
AI導入の肝は、ツールではなく「承認点」の設計である
みなさん、夏休みはエンジョイしましたか?私は世の中が夏休みで、クライアントワークが落ち着いていたので、じっくり時間をかけて、社内システムの開発体制を組み直しました。熱い夏でした。
いま私は3台のPCを使い分けながら社内システム18本を回していて、設計、実装、テスト、調査、運用までかなりの部分をAIと一緒にやっています。19本目も今週立ち上がりました。今日は20本目。。。毎日が楽しく、もう打ち合わせとか飲み会とか減らしたいです。少しでも長くPCに向き合っていたい。
普通に考えると社内システムを18本も19本も一人で面倒を見るのはかなり無理がありますし、昔だったら私もやろうとは思いません。ただ、AI前提で開発工程そのものを組み直すと、これが意外と回ります。
うまく回り始めた最大の理由は、ClaudeなのかCodexなのか、どのモデルが一番賢いのかという話ではありません。「どこで人間が承認するか」を先に決め、それ以外をAIに任せられる構造に作り替えたことです。
最近は企業からAI関連の相談が増えています。一方で、状況を聞いてみると、「ChatGPTは入れました」「Copilotも配りました」「Claudeも試しています」というところまでは進んでいるものの、仕事の進め方そのものは去年とほとんど変わっていないケースも多いです。これでは多少の時短にはなっても、会社全体の生産性は大きく変わりません。
私は、AI導入の本丸はAIツールを配ることではなく、業務プロセスそのものをAI前提に作り直すことだと思っています。
この記事では、私たちが実際にどんなツールを使い、どんな業務フロー・データフローで動かし、どこにガードレールを置いているのかを具体的に書きます。経営者やDX責任者の方には「AI導入とは結局こういうことなのか」と思ってもらえればいいですし、SIerでPMやSEをやっている方には「これから自分の仕事がどう変わるのか」を考える材料になればと思います。
「個人のもの」を「会社のもの」にする
大変恐縮なんですが、私が自分で作って動かしていたツールやシステムが、個人のGitHubアカウント管理でした。恥部ですね。なので、重い腰を上げて会社のOrgへ移しました。最終的に17本を移しました。
せっかくなので、開発・運用体制の棚卸をしました。個人のものである限り、「この設定はここ」「これはこういう理由でこうしている」という情報が自分の頭の中に入っていれば回ります。しかし会社の資産にした瞬間、それではダメで、別の人が見ても理解できる記録が必要になります。
そこで気づいたのが、人間への引き継ぎのために言語化した情報は、そのままAIへの引き継ぎ情報になるということでした。
AI活用というとプロンプト、RAG、エージェントなどAI側の技術の話になりがちですが、実務ではむしろ「この会社ではどういうルールで仕事が動いているのか」を言語化すること自体が非常に重要です。人間に引き継げない仕事はAIにも引き継げませんし、逆に、人間にきちんと引き継げる状態まで整理された仕事はかなりAIに渡せます。
移管時には17本の本番設定を機械的に全数点検しました。すると、設計の意図どおりになっていない箇所がいくつか見つかりました。設計書そのものが間違っていたというより、長く運用する中で「設計上こうなっている」と「本番で実際にこうなっている」が少しずつズレていたわけです。
ここから運用原則を一つ決めました。
記録と現実はずれる。本番に適用されているものがすべて。
AIに設計書を読ませれば、かなりもっともらしい説明をしてくれます。ただし、その設計書と本番がズレていた場合、AIはものすごい速度でもっともらしく間違えます。だから今は「設計上どうなっているはずか」ではなく、「実際に本番がどうなっているかを調べて」と指示するようにしています。
AIは推論が速い。だからこそ、推論させる前に実測させる。この順番はかなり重要だと思っています。
【全体】AIをどこで使うかより、どこで人が承認するか
経営者やDX責任者の方に一番伝えたいのはここです。AI導入を考えるとき、「どの業務をAI化するか」から考えるケースが多いですが、私はむしろ逆で、「どの判断を人間が持ち続けるか」を先に決めたほうが設計しやすいと思っています。
いまの開発フローは、概ねこうなっています。
① 要件を決める
ClaudeなどのチャットでAIと壁打ち
↓
② 実態を調べる
CoworkでPC上のフォルダやクラウドの実物を確認
↓
③ 設計を固める
社内の設計スキルを使い、決まっていない点をAIに質問させる
↓
④ 実装する
Claude Code + VS Code + 社内の実装スキル
↓
⑤ レビュー依頼を作る
★★★ ここで必ず止まる ★★★
↓
⑥ 人間が承認する
↓
⑦ 自動でビルド・本番反映
GitHubの変更をGoogle Cloudが検知
↓
⑧ 人間が目視で確認する
AIが担っているのは主に①〜④と⑦です。一方で⑤、⑥、⑧は人間が持っています。
特に⑧の目視確認は、意外に重要です。自動テストでは、ファイルが存在する、APIが応答する、WebページがHTTP 200を返す、ビルドが成功するといったことは確認できます。しかし、画面のボタンが変な位置にずれていても、色が絶妙にダサくなっていても、自動テストは全部グリーンになることがあります。機械が確認する「正常」と、人間が見て感じる「正常」は違うので、自動化できていない検証はきちんと工程として残しています。
この「AIに任せるところ」と「人間が責任を持つところ」を曖昧にしないのが重要です。
【データフロー】 GitHubを正本にして、本番への道を一本にする
データとコードの置き場所も、できるだけ単純にしています。本番が変わるのは、GitHubの本番ブランチに承認済みの変更が入ったときだけ。
GitHub
会社のOrganization / Private Repository
↑
│ ここが正本。変更履歴をすべて残す
│
├─ 手元のPC
│ ├─ 実装フォルダ
│ └─ AI作業フォルダ
│
└─ Google Cloud
└─ 本番環境へ自動反映Google Cloudの管理画面から直接コードを変えない。手元のPCから直接デプロイしない。AIからも本番へ直接反映させない。全部GitHubを通します。個人だと適当にやってたんですが、そうもいかない。
この一本道を作ったことで、AIにかなり大胆に仕事を任せられるようになりました。AIが何十ファイル修正しようと、最後にはレビュー依頼として人間の前に出てきます。誰がいつ何を変えたのかも残るし、問題があれば戻せます。
逆に言えば、本番に変更を入れる経路が複数残っている状態でAIを導入するとかなり怖いと思います。「誰が変えたのか分からない」「管理画面上ではこうだがGitHubにはない」「本番だけ設定が違う」という状態では、AI以前の問題として統制が取れません。
企業がAI開発を始めるなら、私はモデル選定より先に「正本を決める」「本番反映経路を一本にする」ことをおすすめします。
実際に使っているツールと、それぞれの役割
現在AI側では、主に次のものを使っています。
Claude Chat、ChatGPT(主に企画用)
Claude Cowork
Claude Code(VS Code)
社内プラグイン
社内スキル
開発側は、
VS Code
Git
GitHub
Google Cloud
です。
私はツールの使い分けを、それほど複雑にはしていません。見るのは基本的に次の2点です。
手元のPCのファイルに触る必要があるか
ある程度まとめて作業を進めてもらいたいか
整理するとこうなります。
PC上のファイルを触らないもの → チャット系
要件整理、判断、相談、ノウハウ蓄積
PC上のファイルを触る + コードを書く → Claude Code + VS Code
設計、実装、テスト、修正 |
PC上のファイルを触る + コードを書かない → Cowork
調査、資料生成、フォルダ確認、定期作業
実際に使っていると、各AIツールの機能差は思ったほど大きくありません。資料も作れるし、外部サービスにもつながるし、コードもある程度書けます。それよりも、「ローカルのファイルを直接扱うのか」「ある程度まとめて作業を進めさせるのか」という違いのほうが実務では重要です。
最近は「ClaudeとChatGPTのどちらが賢いか」「CodexとClaude Codeのどちらが上か」という話も多いですが、実務ではモデル同士の性能差より、どの仕事をどこまでAIに委任するかの設計のほうがはるかに重要だと感じています。
あえて入れていないものもある
逆に、クラウドを操作するCLIツールは、私が使っている3台のPCには入れていません。
Google Cloudの操作はブラウザのコンソールでかなりできますし、手元のPCから強い権限で直接クラウドを触れる必要性がそれほどないからです。
AI活用では「何をできるようにするか」ばかり議論されがちですが、「何をできないようにしておくか」もシステム設計の一部だと思っています。
便利だから入れる、AIから触れるから権限を与える、ではなく、必要なのかを考える。AIに与える権限が強くなれば、その分だけ事故が起きたときの影響範囲も大きくなります。「入れない」というのも立派なガードレールではないかと。
開発標準を「文書」ではなく「スキル」で配る
この体制で忘れてはならないのは、社内で配っている開発スキルです。これは私が作ったものもあれば、別のメンバーが整備しているものもあります。
従来のSIでは「開発標準」「コーディング規約」「テスト方針」「レビュー規約」といったドキュメントを大量に作ります。ただ、実際の現場では読まれなかったり、読んでも忙しくなると抜けたりします。
AI時代はここを変えられます。
規約を、人間が読む文書から、AIが実行する手順に変えられる。
例えば現在は、開発系だと次のようなスキルがあります。
〆出荷(通常)
変更をまとめ、レビュー依頼を作るところまで → 人間承認
〆出荷(無人)
レビュー依頼から反映まで進める → 止まらない
〆機能開発(通常)
課題を実装、テスト、検収し、レビュー依頼を作る → 人間承認
〆機能開発(無人)
複数課題を依存関係順に連続実装 → 止まらない
〆設計
質問、仕様整理、課題分解、設計書作成 → 要所で人に確認
上記以外に、プロジェクト計画策定、システム開発見積り作成など多数のスキルがあります。
スラッシュコマンドで明示的に起動することもできますし、普通に日本語で「レビュー依頼まで作って」と言えば対応するスキルが動きます。
ここで重要なのが、危険なほうは、明示的に頼まない限り動かないことです。
「レビュー依頼まで作って」であれば人間の承認前で止まり、「反映まで一気にやって」と言ったときだけ無人版が動きます。便利さを足しながら、うっかり本番まで進むことを防いでいます。
これは結構重要な設計だと思っています。確認ダイアログを何十回も出す仕組みは、一見安全そうですが、最終的に人間が全部「OK」を押すようになります。それよりも、危険な処理だけ明示的に選ばせるほうが実務では強いです。
品質が上がった理由は「AIが賢くなったから」ではない
AIを入れて品質が上がった理由も、モデルが突然天才になったからではありません。工程を変えたからです。
まず、テスト先行をスキルに埋め込みました。「テストも書いてください」とお願いするのではなく、スキル自体がテスト → 実装 → 検証の順番で進みます。人間が忙しいときに忘れることを、プロセスにして忘れられないようにしています。
また、作るAIと検収するAIを分けています。実装したAI自身に「問題ない?」と聞くと、かなりの確率で「問題ありません」と答えます。人間と同じです。そこで検収側は、元の要件、設計書、レビュー依頼の差分を突き合わせ、受け入れ条件を満たしているかを別の視点から確認します。作った本人に自分の答案を採点させないという単純な構造ですが、効きます。
さらに設計工程では、決まっていない点をAIにかなりしつこく聞かせます。私はこれを勝手に「尋問」と呼んでいます。「例外時はどうしますか」「既存データはどう扱いますか」「誰に権限がありますか」「失敗時はどこまで戻しますか」と延々質問されるので、正直少し面倒です。ただ、この面倒を設計段階でやると、実装後の手戻りが明らかに減ります。世の中的にはgrill-meスキルが有名です。
昔からシステム開発では「上流で不具合を潰したほうが安い」と言われていますが、AIはこれを人間よりはるかに根気よくやってくれます。
GitHubとGoogle Cloudはこうつないでいる
「人が承認したら自動で本番へ」を実現しているのがGitHubとGoogle Cloudの接続です。
全体としては次のような構成です。
GitHub Organization
│
│ ① Google Cloud側からOrganizationへの接続を作る
▼
Google Cloud
│
│ ② 対象Repositoryを1本ずつ接続
│
│ ③ RepositoryごとにTriggerを作成
│
│ 「どのBranchが更新されたら何をするか」
▼
本番環境
Web公開 / アプリ実行 / DBルール等を自動反映実際に17本移管してみて、いくつか地味だけれど重要なTipsもありました。
一つ目は、接続を個人ではなくOrgに対して作ることです。個人アカウント基準で作ってしまうと、その人が抜けたりアカウントを変更したときに面倒になります。会社の資産なら最初から会社側を正本にしたほうがいいです。
二つ目は、移管した直後に古い接続を消さないことです。新しい接続で一度正常にビルド・デプロイされるところまで確認してから消すほうが安全です。
三つ目は、トリガーを作るときにリポジトリ名を必ず目で確認することです。管理画面上で似た名前が並んでいると、普通に1個隣を選びます。しかもその間違いは、その〆を次回更新するまで顕在化しない可能性があります。17本もあると人間は普通に間違えるので、作成後にリポジトリとトリガーの対応表を一覧で突き合わせました。
四つ目は、画面に表示される「認証したアカウント」と「リポジトリの所有者」を混同しないことです。管理画面は、もっともらしい情報が並んでいるぶん、表示項目の意味を勝手に解釈すると危険です。AIにも同じで、画面を見て意味を推測させるのではなく、必要であれば実際の設定値まで確認させます。
最後に、設定ファイルには秘密情報を置きません。プロジェクトIDやサービス名などの非秘密情報だけを置き、Password、Token、Keyなどはクラウド側のSecret管理に寄せます。`.env` という名前だと「ここに秘密を書く場所」と誤解されることもあるので、場合によってはファイルの先頭に「秘密情報を書かない」と明記するくらいでちょうどいいと思っています。
ガードレールは「止める」と「止めない」の2段階で作る
今回、一番考えたのは安全性と速度の両立でした。
安全にしようと思うと、つい「AIが何かするたびに確認する」という設計にしたくなります。しかしそれでは10手の仕事に10回人間の承認が必要になり、人間が完全にボトルネックになります。
そこで、まず第1段階として絶対に止める線を決めました。
本番反映、削除、クラウドプロジェクト作成、セキュリティ関連の変更など、基本的には後戻りしづらい操作です。
加えて、
実装用フォルダとAI作業フォルダを分離する
秘密情報そのものをAIの画面に出さない
TokenやKeyをAIに受け取らせない
機微なデータをAI作業フォルダへ書き出さない
といった物理的な制約も入れています。
一方で第2段階として、止めない範囲も明確にしました。
一手ずつ確認するのは、
後戻りできない操作
初めて通す経路
失敗したとき原因切り分けが難しい作業
だけです。
調査、下書き、設計書修正、レビュー前の実装変更など、やり直しが効く仕事はまとめて進め、最後に一度確認します。
これだけで10往復の作業が1往復になります。
AI導入で本当に生産性を上げるには、「どこで止めるか」だけでは足りません。どこなら止めなくてよいかまで会社として決めないと、AIを入れたのに人間への確認だけが増えるという残念なことになります。
会社の標準はスキル、個人の運用は1枚のファイル
会社共通の開発標準はスキルとして配っています。一方、私個人の仕事の仕方やコンテキストは、`CONTEXT.md` というファイルにまとめています。現在800行を超えました。
中には、
自分の役割(代表取締役社長かつFDE)
誰に何を相談するか
なぜ現在の運用になったのか
3台のPCの違い
フォルダ配置
命名ルール
ツールの使い分け
禁止事項
AIへの説明方法の希望
現在抱えている宿題
などを書いています。
そして、すべてのプロジェクトで「まずCONTEXT.mdを読んでから仕事を始める」としています。
ここで大事なのは、ルールだけでなく理由まで書くことです。「本番へ直接デプロイしてはいけない」だけでなく、「変更履歴をGitHubに一本化し、誰が何を変えたのか追えるようにするため」と書きます。
禁止事項だけを書いておくと、AIは賢いので「今回は合理的な例外では?」と考え始めることがあります。理由まで理解させると、かなり判断が揃います。このあたりは人間の新入社員とほとんど同じです。
なお、会社標準のルールと私個人の`CONTEXT.md`が食い違う場合は、会社標準を正としています。正本が二つある状態を作らないことも重要です。
3台のPCで同じ環境を回す
私は週の半分を別拠点で過ごすため、メインPCを1台に固定できません。そのため3台とも基本的に同じ仕事ができるようにしています。
フォルダ構成はできるだけ同じにし、ユーザー名に依存するパスは使いません。最初はPC名で識別すればいいと思ったのですが、意外と重複するため、最終的には端末固有の識別子を使うようにしました。
また、手元の`CONTEXT.md`が古い状態で作業すると、別PCで更新した設定やルールを巻き戻す危険があります。そこで、作業開始時にAI自身にCONTEXT.mdの状態を確認させ、正本より古ければ更新を促すというルールにしています。
地味ですがかなり効きます。
人間が「このPCは最新だったかな」と覚えておくのではなく、その確認自体をAIの仕事にしてしまう。こういう忘れやすいけれど機械的に確認できる仕事は、AIに非常に向いています。
AIで一番価値が出たのは「生成」より「実測」だった
ここまで使ってみて一番意外だったのは、AIの価値が「コードを書く」「文章を作る」ことだけではなかったことです。むしろ私は最近、現実を確認させる仕事のほうに大きな価値を感じています。
バックアップを「あるはず」から「本当にある」にする
あるマーケティングシステムのバックアップ状態を実測させました。データベースについては日次で7世代取得できていましたが、調べていくと、添付資料と設定ファイルを保護する仕組みがありませんでした。
そこでその日のうちにバックアップを追加しました。ただし「バックアップ機能を追加しました」で終わりにはせず、翌朝、本当にバックアップファイルが1件生成されていることを確認するところまで工程に入れました。
「バックアップの仕組みがある」と「バックアップが取れている」は違います。システム開発をやっていると、こういうことは本当に普通にあります。
デザインを数値で判断させる
共通デザインシステムを社内アプリに適用するとき、指定色をボタン背景に使う設計がありました。見た目では特に問題なさそうなのですが、AIにコントラスト比を計算させると白文字との比が3.77:1で、本文で必要な4.5:1を下回っていました。
一段濃い色なら7.34:1なので、「デザインシステムの色スケールには従うが、白文字を載せる面では一段濃い色を使う」と決め、理由まで記録しました。
人間だけなら「まあ読めるからいいか」と通っていた可能性があります。AIはこういう、面倒だけれど測れば一瞬で判断できるものに強いです。
名前を決める前に地雷を見つける
新しいアプリの名前を決めるときにも、実装前にAIに規約上の制約を調べさせました。すると、ある動画プラットフォームのAPI利用規約では、サービス名にそのプラットフォーム名を入れることに制約があることが分かりました。
さらにクラウドのプロジェクトIDは、一度作成すると変更できず、削除後も再利用できません。
私はマイルールで
Google Cloud Project ID
= GitHub Repository名
= PC上のFolder名を基本的に揃えているので、名前を間違えると後から結構面倒です。
作り始める前に分かったので、やり直しはゼロでした。
別の案件でも法令上の論点が法人分離のシステム設計に影響することが分かり、Domainや識別子の段階から分離しました。
この3例に共通しているのは、「作る前に確かめる」ことです。
AIは生成も速いですが、人間が面倒くさがる調査を何度でもやってくれるという意味で、私は実測のほうにかなり価値を感じています。
AIへの指示も、かなり変わった
使い込んでいく中で、AIへの指示も少しずつ変わりました。特に効いているルールが3つあります。
一つ目は、「見つからない」をそのまま結論にさせないことです。AIは観測できないと「存在しない」と結論づけてしまうことがあります。そのため、見つからない場合は断定せず、考えられる原因候補を出して質問するようにしています。
二つ目は、「取得できた範囲」と「全体」を区別させることです。権限不足で一覧の一部しか見えていないのに、「全部で8件です」と答えられると危険です。数字が出てくると人間は急に信じてしまうので、どこまで取得できた結果なのかを必ず明示させます。
三つ目は、画面で見比べるのではなく、機械が比較できる方法で確認することです。長いファイルをAIに書き換えさせた場合は、ファイルサイズやハッシュまで確認します。実際、長文を貼り替えた際に3文字だけズレていたことがありました。目視ではまず分かりません。
機械が扱うものは、機械が比較できる形で確認する。
これもAI運用ではかなり重要な原則だと思っています。
AI導入に向いている会社、まだ別のことを先にやったほうがいい会社
ここまで読んで「うちでもやりたい」と思う方もいるかもしれません。ただ、いきなりClaude CodeやCodexを全員に配ればいいわけではありません。
比較的向いているのは、
社内システムを自社で持っている
Gitなどで変更履歴を残している
AIに任せる範囲を決める人がいる
業務ルールをある程度言語化できる
という会社です。
一方、例えば本番サーバーに手作業でファイルを置いている会社は、AI導入より先にそこを直したほうがいいと思います。AIを入れるより、まずCI/CDを整えたほうが生産性も安全性も上がる可能性があります。
また、「誰もシステムの全体像を把握していない」会社では、AIに調べさせること自体はできます。ただしAIが「このケースはどうしますか」と聞いてきたときに、最終判断をする人が必要です。
AIを入れると人間の意思決定が減ると思われがちですが、実際はむしろ逆です。
作業が速くなるぶん、判断する人のところに仕事が猛烈な勢いで集まってきます。
AI化が進んだ会社ほど、経営者、事業責任者、PMなど「決める人」のスピードがボトルネックになると思います。
SIerのPM・SEにとっては、かなり大きな転換点だと思う
SIerでPMやSEをやっていて、「会社でAI活用が全然進まない」「自分だけClaudeやChatGPTを使っている」「このまま従来型の開発を続けていて大丈夫なのか」と感じている方もいると思います。
私は、その違和感はかなり正しいと思っています。
AI時代のシステム開発は、従来の工程をそのままにして、それぞれをAIで20%速くする話ではありません。工程そのものを組み替える話です。
設計担当、実装担当、テスト担当、レビュー担当をすべて人間で構成する必要はなくなります。一人のPMやSEが複数のAIを動かし、人間は業務理解、顧客との合意形成、重要な判断、品質責任を持つ。私自身もかなりその形になっています。
以前はコードを読む、調べる、資料を書く、修正するという時間が多かったのですが、現在は、
AIに仕事を分解して渡す
AIから上がってきた論点に裁定を下す
成果物を受け入れる
という仕事の比率がかなり高くなりました。
つまり、「自分で作業する人」から「複数のAIに仕事をさせ、重要なところだけ判断する人」へ役割が変わっているわけです。
これからPMの価値は、WBSをExcelで更新できるとか、進捗会議を回せるというだけでは、かなり厳しくなると思います。一方で、業務を理解し、曖昧な要件を潰し、AIに仕事を分解して渡し、成果物の良し悪しを判断し、顧客と意思決定できる人の価値はむしろ上がります。
AIによってPMやSEが不要になるというより、作業管理しかできないPM、言われた仕様を実装するだけのSEが厳しくなるという変化だと私は思っています。
逆に言えば、いま所属している会社でAI活用が進んでいないのであれば、自分で触っておいたほうがいいです。
会社が変わるのを待っている間にも、AI前提で開発している会社のPMやSEは、毎日違う経験を積んでいます。その経験差は1年、2年でかなり大きくなると思います。
まとめ ── AI導入は、ツール導入ではなく仕事の再設計
今回、18本の社内システムをAI前提に組み直して、特に効いたのは次の5つでした。
1. 本番が変わる道を一本にする。
GitHubを正本とし、人が承認した変更だけがGoogle Cloud経由で本番へ入る。この一本道があるから、途中の作業をかなりAIに任せられます。
2. 標準を文書ではなく、実行可能なスキルとして配る。
テスト先行、実装と検収の分離、レビュー依頼で停止するといった開発標準をAI自身が実行する形にすると、「読んで守ってください」よりはるかに強いです。
3. 「止める場所」だけでなく、「止めない場所」も決める。
後戻りできない仕事だけ人間が承認し、やり直せる調査・下書き・実装はAIにまとめて進めてもらう。この線引きがないと速度は出ません。
4. 生成させる前に、実測させる。
設計書ではなく本番を見る。「あるはず」ではなく実物を見る。バックアップも設定もアクセシビリティも規約も、まず確認してから作るだけで手戻りはかなり減ります。
5. 人間への引き継ぎ情報が、そのままAIへの引き継ぎ情報になる。
個人の頭の中にある仕事を会社のものにする作業と、AIに任せられる仕事にする作業は、ほとんど同じでした。
だから、これからAIを導入したい会社が最初に考えるべきなのは「ClaudeにするかChatGPTにするか」ではないと思っています。
自社の仕事は、誰かに引き継げる状態になっているか。本番の正本はどこか。AIにどこまで任せるのか。どこで人間が承認するのか。
まずそこを決める。
そのうえでClaude、Cowork、Claude Code、Codexのようなツールを業務フローの中に配置していくと、AIは単なる便利なチャットではなく、本当に業務を動かす存在になります。
いま私は19本目のシステムを立ち上げていますが、その案件でも実装を始める前にAIが規約や法令の制約を見つけ、二つの地雷を先に潰しました。結果として作り直しはゼロでした。
18本、19本と実際に回してみて思うのは、AI時代の開発は、単純にコードを書く速度を競うゲームではなくなってきているということです。
AIが高速に働ける環境を作り、人間が重要な判断だけを持ち、手戻りを起こさない仕組みを作る。
たぶん、これからのシステム開発では、こちらの能力のほうがずっと重要になっていくと思っています。
あと、どうでもいい話ですが、モニターが足りないですね。ノートPCに接続するのは、ウルトラワイド+ワイド+サブモニターがあると効率的です。これをスタンダードにすると一人当たりの座席の広さを広げる必要があります。賃料が。。。
次は、AIが働くWorkflowからPlatformへ
ここまでで、要件定義、設計、実装、レビュー、デプロイまでをAI前提のワークフローとしてかなり整理できました。ただ、これで完成とは思っていません。
次に着手しているのは、このワークフロー自体のプラットフォーム化です。実装、レビュー、受け入れ確認、セキュリティ確認などを複数のAIに分担させ、さらにAIだけで完了できた割合、人間の介入回数、PRの差し戻し率、手戻り率、リードタイム、AI利用コストなどを継続的に計測し、その結果をスキルやガードレールの改善へ戻していく構想です。
いまは「AIが働くワークフロー」を作った段階ですが、次は「AIが働くプラットフォーム」へ進めています。当社のマニアな役員陣が今まさに実装しています。
AIの自律度が上がれば上がるほど、人間を完全に外すのではなく、どこまでAIに任せ、どこで人が責任を持つかという設計がさらに重要になります。
結局、ここでも記事全体のテーマに戻ります。
AI導入の肝は、ツールではなく承認点の設計である。
お問合せフォーム