QCon London 2026：境界線の曖昧化：AI時代におけるエンジニアリングとデータチーム
QCon London 2026において、Pleoのデータプラットフォーム責任者Lada Indraは、大規模データシステムの経験から、チーム間の不整合リスクと、そのギャップを埋めるための実践的戦略について洞察を共有した。
キーポイント
チーム間の不整合リスク
エンジニアリングチームとデータチームの連携が不十分な場合、組織にリスクが生じる可能性があることが示唆されている。
実践的戦略の共有
Pleoのデータプラットフォーム責任者が、大規模データシステムの経験に基づき、チーム間のギャップを埋めるための具体的な戦略を提示した。
AI時代における組織課題
AIの普及が進む中で、エンジニアリングとデータの専門家が効果的に協働するための組織構造とプロセスが重要視されている。
影響分析・編集コメントを表示
影響分析
この記事は、AI技術の実装が進む中で、技術チームとデータチームの組織的統合が重要な課題となっていることを示している。特定企業の実践例を紹介することで、業界全体のベストプラクティス形成に貢献する可能性がある。
編集コメント
カンファレンスレポートとして実践的な知見を提供しているが、具体的な技術的内容や画期的な新規性には乏しい。組織論に焦点を当てた、現場管理者向けの内容と言える。
QCon London 2026において、Pleoのデータプラットフォーム責任者であるLada Indraは、大規模なデータシステムにおける自身の経験から得た知見を共有しました。彼は、チーム間の連携が不十分であることのリスクと、組織がそのギャップを埋めるために採用できる実践的な戦略の両方を示しました。
AIは、エンジニアリングチームとデータチームがどのように相互作用するかを根本的に変えました。かつて明確に分離されていた領域——エンジニアが生産システムを構築し、データチームがダッシュボードを作成する——という境界線は現在、ますます曖昧になっています。シニアエンジニアやリーダーはこの現実に向き合わなければなりません。データはもはや単なるバックエンドの燃料や報告用の副産物ではありません。それは顧客と収益に影響を与えるリアルタイムな意思決定を推進する、生産における第一級の要素なのです。
現代のAI駆動システムにおいて、エンジニアリングとデータの責任はもはやサイロ化されていません。エンジニアはモデルのデプロイ、ストリーミング予測の処理、リアルタイム機能の管理を担当します。データチームには、生産グレードのパイプラインの確保、モデル出力の監視、大規模なデータ品質の維持という課題が課されています。
スピーカーは、エンジニアリングチームとデータチームの境界がますます曖昧になる中で navigating するための実践的な戦略を概説し、データストリームを API のように扱うためのデータ契約の使用を強調しました。これには、コード内で所有権、スキーマ、サービスレベルの期待値を定義し、CI/CD パイプラインやスキーマレジストリを通じて強制することで、説明責任を確保し、不良データが下流の消費者に到達するのを防ぐことが含まれます。さらに、フルスタック観測性（full-stack observability）も重要で、これは稼働時間やレイテンシだけでなく、データの健全性をモニタリング範囲に含めます。具体的には、意味的な妥当性、鮮度、一貫性を追跡することで、チームがこれらの重要な指標を効果的に監視・検証できるようにします。
本番環境でのデータを使用したテストは不可欠です。なぜなら、ステージング環境では現実世界のエッジケースをほとんど捉えられないからです。シャドウ環境（本番パイプラインの部分的な複製）を使用することで、チームは実際のトラフィック分布下でモデルやデータ変換を安全に検証できます。また、グレースフルデグラデーションパターン（graceful degradation patterns）により、障害発生時のユーザーへの影響を最小限に抑えることができます。
エンジニアリングとデータの間の古い区分けは虚構です。なぜなら、AI システムは現在、顧客に直接影響を与える意思決定を行うためにリアルタイムデータを必要としており、データに対してソフトウェアと同じ運用上の厳格さが要求されるからです。ツール単体よりも、データ品質に対する共有の所有権が重要であり、チーム間での説明責任と明確さを求める必要があります。
エンジニアリングとデータチームの間の隔たりを埋めるには、技術的スキルとマインドセットの変革が必要です。具体的には、ストレージパターンやビッグデータの処理、分析モデリングを理解するための技術リテラシー（technical literacy）を持ち、下流のニーズを予測することです。また、データ品質、再試行、冪等性、分析用データとトランザクションデータの区別に対する共有所有権を受け入れるためのマインドセットの変革が必要です。さらに、アナリティクスエンジニアやデータサイエンティストを設計およびアーキテクチャ会議に参加させ、チーム間で共同インシデント管理を実装することで組織の整合性を図ることが求められます。
Indra は、アーキテクチャ議論に適切な利害関係者を巻き込むことや、主要なビジネスイベントに対して契約を強制するなど、小さな組織変更でさえも運用信頼性とコラボレーションに大きな影響を与える可能性があると強調しました。
今回の講演からの重要な教訓は、データが現在では第一級の生産資産であり、エンジニアリングとデータの間の古い隔たりは幻想であるという点です。AI システムは、ソフトウェアと同じレベルの運用厳密さをデータにも要求します。
データ品質への共有所有権は、ツール単独よりも重要であり、チーム間の責任と明確さが求められます。データ契約、スキーマレジストリ、観測可能性（observability）、シャドウ環境、そして優雅な劣化（graceful degradation）といった具体的なパターンが、生産環境におけるデータの複雑な現実を管理するのに役立ちます。さらに、エンジニアがデータレイヤーを理解し、データエンジニアが生産上の制約を理解する T 字型スキルへの投資は、極めて貴重なクロスファンクショナルな専門知識を生み出します。
インドラの結論として、AI エラではチームが全体的に思考することが必要であり、つまり一つのシステム、一つのチーム、共有責任を意味し、サイロを解消して共同責任を受け入れることのみによって、組織はスケールした AI 搭載機能を確実に提供できる。
著者について
ダニエル・ドミンゲス
ダニエルは SamXLabs のマネージングパートナーであり、同社は AWS パートナーネットワークの企業です。彼はスタートアップおよびフォーチュン500 企業のソフトウェア製品開発において 13 年以上の経験を持っています。ダニエルはワシントン大学で工学の学位を取得し、機械学習（Machine Learning）の専門分野を修了しています。AI とクラウドコンピューティングを活用して革新的なソリューションを生み出すことに情熱を注いでいます。機械学習（Machine Learning）ティアの AWS コミュニティビルダーとして、ダニエルは知識の共有とソフトウェア製品のイノベーション推進にコミットしています。
詳細を表示表示しない
原文を表示
At QCon London 2026, Lada Indra, head of data platform at Pleo, shared insights from his experience across high-scale data systems. He illustrated both the risks of poorly aligned teams and the practical strategies that organizations can adopt to bridge the gap.
AI has fundamentally changed how engineering and data teams interact. Once clearly separate domains — engineers building production systems, data teams producing dashboards — the lines are now increasingly blurred. Senior engineers and leaders must confront this reality: data is no longer just backend fuel or a reporting artifact. It’s a first-class part of production, driving real-time decisions that impact customers and revenue.
In modern AI-driven systems, engineering and data responsibilities are no longer siloed. Engineers may deploy models, handle streaming predictions, and manage real-time features. Data teams are tasked with ensuring production-grade pipelines, monitoring model outputs, and maintaining data quality at scale.
The speaker outlined practical strategies for navigating the increasingly blurred boundaries between engineering and data teams, emphasizing the use of data contracts to treat data streams like APIs by defining ownership, schema, and service-level expectations in code, enforced through CI/CD pipelines or schema registries to ensure accountability and prevent bad data from reaching downstream consumers, alongside full-stack observability, which extends monitoring beyond uptime and latency to include data health by tracking semantic validity, freshness, and consistency, enabling teams to monitor and validate these critical metrics effectively.
Testing with production data is essential because staging environments rarely capture real-world edge cases, and using shadow environments- partial replicas of production pipelines- allows teams to safely validate models and data transformations under real traffic distributions, while graceful degradation patterns minimize user impact in case of failures.
The old divide between engineering and data is a fiction, as AI systems now rely on real-time data to make decisions that directly affect customers, requiring the same operational rigor for data as for software. Shared ownership of data quality is more important than tooling alone, demanding accountability and clarity between teams.
Bridging the engineering-data divide also requires both technical skills and mindset shifts, including technical literacy to understand storage patterns, big data processing, and analytical modeling to anticipate downstream needs, mindset shifts to embrace shared ownership of data quality, retries, idempotency, and the distinction between analytical and transactional data, and organizational alignment by including analytics engineers and data scientists in design and architecture meetings and implementing joint incident management across teams.
Indra emphasized that even small organizational changes, such as involving the right stakeholders in architecture discussions or enforcing contracts on key business events, can have an outsized impact on operational reliability and collaboration.
Key takeaways from the talk highlight that data is now a first-class production asset, and the old divide between engineering and data is a fiction, as AI systems demand the same operational rigor for data as for software.
Shared ownership of data quality is more important than tooling alone, requiring accountability and clarity between teams. Concrete patterns such as data contracts, schema registries, observability, shadow environments, and graceful degradation help manage the messy realities of production data, while investing in T-shaped skills, where engineers understand the data layer and data engineers understand production constraints, creates invaluable cross-functional expertise.
As Indra concluded, the AI era requires teams to think holistically, meaning one system, one team, shared responsibility, and only by dissolving silos and embracing joint accountability can organizations reliably deliver AI-powered features at scale.
About the Author
Daniel Dominguez
Daniel is the Managing Partner at SamXLabs an AWS Partner Network company. He has over 13 years of experience in software product development for startups and Fortune 500 companies. Daniel holds a degree in Engineering and a Machine Learning specialization from the University of Washington. He is passionate about leveraging AI and cloud computing to create innovative solutions. As an AWS Community Builder in the Machine Learning tier, Daniel is committed to sharing knowledge and driving innovation in software products.
Show moreShow less
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み