プラットフォーム開発をプロジェクトからプロダクトへ転換する——その本質と現場への含意
KubeCon & CloudNativeCon Europe での発表が示した「プロジェクト型からプロダクト型へのプラットフォーム移行」は、多くの開発組織が直面しているが言語化できていない問題を丁寧に切り取っている。
出典: Shifting Platform Development from Projects to Products
要点 (事実のみ)
- Eugenia Bergman と Hagen Tonnies が KubeCon & CloudNativeCon Europe で発表。プラットフォームが単一チームの利用規模を超えたことを契機に、プロジェクト型からプロダクト型思考へ移行した経緯を共有した。
- 旧来のプロジェクト型では「バックログが積み上がり続ける」「チームがプラットフォームを迂回して使う」「何が実際に使われているかわからない」という問題が顕在化した。
- 転換の方向性は「フィーチャー提供 → ユーザー課題解決」「固定スコープ → 仮説駆動ロードマップ」「アウトプット指標 → 採用率・使用性シグナル」の3軸。
- 技術的には Kubernetes / GitOps を基盤とし、Helm・GitLab・内部 IDP モデルから、API 駆動の自己サービス型マルチテナントアーキテクチャへ段階的に進化。
- 参照文献として『Project to Product』と『The Phoenix Project』が社内の認識変容に影響したと Tonnies は述べた。
徐 聖博の見解
この発表が示す問題は、プラットフォーム規模が「単一サービス」から「複数の内部チームへの提供基盤」に変わった瞬間に本質が変化するという点だ。私が受託開発と社内AIエージェント基盤を並走させる中でも、同じ断層を感じている。
プロジェクト思考の問題は、「完了」を成功と定義してしまうことにある。スコープを守り、期日までに届けた——それ自体は悪くないが、使われない機能が蓄積され、使い勝手の改善に優先度が割り当てられにくくなる。Bergman の言う「継続的に届けているが、プラットフォーム全体の使いやすさは改善されていない」という状態は、受託案件でフェーズ区切りの開発をしているチームなら誰でも経験があるはずだ。
一方で、「プロダクト化すれば解決する」というほど単純でもない。プロダクト思考が機能するのは、ロードマップを継続的に判断できるオーナーがいて、ユーザーのフィードバックを収集・反映するループが回る体制が前提となる。これは単なる思想の変換ではなく、組織構造と意思決定権の再設計を伴う。Tonnies が「Scrum への長年の懐疑」から入ったという文脈は興味深い。スプリントの完了率ではなく、ユーザーの実際の採用率を見ることで、エンジニアリング作業と顧客価値の間のずれを直視できるようになる。
実装・運用の観点から補足すると、API駆動のセルフサービス化は設計コストが高い。内部利用者向けに「コントラクト（安定したインターフェース）」を定義し、プラットフォーム層と消費者層の責任を明確に分離する——これはSaaSの設計原則をほぼそのまま社内に適用することを意味する。中小規模の組織では、この投資が見合うかどうかを判断する段階から始める必要がある。自社の AI エージェント基盤でも、まず「誰が使うか」「どこまでセルフサービスにするか」の境界を設定することが最初の実務的問いになった。
(編集レンズ: 実装・運用視点 / 発注側・開発実務への含意)
シンシアの開発事例
**2026年2月の開発着手から約5.5ヶ月で、アパレル企業向けAIクリエイティブ基盤としてプレスリリース公開まで到達しました（2026年7月29日発表）。**
Cloverse様の発表によれば、Clovia Enterprise は PUMA社・ルック社をはじめとする**30社以上のアパレルブランドとの検証**を経ており、現在は先行導入企業（Founding Partner）を限定募集する段階に入っています。
開発規模は次のとおりです（2026年7月29日時点、リポジトリ実測値）。
| 指標 | 実績 |
|---|---|
| 開発体制 | エンジニア4名 |
| 開発期間 | 2026年2月13日〜（継続中） |
| コミット数 | 約1,480 |
| プルリクエスト | 373本 |
| 対応イシュー | 428件 |
| 実装計画ドキュメント | 162本 |
| データモデル | 83テーブル |
### この事例からの示唆
**生成AIプロダクトの難所は、モデルではなく業務側にある。** 画像を1枚生成すること自体は、いまや誰でもできます。事業として成立させるために必要だったのは、マスター管理・制作進行・レビュー・権限・課金・非同期処理といった、業務を回すための地味な設計でした。83テーブルという規模は、その事実を素直に表しています。
**未知の業界のプロダクトは、業務を理解した側が設計しないと形にならない。** アパレルEC制作の工程を知らないまま「AIで画像生成する機能」を作っても、現場では使われません。ヒアリング・R&D・プロトタイプ・提案までを開発チームが担ったのは、そうしないと仕様が決まらない領域だったからです。この構造は[「使われないシステム」が生まれる要件定義の失敗](https://blog.xincere.jp/articles/why-unused-systems-are-born-requirements-definition)とちょうど裏返しの関係にあります。
**モデル選定に正解が無い領域では、検証を設計プロセスに組み込む。** どの生成モデルを使うかは半年で変わります。だからこそ、モデルを差し替えられる構造と、検証結果を機能設計に反映し続ける進め方の両方が必要でした。
### よくある質問
**Q. 生成AIを使ったプロダクトの開発は、通常のシステム開発と何が違いますか。**
A. 最も違うのは、着手時点で仕様が確定できない点です。どのモデルがどの品質を出せるかは検証しないと分からないため、R&Dとプロトタイプを設計工程に組み込む必要があります。一方で、組織・権限・課金・非同期処理といった土台は通常のSaaS開発と同じ設計が求められます。
**Q. 業界知識がない領域でも開発支援を依頼できますか。**
A. できます。この事例ではアパレルEC制作の業務理解から入り、ヒアリングとプロトタイプを通じて要件そのものを一緒に作りました。仕様が固まっていない段階からのご相談のほうが、むしろ手戻りが少なくなります。
**Q. どのくらいの体制・期間の支援ですか。**
A. エンジニア4名、2026年2月から継続中です。プレスリリース公開までは約5.5ヶ月でした。規模や費用感の考え方は[システム開発とは](https://blog.xincere.jp/articles/what-is-system-development)で解説しています。
### 関連する支援領域
- [AIシステム開発とは？開発の流れ・費用相場・失敗しない進め方](https://blog.xincere.jp/articles/ai-system-development-guide) — 生成AIプロダクト開発の全体像
- [AI PoCの進め方5ステップ｜「PoC止まり」を防ぎ本番導入につなげる実践手順](https://blog.xincere.jp/articles/ai-poc-how-to-proceed) — 検証を本番に接続する設計
- [FDE（Forward Deployed Engineer）が示す、上流から伴走できるエンジニアの価値](https://blog.xincere.jp/articles/fde-forward-deployed-engineer-upstream-value) — 本事例の進め方の背景
生成AIを使った新規プロダクトの立ち上げや、仕様が固まりきっていない段階からの開発支援については、[開発のご相談](https://blog.xincere.jp/contacts)からお問い合わせください。
**出典:** [アパレル企業向けAIクリエイティブ基盤「Clovia Enterprise」提供開始（株式会社Cloverse / PR TIMES, 2026-07-29）](https://prtimes.jp/main/html/rd/p/000000024.000139250.html)
株式会社Cloverseの事例を読む →
