プロジェクト人員配置が難しい根本原因と最適化AIによる解決策

プロジェクトの人員配置が難しい理由

人員配置の難しさは、単純な「人手不足」では説明がつきません。仮に十分な人数がいても、スキル要件、個別の稼働、期限の重なり方を同時に満たす組合せを見つける作業そのものが難しいのです。

スキル・稼働・期限が同時に動く

プロジェクトのアサインで考えるのは「誰が空いているか」だけではありません。必要なスキルを持つ人が、必要な期間に、必要な工数だけ稼働できるか。3つの軸が同時に成立する組合せを探す作業になります。

たとえば10件の案件と30人のメンバーで配置を組むとき、各案件が3〜5人体制で、メンバー側に兼務や有給や育成枠の制約があると、組合せの候補は数百万通りを超えていきます。これを頭の中とExcelシートで整理しようとすると、どこかで「もう細かいことは考えず、いつもの組合せにしよう」と思考が止まるでしょう。最適な配置は、その「思考の停止点」の先に隠れています。

案件確度の動的変化が前提を崩す

営業フェーズの案件は確度が動きます。受注が読めていた案件が消え、想定外の案件が急に決まり、開始日が前倒しになる。確度が動くたびに、それまで組んでいた配置計画は前提条件ごと書き換えになります。

人手の調整では、確度が60%から90%に上がった瞬間に「ではAさんを抜いてBさんに差し替え、空いたAさんを別案件に振り直し」という玉突きが発生します。1件の変更が3件のアサインを揺らし、5件のアサインを巻き込んでいく構造です。配置の難しさは、初期の組み立てよりも変更時の波及にこそ現れます。

顧客満足とエース疲弊の二重圧力

顧客は「前回担当のCさんで」と指名してきます。営業はリピート受注のために要望に応えたい。一方でCさんはすでに3案件兼務で残業も多く、抜けるとどの案件も回らない状況にあります。

このとき経営は二重の圧力を受けます。顧客満足を取れば内部の疲弊が進み、内部の負荷分散を取れば顧客満足が下がる。誰もが「Cさんに頼みすぎ」とわかっていながら、目先の案件成立のためにCさん依存が止まらない。配置の難しさは、組合せの計算量だけでなく、トレードオフの判断難度にも由来しています。

配置計画で同時に考えるべき要素

人員配置の計画では、次の7つの要素を同時に成立させる必要があります。1つや2つなら頭で扱えますが、7つすべてが絡むと、人間が一度に保持できる思考の範囲を超えていきます。

(1) スキル要件と専門性の組合せ

各プロジェクトには、言語・フレームワーク・業界知識・役割（PM、リードエンジニア、設計、テスト等）といった多次元のスキル要件があります。1つの要件を満たす人は何人かいても、複数の要件を同時に満たす組合せはぐっと絞られるのが現実です。

スキルマトリクスの整備が不十分だと、要件マッチの判断は「あの人ならできるはず」という勘に頼ることになります。前提として、スキル情報を粒度を揃えて記録しておく整備は欠かせません。

(2) 個人の稼働余力と兼務状況

メンバーには稼働可能率があります。週40時間のうち、別プロジェクトで20時間使っていれば、新規アサイン可能なのは20時間分です。さらに有給予定、研修、社内業務、定例会議の時間を引くと、実質の稼働可能枠は人ごとに大きくばらつきます。

兼務多重化が進むと「Aさんは案件Xで20%、案件Yで30%、案件Zで40%、合計90%」といった配分が常態化し、見える化が破綻していきます。シフト計画と稼働計画の関連は近接していますが、プロジェクト型業務では「日次の出勤・欠勤」ではなく「週単位・月単位の稼働率」を扱う点が異なります。

(3) フェーズ別の必要工数

同じプロジェクトに最初から最後まで同じ体制で張り付くのが効率的か。答えはノーです。フェーズによって必要な役割と工数の比率が変わるからです。要件定義フェーズは設計者中心で工数は薄く、開発フェーズはエンジニアが厚く必要、テストフェーズは品質保証が中心、リリース前は全員稼働。フェーズ移行のタイミングで配置を組み替える必要があります。

固定メンバーで全フェーズを通すと、忙しい時期と暇な時期の波が大きくなり、稼働率が下がっていく原因になるでしょう。フェーズ単位での切り替えを前提にした配置計画が必要です。

(4) スキルレベルと工数の非線形性

シニア1人とジュニア2人は等価ではありません。シニアは設計判断と問題解決を含めて短時間で済ませられる一方、ジュニアは同じ作業に倍以上の時間がかかり、レビュー時間も追加で発生します。

「人月」という単位で計算すると、シニア1人月とジュニア2人月で完成するように見えても、実際にはレビュー、手戻り、認識ずれの調整工数が乗り、コスト構造が大きく変わるのです。配置計画ではスキルレベルと工数の関係を非線形に扱う必要があります。

(5) 顧客指定・除外条件

過去にトラブルがあった顧客はメンバーの除外要望を持っていることがあります。逆に「前回担当のあの人で」という指名もあります。これらは契約や関係性に直結するため、配置の制約として強く効きます。

顧客指定が多いと、特定メンバーへの偏りが生まれ、本人の意向と関係なく特定の業界・特定の顧客に張り付きが発生しがちです。本人のキャリア意向との整合性を取るには、指名と並んで除外希望も拾う仕組みが要ります。

(6) 育成・経験機会の配分

「この案件は重要だからシニアだけで固める」を5年続けた結果、若手が育っておらず気づけば人材ピラミッドが逆三角形になっていた、という組織は珍しくありません。難易度の高い案件にシニアだけを集めれば短期的には効率的でも、5年後の人材層が薄くなる構造です。

「この案件にはあえてジュニアを入れて、シニアにはレビュー役で関わってもらう」という育成枠を計画に組み込むと、目先の効率は下がる一方で組織能力は積み上がっていきます。短期効率と中長期育成のバランスは、配置計画の中で意図的に設計するべき要素です。

(7) チーム編成と相性

最後にチーム編成の問題があります。同じスキルセットの人を集めても、過去のチーム経験、コミュニケーションスタイル、役割分担の相性によってパフォーマンスは変わります。

「あのPMとあのエンジニアの組合せだと進捗が早い」「逆にこの2人は同じ案件に入れない方がよい」といった暗黙知が、ベテランPMの頭の中にあります。これを数値化するのは難しい一方で、配置の質を左右する要素として軽視できません。

なぜExcelや経験則では解けないのか

ここまで挙げた7要素を、Excelシートと経験則で同時に満たそうとすると、どこかで破綻します。理由は3つに整理できます。

変数の数が組合せ爆発を起こす

10案件×30メンバー×7要素という規模で配置を組むと、候補となる組合せ数は組合せ爆発を起こします。人手で全パターンを比較することは現実的ではなく、最初に思いついた数案を比較するだけで終わってしまうのが実情です。

そのため、得られる配置は「悪くない案」に留まり、本当に最適な組合せはほとんどの場合見落とされていきます。

トレードオフ判断が多すぎる

7要素には相互にトレードオフが存在します。スキル最適を取れば顧客指定が崩れ、稼働平準化を取ればフェーズ別工数が合わない、育成枠を取れば短期効率が下がる。それぞれの判断を独立に下しても全体の質は上がりません。

ベテランPMは経験で「このトレードオフはこう倒すのが妥当」と判断できますが、判断が暗黙知化していて引き継ぎが難しく、また判断が常に最適とは限らない弱点があります。

変更時の再計画スピードが追いつかない

人手の配置計画は、組み立てるのに数日、変更時の組み直しに数時間というスピード感です。受注確度が動いた、メンバーが急に休んだ、顧客から要件追加が入った。変更が起きるたびに数時間止まると、現場は変更対応そのものが本業になっていきます。

変更前提の現場では、初回の計画品質よりも再計画スピードがボトルネックになります。

最適化AIによる人員配置の自動化

最適化AIは、現場のルールを守りながら最も良い計画を自動で見つけるAIです。生成AIが「それらしい文章を作る」のとは違い、決められた条件を一つも破らず、評価指標が最も良い組合せを探索します。プロジェクトの人員配置でいえば、7要素を制約として扱いながら、稼働平準化と期限遵守と顧客満足を同時に追いかける計画を作る役割を果たします。

計画作成スピードが数日から数分へ変わる

AIは数百万通りの組合せを高速に探索します。人手で数日かかっていた配置計画が、数分で複数の候補として出てくる感覚です。たとえばルート×ドライバー×時間制約のような配車最適化でも、変数が多い問題ほど再計画を高速に回せます。これは本質的にはスキル×稼働×期限の最適配分と同じ構造で、IT・コンサル領域にも転用が利きます。

スピードが上がる効果は、初回作成の効率化だけではありません。複数の配置案を比較できるようになるのが大きい変化です。「Aさん案」「Bさん案」「育成枠重視案」を並べて見比べ、現場感覚と照らして選ぶことができます。

スキルと稼働の整合性が同時に担保される

制約条件には「絶対に守るもの」と「できるだけ良くしたいもの」の2層があります。最適化AIはこの2層構造を前提に7要素をモデル化し、「必須スキル要件を満たすこと」「個人稼働上限を超えないこと」「顧客指定除外を守ること」「同一プロジェクト内で役割重複を避けること」をハード制約として、絶対に破らない条件で扱います。

その上で「稼働率の平準化」「育成機会の配分」「期限遵守」をソフト制約として、できる限り良くする目標として追いかけるのです。ハードとソフトを区別する仕組みは、配置計画の現場感覚と一致しており、結果として現場で受け入れられやすい計画になります。

配置根拠が説明可能になる

「なぜAさんがこの案件か」を即答できるかどうかが、配置決定が属人化から抜け出せるかの分かれ目です。AIが作る計画にはこの根拠が伴います。稼働余力20時間、必須スキル3つマッチ、顧客指定なし、育成枠該当なしという要素ごとの寄与が出てくるのです。

ベテランPMが「経験上この組合せがよい」と説明していた部分が、要素ごとの数値で見えるようになるのです。新人PMでも同じ品質の判断ができるようになり、配置決定の属人化が解消していきます。

受注変動への即時再計画

人員配置の難しさが最も現れるのは、受注変動の瞬間です。営業フェーズの案件が急に決まった、想定していた案件が消えた、開始時期が前倒しになった。これらの変動は週次ではなく日次で起きます。

最適化AIは、変動が入ると数分で再計画を回せます。前回の配置を起点として、変更が必要なアサインだけを差し替え、玉突きで影響する3〜5件のアサインも同時に組み直す動きです。人手で半日かかる作業が短時間で終わる計算になります。

再計画の結果は「Aさんを抜いてBさんを入れる代わりに、Cさん案件にDさんを補充」という形で出てきます。各メンバーへの説明、顧客への報告、内部の合意形成は人が担いますが、組合せ探索の部分はAIに任せられます。再計画の頻度が上がっても現場が疲弊しなくなる点が、動的最適化の本質的な価値です。

まとめ

プロジェクトの人員配置が難しいのは、現場の調整能力の問題ではなく、スキル・稼働・期限・相性・育成・顧客指定といった7要素を同時に成立させる構造的な複雑さに由来しています。要素の組合せは容易に組合せ爆発を起こし、ExcelとベテランPMの判断では数案件を超えた時点で最適解から離れていく性質を持っています。

最適化AIは、ハード制約とソフト制約を区別しながら7要素を同時に扱い、人手で数日かかる配置計画を数分で複数案として提示します。受注変動時の再計画も即時に回り、配置根拠が要素ごとに説明可能になることで、配置決定の属人化が解消していきます。

導入はツール選定ではなく業務整理から始めるのが王道です。スキル定義、稼働把握、配置判断の暗黙知の整理を進めた上で、最適化AIを実運用システムとして構築する。この順番を踏むことで、配置計画は「ベテランPMの頭の中」から「組織の仕組み」へ移行していきます。