AI プロジェクトにおける BA Planning は、従来プロジェクトと本質的に異なります。核となる違いは 要件は静的だが、AI 出力は確率的 である点です。つまり、計画には直線的なマイルストーンだけでなく、検証ループが必要です。
1. AIプロジェクト向け BA Planning フレームワーク
1.1 AI 境界を明確にしたスコープ定義
計画前に BA が明確化すべき項目:
| 要素 | 主要な問い | 例 |
|---|---|---|
| AI Scope | フローのどこを AI が処理するか | "AI がチケットの 70% を自動分類" |
| Human Scope | 人がレビューするケースは何か | "confidence < 0.8 のチケットはエスカレーション" |
| Data Dependency | AI が正しく動くために必要なデータは何か | "ラベル済みチケット履歴 6 か月分" |
| Acceptance Threshold | どの条件で AI 機能を "done" とみなすか | "テストセットで Accuracy >= 85%" |
1.2 AI 機能向け WBS
AI 機能の Work Breakdown Structure は 5 つの作業群で構成します:
AI Feature: [機能名]
├── 1. Data & Requirements
│ ├── 1.1 Data audit (schema, volume, quality)
│ ├── 1.2 ステークホルダーへの Elicitation
│ └── 1.3 Acceptance criteria 作成
├── 2. Design & Modeling
│ ├── 2.1 Flow diagram (happy + fallback path)
│ ├── 2.2 Prompt/model design review
│ └── 2.3 HITL escalation design
├── 3. Development Checkpoint
│ ├── 3.1 Prototype review (BA + Dev)
│ └── 3.2 Edge case identification
├── 4. Testing & Validation
│ ├── 4.1 UAT script writing
│ ├── 4.2 Bias & fairness check
│ └── 4.3 Performance baseline
└── 5. Go-live & Monitoring
├── 5.1 Go-live criteria sign-off
└── 5.2 Post-launch tracking setup
2. Waterfall ではなく反復チェックポイント
AI プロジェクトは通常 Agile/Sprint で進みます。BA はスプリント内にチェックポイントを埋め込む必要があります。
Sprint Planning Checklist（BA 視点）
- このスプリントでデータは本当に準備済みか（「準備予定」ではない）
- Acceptance criteria は Given/When/Then 形式か
- Fallback path を Dev とレビューしたか
- 前スプリントから閾値に変更はあるか
Mid-Sprint Check（5-7日目）
- AI 出力は期待閾値を満たしているか
- 新しい edge case は出現しているか
- ADR（Architecture Decision Record）に更新すべき仮説は何か
3. BA Monitoring：本番後の追跡
多くの BA は go-live で仕事が終わると考えますが、それは誤りです。AI 機能では monitoring framework が必要です。
3.1 追跡すべきメトリクス
| メトリクス種別 | 具体指標 | 警告閾値 |
|---|---|---|
| Quality | Accuracy / F1 / Precision | ベースライン比で 5% 超低下 |
| Business | Human override 率 | 初週比で 20% 超増加 |
| Volume | 1日あたりリクエスト数 | 3 倍超の急増 |
| Feedback | ユーザー苦情率 | 全リクエストの 2% 超 |
3.2 ドリフト検知
AI モデルは concept drift が起こり得ます。現実が変わっているのに、モデルは古いデータ前提で動き続ける状態です。BA は次を実施します:
- go-live 前最終スプリントで baseline を定義
- 再評価トリガーを設定（毎月、または指標低下時）
- 責任者を明確化（RACI）
4. 実務向け BA Planning テンプレート
## BA Plan: [機能名]
**Version:** 1.0 | **Date:** YYYY-MM-DD | **Owner:** [BA 名]
### Scope Summary
- AI handles: [短い説明]
- Human handles: [短い説明]
- Out of scope: [明確に列挙]
### Data Dependencies
| Data | Source | Owner | Status |
|------|--------|-------|--------|
| [data1] | [system] | [team] | ✅/❌ |
### Acceptance Criteria (top-level)
- [ ] AI accuracy >= [X]% on [Y] test cases
- [ ] Edge case coverage: [一覧] handled
- [ ] Human override rate <= [Z]%
### Monitoring Setup
- Dashboard: [link]
- Alert owner: [name]
- Review cadence: [weekly/monthly]
5. AI向け BA Planning のよくある失敗
失敗 1：「Accuracy」と言うだけで、どのデータ集合か定義しない
-> 修正: 「[ソース] の [期間] テストセットでの accuracy」と明記
失敗 2：仮説を追跡しない
-> 修正: 各仮説に ID・Owner・Review 日を付与
失敗 3：AI 機能を通常機能と同じに扱う（done で終了）
-> 修正: Definition of Done に「Post-launch monitoring period: 4 weeks」を追加
まとめ
AI 機能に対する BA Planning は、複雑さが増えるというより 二値思考ではなく確率思考 が必要になります。良い計画とは、仮説検証ループがあり、数値閾値が明確で、go-live 後 monitoring が設計されている計画です。
次のステップ: Strategy Analysis を読み、計画前のコンテキスト分析を学びましょう。