時、実現は難しいか、あるいは遠い未来の話だと考えていました。しかし、ここ半年、AIビッグデータモデルの様々な実世界への応用が次々と現れ、一見「遠い」ように見えても、実はそれほど遠い未来ではないかもしれないと気づき始めました。最近、DingTalkのグループチャットで、写真を撮ったり文章を書いたりするだけで、コードを一切書かずにビジネスアプリケーションが自動生成されるのを目の当たりにしました。自分の考えがいかに浅はかだったかを思い知らされました。テクノロジー民主主義は決して「遠い未来」ではなく、すでに手の届くところにある未来なのです。

大規模な AI モデルが「ローコード」の命を救いました。

ChatGPTは絶頂期にデビューし、AIに対する私たちの理解を絶えず再定義しながら、自己破壊的な進化を遂げてきました。GPT-3.5からGPT-4に至るまで、予想外の機能改善が数多く行われました。GPT-4の公式プロモーションビデオで特に印象的なシーンは、テスターが白紙にウェブサイトのスケッチを描き、それをGPT-4にアップロードすると、なんとGPT-4がそのスケッチからウェブサイトのHTMLコードを生成するというものです。この瞬間、ただの光景に見とれる人もいれば、その根底にあるロジックに気づく人もいるでしょう。見ている人は、図からコードへの魔法のような変化に驚嘆するかもしれません。ロジックに気づいた人は、きっと「これは単なるコードではない。恐ろしいローコードパラダイムから私たちを救う『蘇生の薬』だ」と思うでしょう。

ローコードは、オールコードとは対照的に、グラフィカルなドラッグ＆ドロップとパラメータ化された設定を通じて、最小限のコードでアプリケーションやデジタルツールを開発できることを指します。登場以来、ローコードは開発障壁の低さ、高い効率性、そしてデジタルトランスフォーメーションにおける企業の膨大なソフトウェア開発ニーズへの対応力など、大きなメリットを示してきました。しかしながら、ローコードは一貫して批判に直面しており、「粗悪なコードしか生成しない」「バグ発見が困難」といった批判や、「偽装需要」「業界の癌」といったレッテルを貼られることさえあります。

ChatGPTに代表される大規模AIモデルの登場は、ローコード開発にとってまさに救世主であり、ローコード開発への疑念を払拭する最大の武器となるかもしれません。大規模AIモデルは、画像認識、自然言語処理、音声認識といった分野で既に広く応用されています。よく知られているChatGPTに加え、GoogleのBERTモデルやFacebookのDetectron2モデルも、それぞれ自然言語処理とコンピュータビジョンで大きな成功を収めています。これらのモデルはすべてディープラーニングアルゴリズムに基づいており、膨大なデータの学習を通じてパターンやルールを集約することで、高精度な認識・予測能力を実現しています。これは、技術開発者にとって最も厄介な「ビジネス要件」の問題を完璧に解決します。

AIビッグデータモデルがビジネスニーズを正確に特定できるようになると、ローコードはもはや「質の悪いコード」とその悪影響とは見なされなくなり、むしろ企業がアプリケーションを迅速に構築・展開し、デジタルトランスフォーメーションの効率を向上させる強力なツールとして認識されるようになります。AIビッグデータモデルはプログラムをよりスマートにし、ローコードは開発をアジャイル化する――まさに理想的な組み合わせです。驚くべきことに、AIビッグデータモデルのサポートにより、衰退しつつあったローコードは復活を遂げました。

AI大規模モデル＋ローコード：中小企業のソフトウェアニーズの90%を解決します。

一部の専門家は、AIローコード開発は中小企業のソフトウェア開発ニーズの90％を解決するだけでなく、ウォーターフォール開発やアジャイル開発に続く新しい開発モデルであるとさえ考えられています。

1. さまざまな業界の大規模モデルソフトウェアテンプレートから学び、ビジネスシステム設計の専門家になります。

この時代、ソフトウェアはすべてを定義しています。私たちの生活の大部分は、すでに静かな「情報化」の過程を経ています。ソフトウェアが世界を変えたと言っても過言ではありません。しかしながら、人々の情報化への需要は、規模の大小を問わず、ますます具体的な場面で爆発的に増加し続けています。ソフトウェア開発の「供給」は、人々の増大し続けるデジタルニーズを満たすことができず、これはテクノロジー業界が解決に苦慮する大きな矛盾として残っています。

ローコードがビジネスアプリケーションの迅速なデリバリーと、プラットフォームツールを通じた高抽象度でのソフトウェア開発の加速化への道筋を示したとすれば、大規模AIモデルの出現は、それらの実用化をより強固に保証するものです。大規模なディープラーニングモデルを訓練することで、これらのモデルは様々な業界のソフトウェアテンプレートや業務プロセスを学習し、ビジネスシステム設計の専門家へと成長することができます。

膨大なデータ、コード、ドキュメント、そして様々なビジネスシナリオにおけるベストプラクティスから学習することで、高品質なビジネスシステム設計ソリューションを生成し、企業のデジタルトランスフォーメーションの効率と精度を向上させます。新たなソフトウェア設計要件が発生した場合、この大規模モデルは業界の専門家のように機能し、要件に基づいて高品質な設計ソリューションとコード実装を推奨します。

例えば、病院が包括的な管理システムを開発する必要がある場合、AIモデルは医療情報学分野の数多くの事例を学習し、機能モジュールの分割、プロセス設計、詳細なインターフェースプロトタイプ、そして基盤となるコードフレームワークを含む、包括的で高品質なソリューションを推奨することができます。この高度にインテリジェントなソフトウェア設計により、開発サイクルを大幅に短縮し、コストとリスクを大幅に削減できます。

簡単な例えで言えば、AIローコードはソフトウェア開発において、製造業における自動化された生産ラインに似ています。もはやポイントツーポイントや個別の変更ではなく、システム全体のアップグレードです。技術的なフレームワークを改善するだけでなく、ソフトウェアエンジニアリングに対する新しい考え方も生み出します。

2. クライアントとのチャットによるやり取りを通じて要件ドキュメントを生成します。

ChatGPTを初めて使った時の衝撃と興奮は、今でも多くの人が覚えているでしょう。スムーズでパワフル、そして驚くほどインタラクティブな体験です。簡単な会話から、思いもよらない洞察が得られるのです。実際、その基本的なロジックは理解しやすいものです。チャットボットのインタラクションは、事前に定義されたテンプレートとルールに基づいており、顧客は簡単な対話でニーズを伝えることができます。チャットの内容は大規模なAIモデルに送信され、自然言語処理技術を用いてテキストを分析・モデル化し、顧客のニーズを正確に抽出してテキスト形式に変換します。しかし、私たちが本当に驚かされるのは、それだけではありません。インタラクティブなシナリオとアプリケーションの、限りなく拡張可能な「拡張性」です。

RPA業界のグローバルリーダーであるUipathは、ChatGPTとのユーザーインタラクションを通じて、特定の製品に関するフィードバックにおける顧客感情を分析・評価します。例えば、ChatGPTは顧客から受け取った製品フィードバックと、「このフィードバックの感情を判断し、肯定的、否定的、または中立的のいずれかに分類してください」といったプロンプトを受け取ります。ChatGPTはこれらの文の感情を正確に識別します。このユーザー感情フィードバックは文書化され、製品開発チームに自動的に送信され、製品の設計と開発を強化します。

3. 大規模モデルはドキュメントに基づいており、ソフトウェア開発を完了するためのコードを生成します。

ドキュメント生成と同様に、AI生成コードも大量のプログラムコードによるトレーニングが必要です。これにより、AIはプログラミング技術を学習し、プログラムコードの構文と構造を習得し、準拠したプログラムコードを自動生成できるようになります。このコードは、コード補完、アルゴリズムロジック生成、言語変換、アプリケーション生成においてプログラマーを支援します。このアプローチは、特に反復的で論理的に単純なタスクにおいて、技術者の開発効率を大幅に向上させることができます。

実際には、アリババ、テンセント、マイクロソフト、アマゾンなど、国内外の多くの大企業が既に大規模AIモデルアルゴリズムを活用し、プログラマーの業務を支援しています。IT生産性の急速な発展に伴い、大規模モデルによって生成されたコードが現代のプログラミングにますます深く統合されることは容易に想像できます。

大規模 AI モデル + ローコード: ソフトウェア開発の新しいパラダイム。

GPTはリリース後、ビル・ゲイツ氏から「40年以上で最も革新的な技術進歩」と称賛されました。その後、業界のもう一人の巨人、NVIDIAの創業者であるジェンスン・フアン氏もこの見解に賛同し、「私たちはAIのiPhone時代を迎えている」と述べました。これは誇張でしょうか？おそらくそうではないでしょう。むしろ、AI時代においては、あらゆる産業が大規模モデルによって再発明されるべきであることを示唆する証拠が増えています。少なくともソフトウェア開発においては、これは既に非常に明白です。大規模AIモデルとローコードの「インテリジェントでアジャイル」な組み合わせにより、ソフトウェア開発の新時代がますます明確になりつつあります。

1. ローコード企業にとって最大の悩みは、顧客が要件を知らないことです。

従来のソフトウェア開発では、クライアントがニーズを明確に伝えるのに苦労することが多く、コミュニケーションコストが極めて高くなり、効果が低下します。ローコード企業は、このジレンマにさらに直面しています。当初の目標はより短い時間でより多くの価値を生み出すことですが、現実はしばしばその目標に達しず、ユーザー（特にテクノロジーに全く精通していない人々）から「ゴミ」や「役に立たない」と批判されます。こうした不満や批判の背後にある問題は、ローコード自体ではなく、ユーザーの真のニーズにあります。以前は、要件の矛盾に直面したローコードチームは、通常、全く情報のないユーザーと協力して、以下の2つの方法でこれらの問題に対処していました。

1) 研修を実施する

ヘルプドキュメント、ビデオチュートリアルなどを通じて、ツールのロジック、解決可能な問題、一般的な方法についてユーザーにトレーニングを提供します。これにより、ユーザーはツールの使用時や問題発生時に、より適切に問題を解決できるようになります。

2) テンプレートを提供する

誰かにPPTスキルを短期間で向上させる方法を教えるのと同じように、テンプレートを提供して参照・修正できるようにするのが最善の方法です。多くのローコードプラットフォームも同様に、様々な分野でよく使われる機能をテンプレートやモジュール化することで、ユーザーがより便利に使用したり編集したりできるようにしています。

正直なところ、これらの問題解決アプローチはどちらも直接的でシンプルに見えますが、実際にはユーザーの自発性、受容性、そして忍耐力を試すものなのです。ユーザーは当初、便利で使いやすいツールを求めていましたが、実際にはプロセスがそれほど「ユーザーフレンドリー」ではないことに気づき、時間と学習コストが増加し、結果としてユーザーエクスペリエンスに様々な影響を与えます。これが、ローコードが常に議論の的となっている主な理由の一つです。

2. 大規模 AI モデルの時代では、チャット生成のニーズとインターフェース設計によってソフトウェアを生成できます。

AI時代において、あらゆるものをより「フールプルーフ」にすることが徐々に現実のものとなりつつあります。大規模AIモデルがフルパワーで稼働し、自然言語処理技術と画像処理技術の急速な発展により、チャットやインターフェース設計ができる人なら誰でも要件定義やソフトウェア開発を行えるという潮流が生まれています。この潮流の根底にある考え方は、大規模AIモデルとのインタラクションを通じて、機械が要件分析とソフトウェア開発プロセスを自動化できるようにすることです。つまり、大規模AIモデルは以下の2つのステップを黙って完了させるのです。

ステップ1: 要件分析

AIを活用した大規模モデルは、顧客の自然言語入力を分析し、要件定義書を自動生成することができます。このアプローチにより、要件定義書の作成時間と作業量を大幅に削減し、精度と可読性を向上させることができます。この機能は、GPT-3.5の段階で既に十分に実証されています。

ステップ2：ソフトウェア開発

ユーザーはインターフェースのプロトタイプやモックアップを手描きすることができ、AIモデルはこれらの図面に基づいてフロントエンドインターフェースコード、バックエンドロジックコード、データベース設計を自動生成し、すぐに使えるソフトウェアシステムを構築します。このプロセス全体を通して、ユーザーに開発スキルは必要なく、AIモデルの自動生成機能に完全に依存しています。さらに、この方法により、ユーザーは具体的な技術的実装を気にすることなく、実際のニーズとインターフェース設計の整合性を確保することに集中できます。GPT-4のプロモーションビデオでスケッチが瞬時にHTMLコードに変換される様子や、K-Ge氏が体験したDingTalkの「写真からアプリ」機能など、これらはすべて、AI時代においてあらゆるものがユーザーフレンドリーな方法で生成できることを直接示す例です。

3. モデルを継続的に最適化して、ユーザーをより深く理解するソフトウェアを生成します。

開発段階において、大規模なAIモデルは継続的に学習・最適化することで、生成されたソフトウェアをユーザーのニーズにより適合させ、顧客満足度を向上させることができます。例えば、今年3月、アリババは「通义千问」ソフトウェアに「チャット履歴の要約がスクロールすることなく自動的に生成される」という画期的な機能をリリースしました。

ご存知の通り、現代の働く人の多くは複数のタスクをこなしており、ほとんどの人がスマートフォンに数個、時には数十個のグループチャットを登録しています。未読メッセージが山ほど溜まり、忙しい時には追いつくのが困難です。時には、時間をかけてメッセージをスクロールしても、グループチャットには価値のない情報が溢れていることに気づくこともあります。しかし、この新しいDingTalk機能は、過去のメッセージに基づいてユーザーのチャット概要を自動的に生成します。これにより、ユーザーはメッセージをスクロールするという時間と労力を費やすことなく、情報を追跡できるようになります。

この一見取るに足らない機能は、ユーザーの様々な明示的および暗黙的なニーズに基づいて、ユーザーをより深く理解するソフトウェアを継続的に最適化・生成するAIの能力を完璧に反映しています。3月にリリースされたMicrosoftのMicrosoft 365 Copilotは、Word、Excel、PowerPoint、Outlookの想像をはるかに超える機能を示しましたが、これも同じ考えを表しています。さらに、近い将来、これらのツールはさらに最適化・アップグレードされ、ユーザー自身よりも深くニーズを理解していることが明らかになり、驚かれるかもしれません。

4. 生成されたコードはテストを必要としません。

AIを活用した大規模モデルは、高い効率性だけでなく、安定性も備えており、優れた品質保証を提供します。まず、多数の開発事例を学習・模倣することでコード生成能力を高め、業界標準に準拠した堅牢で高性能なコードを生成します。次に、要件定義書や設計スキームに基づいてコードを自動生成することで、AIを活用した大規模モデルは、人手による開発における見落としやミスによって発生する様々なバグを回避できます。

実は、「AI Large Model（AI大規模モデル）」という名称にヒントがあります。正式名称は「Artificial Intelligence Pre-trained Large Model（人工知能事前学習済み大規模モデル）」で、「事前学習済み」と「大規模モデル」の両方の意味を含んでいます。つまり、このモデルは既に大規模なデータセットで事前学習済みです。そのため、十分な安定性と精度を備え、微調整を必要とせず、あるいは少量のデータで調整できるため、様々なアプリケーションに十分対応できます。これは当然のことです。

ローコード AI モデルがなければ未来はありません。

AI大規模モデルの登場により、技術的障壁は大幅に低下、あるいは完全に破壊されました。ソフトウェア開発と最適化は、チャットや描画だけで簡単に行えるため、ユーザーがローコードを利用する際の全体的なコストは大幅に削減されました。これにより、かつては不確実で苦戦を強いられていたローコードが、再び脚光を浴びるようになりました。

ガートナーは、2025年までに企業のデジタルアプリケーションの70%がローコードで構築されると予測しており、一部の専門家はローコードを「企業のデジタル化の中核エンジン」とさえ考えています。しかし、AI+ローコード、AIGC+ローコードの現在の人気は、「+」の前に「AI」が付いていることにかかっていることは、洞察力のある人なら誰でも明らかです。言い換えれば、ローコードの普及はAIの爆発的な成長と切り離せないものです。大規模なAIモデルがなければ、ローコードの将来性は薄く、周辺的なイノベーションやロングテールアプリケーションの構築にしか適さないもの、あるいは単なる「おもちゃ」と見なされる運命にあるかもしれません。

1. ローコードプラットフォームの核心的な価値は、非技術者でも容易にソフトウェア開発を可能にすることにあります。しかし、開発成果物の品質を保証することは難しく、多くの企業のデジタル化ニーズを満たすことができません。AI大規模モデルは高品質なコードとシステムを生成できるため、この問題を解決します。

2. ローコードプラットフォームは参入障壁が低いものの、ユーザーがニーズを表現するのは非常に困難であり、ユーザーエクスペリエンスと開発効率に影響を与えています。大規模なAIモデルは、自然言語理解とインタラクションを通じてユーザーニーズを包括的に捉え、ローコード開発のためのよりユーザーフレンドリーなインターフェースを提供します。

3. ローコードプラットフォームの普及率を高めるには、膨大な数のテンプレート、コンポーネント、フレームワークの蓄積と最適化が必要です。これには多大な人的資源と時間の投資が必要であり、進捗を保証することは困難です。しかし、AIを活用した大規模モデルは、高品質な設計テンプレートを迅速に学習・推奨できるため、ローコード開発能力の向上を加速させます。

4. ローコード開発では、高度に複雑な業務システムの要件を満たせない機能や品質がしばしば生じます。これは、より広範な顧客基盤への展開を阻害します。しかし、AIを活用した大規模モデルは、ローコードプラットフォーム向けに、より強力で包括的かつ洗練されたソフトウェアシステムを生成することができ、この状況を変えます。

5. ローコードプラットフォームの更新とアップグレードの速度は、ユーザーエクスペリエンスの継続的な改善と変化に追いつくのに苦労しています。一方、AIを活用した大規模モデルは、ユーザーからのフィードバックに基づいてローコードテンプレートと生成された結果を自動的に最適化できるため、ローコードソフトウェアの学習と反復処理能力が向上します。

DingTalkのオープンプラットフォーム責任者であるバブ氏はかつて、「複雑なソフトウェアシステムを解体し、データ権利をすべての個人に拡張し、従業員一人ひとりの創造性と効果的な組織ガバナンスを組み合わせる」と述べました。彼の主張は、本稿冒頭で述べた「テクノロジーの民主化」理論とある程度共鳴しています。どちらも、現在のような大規模AIモデルとローコードの組み合わせが単なるトレンドではなく、繊細でありながら包括的な革命であることを示唆しています。私たちはこの時代に生きていることを幸運に思います。この時代を共に受け入れ、応援しましょう！