弱いAI BAポートフォリオ：「ChatGPTとJiraを使いました」。強いAI BAポートフォリオ：「3ラウンドの評価を経てエスカレーション閾値を再設計することで、人間レビュー率を45%から18%に削減しました — データとアーティファクトはこちらです。」
違いは具体性とビジネスインパクトです。
1. AI BAポートフォリオに何が必要か？
1.1 レベル別アーティファクト（ティアシステム）
ティア1 — 必須（エントリーレベル）：
- AIフィーチャーの完全なケーススタディ1件（3〜5ページ）
- AIフィーチャー用のACを含むサンプルユーザーストーリー
- サンプルプロンプトデザインドキュメント
- サンプル評価基準/テストセットの説明
ティア2 — 強いポートフォリオ（ミドルレベル）：
- HITLデザインアーティファクト（フロー図＋閾値の根拠）
- 5つ以上のAIリスクが記録されたリスク登録簿
- ビフォー/アフター：従来のプロセス vs AIを組み込んだプロセス
- 指標の説明付きダッシュボードスクリーンショット
ティア3 — シニアレベル：
- AIインシデントの事後分析（サニタイズ済み）
- データガバナンスポリシーへの貢献
- AIロードマップドキュメント（BAの貢献部分）
- 測定可能な成果：方法論を伴うX%の改善
2. AIプロジェクトのケーススタディテンプレート
# ケーススタディ：[フィーチャー/プロジェクト名]
## コンテキスト
**組織：** [業界 — NDAの場合は会社名不要]
**タイムライン：** [MM/YYYY — MM/YYYY]
**チーム規模：** [N名]、BAの役割：[簡潔な説明]
## 問題
[解決すべきビジネス上の問題を1〜2文で説明]
[なぜここでAIが適切なソリューションだったのか？]
## BAが直面した課題
1. [課題1] → [解決方法]
2. [課題2] → [解決方法]
3. [課題3] → [解決方法]
## BAのアプローチ
**要件：** [抽出方法 — ワークショップ、ユーザーインタビュー、データ分析？]
**設計上の決定：** [閾値、フォールバック、HITL — 誰がどのように決定したか？]
**作成したアーティファクト：** [リスト：BRD、フロー図、テストケース、...]
**ステークホルダー管理：** [誰がチャンピオン、誰がブロッカー、どのように対処したか？]
## 結果（測定可能）
| 指標 | 前 | 後 | 方法 |
|--------|--------|-------|--------|
| [ビジネス指標] | [X] | [Y] | [測定方法] |
| テストセットでのAI精度 | N/A | [Z]% | [テスト方法論] |
| 人間レビュー率 | 100% | [N]% | [期間] |
## 教訓
- [教訓1]
- [教訓2]
## アーティファクトリンク（共有可能な場合）
- [BRD/フロー図のサニタイズ版]
3. AI BAのLinkedInストーリーテリング
プロフィールの見出し（職位だけではなく）
❌「[会社]のビジネスアナリスト」
✅「AI Business Analyst | LLMフィーチャー要件とHITL設計を専門とする」
✅「シニアBA | AI製品要件 | 元[業界]」
概要セクション — ストーリー構成
[フック — あなたが解決する問題]
「AIフィーチャーが明確な要件なしにゴーライブすると、
チームは正しい問題に対して間違ったものを構築してしまう…」
[あなたの価値提案]
「私はプロダクトチームが漠然としたAIのアイデアを、
構築・テスト可能な要件に変換するお手伝いをします。」
[証拠]
「3つのAIフィーチャーをリリース：[ドメイン名]、[期間]でベースラインから
本番品質の精度へ。」
[コール・トゥ・アクション]
「応募歓迎：AI PM、シニアBA、製品戦略ロール。」
投稿戦略
- 週次： プロジェクトからサニタイズされた洞察を共有 — 200〜300ワード
- 隔週： BAの視点でAI製品ニュースにコメント
- 月次： 長形式のケーススタディまたは教訓
- 避けるべき： ツールリスト投稿（コンテキストなしの「ChatGPTを使いました」）
4. CV：AI BAセクションの構成
職歴
─────────────────────────────────────
ビジネスアナリスト — [会社]、[業界]
[開始] — [終了]
AIフィーチャー作業：
• [N]名のユーザーに対応する[AIフィーチャー]の要件をリード；
手動レビュー率を45%から18%に削減
• 3段階の閾値システムでHITLエスカレーションフレームワークを設計；
ステークホルダーの承認をスプリント5で取得（通常のスプリント8より速い）
• 500件のラベル付きケースの評価テストセットを構築；
モデルが2回の反復でゴーライブ基準を通過（平均4回に対して）
ツール：Jira、Confluence、Figma、Looker Studio、Postman（API検証用）
AI/MLコンテキスト：LLM API統合（OpenAI）、RAGパイプライン、
分類モデルの評価
5. 今日からポートフォリオを構築するための実践的な活動
AIプロジェクトの実務経験がまだない場合：
| 活動 | 時間 | ポートフォリオの価値 |
|---|---|---|
| 既存のフィーチャーを「AIで」再設計する（仮想） | 週末1日 | ケーススタディの草案 |
| BA/PMの役割でAIハッカソンに参加する | 1〜2日 | 実際の経験 |
| オープンソースAIツールへの要件貢献 | 継続的に | GitHubリンク |
| 日常的に使うAIプロダクトの解説を書く | 2〜3時間 | LinkedIn投稿 → ケーススタディ |
まとめ
AI BAのポートフォリオは使えるツールではなく、問題解決のストーリーと測定可能な成果についてのものです。各ケーススタディは証明するチャンスです：AIを十分に理解して正しいことを要求でき、ビジネスを十分に理解して正しいことを測定できる。
一つの小さなプロジェクトから始め、徹底的に文書化し、共有してください。継続性は完璧さに勝ります。