AI活用型ワークフォース構築のためのGitHubの社内プレイブック

• GitHubは人間中心のアプローチでAI導入を広げ、全社的なAI能力を構築している
• AI導入は技術の問題ではなく変革管理の問題であり、単にツールを配布することではなく、組織の働き方を再構成することだ
• 成功のためにGitHubは、8つの柱（AI Advocates、明確なポリシー、学習機会、データ主導の測定、責任者の指定、経営陣の支援、適切なツール、実践コミュニティ）に基づく運営モデルを策定
• また、経営陣による積極的なビジョン共有、明確な利用ガイドライン、自発的な推進者ネットワーク、実践コミュニティ（CoP）、体系的な学習パス、専任リーダーシップ、ROIを証明できる測定体制を整備
• この戦略は単なる導入を超え、業務革新・生産性向上・人材成長を導く構造的アプローチであることを示している

---

序論: 機会と中核課題

• 生成AIは企業成果を加速する巨大な機会であり、競争的に価値を確保しようとするレースが進行中
• 課題はAIの潜在力の認知ではなく、スケールでの活性化であり、ここで成否が分かれる
• 多くの組織はAIツールに過剰投資しているが、導入が少数の熱心なユーザーに限られ、全社的な生産性へ転換できない損失が生じている
• 高業績組織と停滞組織の違いは、意図的で体系的な活性化戦略を持っているかどうかにある

失敗を招く誤解: 技術配備ではなく変革管理

• 企業はAI導入をソフトウェアのインストールのように扱いがちだが、実際には働き方の再配線という変革管理の課題である
• 成功と失敗を分けるのはライセンス購入ではなく、懐疑的なメンバーをパワーユーザーへ転換させる人的インフラの構築だ

文書の性格: GitHub社内プレイブック

• 本文書は、GitHubがグローバルワークフォースにAIリテラシーを構築するために開発・運用した社内プレイブックである
• AI for Everyoneイニシアチブの成果物として、理論ではなく現場で検証された実践ブループリントを提供する
• 目標は、AIを働き方に内在化する仕組みを他組織でも再現可能にすること

運営モデル概要: 相互補完的なシステム

• 成功するAI活性化は単一のイニシアチブではなく、相互補完するコンポーネントの総体として設計される
• トップダウン戦略とグラスルーツのモメンタムを精緻に組み合わせ、AIリテラシーが繁栄するエコシステムを形成
• エコシステムの土台は経営陣による可視的な支援と明確なポリシー・ガードレール
  • リーダーシップスポンサーはビジョンと投資によって出発点を整える
  • ポリシー・ガードレールは、従業員が安全に実験・革新できる環境を提供する

8つの柱（8 Pillars）: 定義と役割

• AI Advocates: 社内のボランティア型チャンピオンネットワークで、ピア影響力と現場フィードバックを通じて導入を拡大する役割
• Clear policies and guardrails: 誰もが理解できる簡潔なルールとガイドラインで責任ある利用を支える
• Learning and development opportunities: 優れた外部コンテンツをキュレーションしたアクセスしやすい学習エコシステムを提供
• Data-driven metrics: 多層的な測定フレームワークで導入・活性度・ビジネスインパクトを追跡
• Dedicated responsible individual (DRI): プログラムをオーケストレーションし、他者を活性化し、全体の戦略を推進する中心責任者
• Executive support: 可視的なリーダーシップコミットメントにより、ビジョン・投資・透明なコミュニケーションを提供
• Right-fit tooling: 多様な役割・ユースケースに合わせた検証済みの1st/3rdパーティーツールのポートフォリオを提供
• Communities of practice (CoPs): ピア学習・知識共有・問題解決のための専用フォーラムを運営

実行フォーカス: 3つの接続要素

• 1) チームへの装備 + 人的支援体制の構築: 検証済みのAIツールを提供し、Advocatesプログラムで社内チャンピオンを育成し、CoPでピア学習を常態化する
• 2) 構造化されたL&Dで増幅: 標準化された学習パスとキュレーションにより、技術・業務能力を体系的に引き上げる
• 3) DRIとデータで運営: DRIが投資判断を主導し、データ主導の指標でインパクトを測定・改善して、プログラムを継続的に進化させる

Put the framework into action

• AI活用フレームワークは、単に中核要素を理解するだけで終わらず、それを実際に実行する戦略的アプローチが必要である
• GitHubは8つの柱（pillars）を中心に実行ロードマップを提示しており、その最初の出発点は**経営陣の支援（Executive support）**である
• 経営陣が明確なビジョンと理由を示し、AIが従業員の業務にどのような価値を加えるのかを具体的に説明してこそ、初期の推進力を確保できる

Executive support: How to set the tone

• AI導入の成功は経営陣の役割から始まる
• 単にツールを提供するだけでなく、会社のAI戦略の「なぜ（why）」を継続的に強調しなければならない
• 目標を抽象的に示すのではなく、従業員の日常業務と直接結びついた実質的な利点として説明することで、参加度を高められる
• エンジニア向けメッセージ例:
  「AIによって反復的で退屈な作業を取り除きます。Copilotがボイラープレートコードの作成、単体テストの生成、複雑なPRの要約を担うため、皆さんは創造的な問題解決に集中できます。」
• 全社向けメッセージ例:
  「AI戦略の目標は、より良い製品をより速く顧客に届けることです。AIで私たちの能力を増幅し、イノベーションの速度を高め、高付加価値の創造的業務に集中できるようにします。」

現実的で透明性のあるアプローチ

• AI導入は必然的に業務の自動化と職務の変化を伴う
• これを無視すると不安と抵抗が生まれ、導入の妨げになる
• そのため、リーダーは単なる安心の言葉ではなく、役割変化とリスキリング（upskilling）戦略を具体的に示す必要がある

• 言ってはいけないこと: 「皆さんの仕事は安全です。」
• 言うべきこと: 「今後、私たちの仕事はこのように変わっていき、そのために必要な新しいスキルを身につけられるよう、このように支援します。」

• このような率直なアプローチは、従業員を変化のパートナーとして扱うことで信頼を築く

カスタマイズされたメッセージ戦略

AIメッセージは対象別の最適化が必要である

• マネージャー（Managers）:
  単なる個人利用ではなく、チーム全体を導く準備をさせる必要がある。マネージャーはチームのワークフローを再設計し、自動化可能な業務を特定し、高付加価値業務を再定義する役割を担うべきだ。AI導入をチーム成果およびイノベーション改善と直接結びつけるよう促す必要がある。
• シニア個人貢献者（Senior ICs）:
  個人の成果向上にとどまらず、AI活用の社内設計者となるよう促すべきである。彼らは組織内での影響力が大きく、新しいAI活用方法を導入・標準化するうえで重要な役割を果たす。AIで自身の成果を最大化すると同時に、社内メンターとしてAI能力を広げる必要がある。これにより、中核人材の影響力が幾何級数的に拡大する。

Policies and tooling: 明確さとアクセスの提供

• AIを組織全体に導入するには、**明確なガードレール（guardrails）**が不可欠
• 従業員が何が許可されているのか不確かだと、実験すら行わないため、明確でアクセスしやすい**許容利用ポリシー（Acceptable Use Policy）**が成功の前提条件
• これは単なるコンプライアンスの問題ではなく、従業員が安全かつ自信を持ってAIを活用できるようにするための基盤

• ポリシー策定の原則

  • ポリシーは、IT、人事、セキュリティ、法務など主要なステークホルダーとの連携を通じて策定されるべき
  • そうすることで、リスク管理の観点から包括的なアプローチが可能になる
  • 最終的なポリシーは一元化された単一の文書として提供されるべきであり、そこには承認済みのすべてのAIツールと、各ツールに適したデータの種類が明確に整理されている必要がある

• 階層型ツーリング（Tiered tooling）モデル

  • 成功するAI利用ポリシーモデルは階層型アプローチ
  • 単に禁止事項の一覧を並べるのではなく、何が承認されているのかを明確に区分し、従業員が容易に意思決定できるようにすること

• Tier 1: 完全に検証・承認されたツール

  • 社内のセキュリティおよび法務レビューを徹底的に経たツール
  • 機密の社内データおよび顧客データを扱うのに安全
  • 自社の1st-party製品（例: GitHub Copilot）と、契約・承認済みのエンタープライズ向け3rd-partyツールを含む
  • 従業員はこのカテゴリに属するツールを安全なデフォルトの選択肢として認識できる

• Tier 2: 未検証の公開・コンシューマー向けツール

  • 会社が正式に契約または検証していない公開AIツール全般を含む
  • ポリシーはシンプルかつ普遍的である: これらのツールは公開されており機密性のないデータにのみ利用可能
  • これにより、従業員は会社のデータを危険にさらすことなく、新しいAI技術を自由に試せる

• 効果とメッセージ

  • この階層型モデルは、従業員にシンプルで明確な思考法を提供する:
    • 「もしあるツールが『完全検証済みリスト』にないなら、公開データのみを使うこと。」
  • このように明確な基本ルールは不確実性を取り除き、責任あるAI活用を大規模に広げるための重要な鍵となる

AI advocates: Your grassroots champions

• AI導入を長期的に成功させるには、経営陣の支援と明確なポリシーだけでなく、**ピアツーピアの影響力（peer-to-peer influence）**が中核的な推進力となる
• そのために、AI Advocatesプログラムは非常に効果的な仕組みであり、自発的な社内チャンピオンのネットワークを構築して、各チームと中央支援プログラムをつなぐ橋渡しの役割を果たす
• Advocatesは上位戦略をチーム単位の具体的な活用事例へと翻訳し、自然に組織内のAIモメンタムを形成する

• ネットワークを構築する最も効果的な方法はボランティアの募集
• 複雑な正式推薦プロセスよりも、全社告知を通じてAIに情熱を持つ人を募ることで、自ら動機づけされており、同僚の成功を心から支援したいと考える適任者が集まる
• これはそのまま、信頼できる強力な社内チャンピオンの育成につながる

• What advocates do

  • Advocatesの役割は多層的で、社内専門家、コミュニティビルダー、フィードバックチャネルという3つの主要機能を担う
  • 社内チャンピオンとしての役割
    各チームのAIエキスパートとして同僚のメンターとなり、日常的な質問に答え、実務上の障壁を取り除くことでAI導入のハードルを下げる
  • ピアラーニングの促進
    AIの価値を具体的で現実的な事例で示す。チーム内の成功事例を共有して同僚にAIの実際の効果を実感させることで、形式的な教育よりも高い説得力を持たせる
  • チームの声の代弁
    中央プログラムと現場のフィードバックループを形成し、何がうまく機能しているのか、何が問題なのか、どのような機会があるのかを伝える。これによりプログラムは実際のユーザーニーズに基づいて継続的に改善できる
  • 教育の企画・協業
    チームの具体的なニーズやユースケースを反映して中央プログラムと協業し、実質的な効果のあるカスタマイズ研修セッションを共同で企画・主導する

• Supporting your advocates

  • Advocatesプログラムが成功するには、中央支援チームによる実質的で価値のある支援が必要。主な支援方法は次のとおり。
  • 自律的なAdvocateコミュニティの育成
    専用のSlackチャンネルのようなコミュニケーションの場を設け、定期的なadvocate主導のチェックインを支援して、互いのベストプラクティスを共有し問題を解決する自己管理型ネットワークへと成長させる
  • リーダーシップとの直接接続
    AdvocatesがDRI（Directly Responsible Individual）やプログラムスポンサーのようなリーダーシップ担当者と直接つながれるようにし、経営判断と現場の活動を結ぶ窓口を提供する
  • Train the Trainerの哲学
    Advocatesを単なる情報の受け手ではなく、メンターやワークショップリーダーへと成長させることに注力する。彼らを効果的な教育者かつAI分野の専門家として育成し、中央プログラムの拡張された延長線とする
  • このような支援を通じて、Advocatesは組織内で信頼されるAIリーダーとして定着し、自然にAI活用能力を組織全体へ広げていく

Communities of practice: Fostering collaboration

• Advocatesプログラムが個々のチームに深く関与する高密度（high-touch）支援を提供する一方で、組織全体のAI活用能力（AI fluency）を広げるには、より広い次元での協業の場が必要
• そこで**実践コミュニティ（Communities of Practice, CoPs）**が重要な役割を果たし、従業員が自由につながって質問し、知識を共有できる専用の場を提供する
• CoPsは、成功するAI活用推進プログラムの**結合組織（connective tissue）**として機能し、サイロを打破し、貴重なインサイトが個別の会話の中で失われないようにする

• もう1つの目標は、自発的なAIへの関心を構造化しつつ、創造性を抑え込まないこと
• ほとんどの企業には、すでに散発的に運営されているチャットチャンネルやメールスレッドの形で小規模なAIコミュニティが存在する
• 効果的なプログラムは、こうした分散した活動を体系的で結束力のあるネットワークへと発展させる。そのために必要な主なステップは次のとおり

  • Establishing dedicated, purpose-driven communities

    • 1つの巨大なAIチャンネルではなく、目的別・ユーザーグループ別の専用コミュニティを作ることが効果的
    • そうすることで、会話をより集中的かつ関連性の高いものにできる
    • 推奨される初期構成の例としては:
      • 一般向けコミュニティ: 全社向け告知や非技術的な質問を扱うチャンネル（例: #how-do-i-ai）
      • 開発者向けコミュニティ: 技術的な事例共有、深い議論、高度な手法の交換のためのチャンネル（例: #copilot-users）
      • 部門特化型コミュニティ: マーケティング、営業、財務など特定職種固有のユースケースを扱うチャンネル（例: #ai-for-sales）

  • Defining clear charters and leadership

    • 各コミュニティには明確に文書化された目的と、それを運営するリーダー（またはリーダーグループ）が必要
    • リーダーはAdvocatesから選出することもでき、それにより会話の方向性を保ち、コミュニティが継続的に価値あるリソースであり続けるよう管理する

  • Sustaining momentum

    • チャンネルを開設して終わりではない
    • 中央支援プログラムは、コミュニティから生まれた興味深いAI活用事例を全社に共有し、新機能や研修を知らせるプラットフォームとして活用すべき
    • 時間の経過とともに、コミュニティを発展させ再編していく作業が必要になる

• このように意図的にCoPsを育成することで、スケーラブルで自律的なピアラーニングエンジンが生まれる
• これは、組織全体がAI活用に習熟するために欠かせない基盤となる

Curated learning and development: 障壁を下げる

• 単にAIツールへのアクセス権を提供するだけでは不十分であり、従業員が実際の活用能力（proficiency）を習得できるよう支援する**学習・開発（Learning & Development, L&D）**体制が不可欠である
• 目標は、すべての従業員が技術的背景に関係なく、役割に応じた実践的なAI活用スキルを習得できるようにすることである
• GitHubはこのために、社内経験と外部資料をキュレーションしたL&Dサイトを構築し、多様な学習スタイルとニーズを満たす多層的なエコシステムを提供している

• 効果的なL&D戦略は、次のような中核投資で構成される

  • A centralized resource hub

    • すべてのAI関連学習資料を集約する**単一の信頼できる情報源（source of truth）**サイトが必要
    • 単なるリンク集ではなく、社内のイノベーション事例・ベストプラクティス・従業員プロジェクトなどを動的に展示
    • 学習資料の提供と同時に、モチベーション向上の効果ももたらす

  • Core AI Learning paths

    • すべての従業員が基礎レベルの能力を備えられるよう、**ゼロから1へ（zero-to-one）**の学習パスを提供
    • 自社制作コンテンツの代わりに、外部の実証済み学習資料をキュレーション
    • AI機能は急速に変化するため、社内制作コンテンツはすぐに陳腐化するリスクがある

  • Building blocks for technical users

    • 上級技術職の従業員には、基礎学習ではなく**作業の加速（acceleration）**が必要
    • 再利用可能なAIコンポーネントライブラリを提供: テンプレート、クローン可能なリポジトリ、ワークフローなど
    • 反復作業を減らし、迅速にAIソリューションを構築できるよう支援

  • Integration with onboarding

    • オンボーディングプロセスにAI学習を組み込み、入社初日から活用能力を身につけられるよう支援
    • AI活用能力が、成功するキャリアの中核スキルであることを強調

• これにより、従業員一人ひとりの能力向上だけでなく、組織全体でのAI活用文化の定着が可能になる

Dedicated program leadership: Driving the program

• AI活性化プログラムは単なるリソース集ではなく、継続的で生きた仕組みであるべきであり、そのために**専任責任者（Directly Responsible Individual, DRI）**または小規模の専任チームが必要である
• このリーダーシップは、戦略・実行・コミュニティ活動をつなぐ接着剤の役割を果たし、組織全体を一つの有機的なシステムとして機能させる
• DRIの中核任務は、**自らの権限を強化すること（fiefdom building）ではなく、他者をスケールさせること（scaling others）**である

• 主な役割と責任

  • Owning the program strategy and roadmap

    • 全体戦略の策定および実行ロードマップの定義
    • 月次計画を管理し、会社目標との整合性を維持

  • Leading change management

    • 組織内の変革管理責任者として、AI導入を円滑かつ透明に推進
    • 混乱を最小化し、採用率を最大化

  • Acting as a central AI consultant

    • 従業員およびAdvocatesに対する1対1支援やオフィスアワーを提供
    • 複雑な問題解決や高度な活用事例の開発を支援

  • Amplifying internal success and innovation

    • 社内の成功事例を発掘・共有
    • コミュニティやワークショップを通じてベストプラクティスを広め、好循環を創出

  • Managing the AI tooling and policy lifecycle

    • 新しいツールの要望を受け付け、IT・セキュリティ・法務と連携して評価・調達・ポリシー策定までの全工程を管理

  • Owning adoption and fluency metrics

    • MAU、MEU、ユーザーセグメンテーションなど先行指標を追跡
    • プログラムの有効性を実証し、従業員のAI成熟度を評価

  • Demonstrating business ROI

    • 生産性向上、コード品質改善、開発者満足度向上など結果指標と採用データを結び付ける
    • 経営陣にデータに基づくROIストーリーを提供

• GitHubはこのために、プログラムディレクターとプログラムマネージャーを正式に配置し、AI for Everyoneイニシアチブを推進
• このような専任体制により、企業レベルのAI活性化に必要な集中力と説明責任を担保している

Metrics: Measuring for success

• AI活性化プログラムへの投資を正当化し、発展を促すには、適切な指標の測定が不可欠である
• 単にライセンス配布数を数えるだけではなく、組織内におけるAI活用の範囲・深さ・成果を立体的に理解する必要がある
• まだ業界標準が確立されていないため、多段階アプローチ（採用範囲 → 活用の深化 → ビジネス成果の測定）が最も効果的である

• Phase 1: Measuring breadth of adoption

  • Monthly Active Users (MAU): 1か月に少なくとも1回以上AIを使用した従業員の比率 → 全体採用率の基本指標
  • Monthly Engaged Users (MEU): 複数日にわたって使用した従業員の比率 → 初期実験段階を超えて習慣化しているかを確認する中核指標

• Phase 2: Measuring depth of engagement

  • User segmentation:
    • Dedicated users: 月10日以上活動（中核パワーユーザー）
    • Occasional users: 月2〜9日活動
    • Tire kickers: 月1日活動
    • → 目標はTire kickersをOccasional/Dedicatedへ転換すること
  • Total AI events: プロンプト・コード自動補完などの総インタラクション回数 → ユーザー当たりイベント数の増加は、業務フローの中にAIが内在化しているシグナルである

• Phase 3: Measuring business impact

  • **GitHub Engineering System Success Playbook (ESSP)**を参照 → 開発者の幸福度、品質、速度、ビジネス成果全般を網羅する総合指標を提供
  • 主なAI関連指標:
    • AI leverage: AI活用によって削減された手作業の労力と生産性向上の度合いを定量化
    • Cycle time: コミットが本番環境に反映されるまでにかかった時間 → AI活用で短縮されるほど効率向上を意味する
    • Code churn: AIコードで手戻りが減ったかどうかを通じて品質シグナルを測定
    • Pull request size: AIが過度に大きいPRを生じさせていないか検証が必要
    • Developer wellbeing: 反復作業の削減が満足度向上や燃え尽きの軽減につながっているかを追跡
    • Perceived productivity: アンケートなどを通じて、従業員がAIによってより価値の高い仕事に集中できるようになったと感じているかを調査

• このような多段階測定を通じて、AI導入の採用・活用深化・ROIをすべて実証でき、データに基づくナラティブで経営陣に価値を説明できる

Executing on enablement: A strategic checklist

このチェックリストは、前述のフレームワークを段階別の実行ロードマップとして整理した実践ガイドである

• Phase 1: Foundational steps (first 30 days)

  • Secure executive sponsorship
    • 予算支援、プログラムの公的な支持、継続的なメッセージ発信を担うCレベルのスポンサーを確保する
  • Appoint a DRI
    • プログラムの成功に責任を持ち、部門間の調整権限を持つ専任責任者を任命する
  • Draft a v1 usage policy
    • Legal・Security・ITと連携し、初版の利用ポリシー（例: vetted vs unvetted ツール）を策定し、安全な実験環境を確保する
  • Establish initial metrics
    • MAU・MEUの測定体制を整備し、初期ダッシュボードを構築する
  • Announce the program
    • スポンサーおよびコミュニケーションチームと協力し、ビジョン・利用可能なリソース・今後の日程を盛り込んだ全社向け告知を配信する

• Phase 2: Building momentum (first 90 days)

  • Launch the AI advocates program
    • 社内ボランティアを公募し、役割案内セッションを実施し、専用コミュニケーションチャネルを用意する
  • Establish communities of practice
    • 一般向け・開発者向けチャネルを開設し、明確なcharterとコミュニティリードの任命を行う
  • Launch a centralized resource hub
    • 承認済みツール、ポリシー、学習パスをまとめたv1社内ハブサイトを開設する
  • Begin showcasing success
    • DRI・Advocatesが初期の成功事例を発掘・共有し、社会的証明とインスピレーションを広げる
  • Launch an onboarding module
    • HRと連携し、AI活用モジュールを新入社員オンボーディングプロセスに統合する

• Phase 3: Scaling and measuring (ongoing)

  • Implement a "Train the Trainer" program
    • Advocatesのメンタリング・ワークショップ運営能力の強化に向けた標準化された研修を提供する
  • Develop a business ROI dashboard
    • MAU/MEUなどの導入指標と、サイクルタイム・コード品質・営業生産性などの結果指標を結び付けるROIダッシュボードを構築する
  • Conduct qualitative surveys
    • 定期的かつ簡潔な組織アンケートを通じて、生産性・ウェルビーイングへの体感効果とプログラムへのフィードバックを収集する

The path to AI fluency

• 単にAIツールへ投資するだけでは十分ではない
• 体系的かつ多面的な実行プログラムこそが、AI投資の価値を実現する組織とそうでない組織を分ける中核的要因である

• AI導入の成功に万能の解決策(silver bullet) は存在しない
• 必要なのは、継続的でデータに基づく実行努力である
• そのためには、次が不可欠である:
  • 経営陣の全面的な支援
  • 明確でアクセスしやすいポリシー
  • 現場の自発的なAI推進者(advocates)
  • 適切な指標測定へのコミットメント
  • 変化に適応できる強力な実行システムの構築

• このような体系的アプローチにリーダーシップがコミットすれば、組織はより生産的で、より革新的で、より効果的なAIフレンドリーな組織へと生まれ変わることができる