
AIエンジニア4人とPLで、実際の業務システムを開発してみた
AIエンジニア4人とPLで、実際の業務システムを開発してみた
RENCH合同会社|AI開発実践シリーズ 第1弾
AIにプログラムを書かせることは、今では珍しくありません。
しかし、複数のAIに役割を与え、プロジェクトリーダー(PL)の指揮のもとで開発を進めたら、どうなるでしょうか。
私たちRENCH合同会社では現在、ChatGPT WorkとCodexを活用し、医療機関向けの予防接種予約システムを開発しています。
AIエンジニア4人、開発統括PL、そして全体計画を管理するPMO。
それぞれに役割と責任を持たせ、実装、テスト、相互レビュー、進捗管理を分担しています。
最初から順調だったわけではありません。
AI同士の報告が届かない
作業が終わっても、次の指示が出ず全員が待機する
同じファイルを複数のAIが変更する危険がある
検証用Docker環境が増え、PCのメモリが不足する
自動承認審査や利用制限によって作業が止まる
こうした問題に直面しながら、少しずつ開発体制を整えてきました。
その結果、現在はPLを中心にAI同士が作業を分担し、実装結果をレビューしながら開発を進められるようになってきました。
この記事では、実際の開発で使用している体制、Markdownによるタスク管理、AI間の連携方法、品質保証の仕組みを紹介します。
さらに有料部分では、自分のAI開発チームを構築するための具体的な手順と、実際に使える指示書テンプレートを紹介します。
AIを単なるコーディング補助ではなく、ひとつの開発チームとして動かす。
そのために何が必要だったのか、実体験をもとにお伝えします。
第1章:AIだけでシステムを作ろうとして気づいた問題
AIはコードを書ける。でも、システム全体を完成させるのは別の話だった。
今回、RENCH合同会社がAI開発チームで取り組んでいるのは、医療機関向けの「予防接種予約・管理システム」です。
患者のWeb予約、事前予診票入力、オンライン決済から、医院側の受付・接種記録・帳票発行までを一元管理するサービスとして開発しています。
現在も開発・検証を進めている段階ですが、複数のAIエンジニアがPLの指揮のもとで実装と相互レビューを行っています。
本記事では、システムそのものの詳細仕様ではなく、AI開発チームの組織化と運用方法に焦点を当てて紹介します。
患者がスマートフォンから予約し、予診票を入力して決済する。来院後は医院が受付・接種結果を管理し、領収書や接種証明書を発行する。
一見すると、それぞれの機能を作ってつなげれば完成しそうに思えます。
実際、AIに個別の機能を指示すると、かなりの速度でコードを書いてくれます。
しかし、開発を進めるうちに、いくつかの問題が見えてきました。
1. 画面のモックと実装が一致しない
最初に困ったのは、画面設計との不一致でした。
事前にPC用・スマートフォン用のモックを作成していたにもかかわらず、AIが独自の判断でボタンの名前や配置、画面構成を変更してしまうことがありました。
機能としては動いていても、設計した画面とは違う。
そのたびに修正を指示する必要がありました。
この経験から、「動くこと」と「要求どおりに作られていること」は別の品質基準だと改めて感じました。
2. 問題を見つけるたびに機能が増える
AIは、仕様の不足や問題点を指摘することが得意です。
これは大きなメリットですが、開発中には逆効果になることもあります。
ある機能について相談すると、例外処理や管理機能、追加画面など、次々と改善案が出てきます。
すべて取り入れていると、いつまでたっても完成しません。
そこで、まず公開する最小限の機能(MVP)と、将来の拡張機能を分けて考える必要がありました。
3. 実装できても、全体の完成状況が分からない
個々のタスクは完了していきます。
自動テストも成功する。
しかし、予約から接種後の帳票発行まで、一連の業務としてどこまで完成しているのかが分かりにくい状態になりました。
「今日も開発は進んでいる。でも、あと何日で完成するのだろう?」
そんな疑問が出てきました。
これは、AIのプログラミング能力ではなく、進捗管理や工程管理の問題でした。
4. 私自身が開発のボトルネックになっていた
当初は、AIが作業を終えるたびに私が結果を確認し、次の指示を出していました。
しかし、私は日中、通常の仕事をしています。
帰宅して、落ち着いてPCに向かえるのは21時頃。
そのため、AIの作業が完了していても、私が確認するまで次の工程に進めないことがありました。
これでは、AIの開発速度を十分に活かせません。
解決の方向性は、AIを増やすことではなかった
こうした問題を解決するために考えたのが、実際のシステム開発と同じような組織体制です。
開発統括PLを置き、実装担当とレビュー担当を分け、タスク管理と品質確認のルールを整備する。
さらに、開発全体を管理するPMOも設ける。
AIに何を作らせるかだけでなく、AI同士をどう連携させるか。
そこから、開発の進め方が大きく変わり始めました。
第2章:AIをエンジニアとして組織化した
AIを増やすだけでは、開発チームにならない
最初に考えたのは、複数のAIを使って開発を並行させることでした。

人間のプロジェクトオーナーが事業方針と重要な仕様を決定し、PMOが全体計画を管理、開発統括PLが4つのAIエンジニア担当へ実装指示を出します。
特徴は、AIの数を増やすことではなく、役割・指示系統・レビューの責任を明確にしていることです。
なお、この図は実際の運用を説明するための概念図であり、AI同士が制限なく自動通信できることを意味するものではありません。
一人のAIが予約機能を作り、別のAIが管理画面を作る。さらに別のAIにテストを任せれば、開発速度が上がるのではないか。
考え方としては間違っていませんでした。
しかし、実際に複数のAIを動かしてみると、新しい問題が発生しました。
それぞれのAIは、自分に与えられた仕事を進めようとします。
ところが、他のAIがどのファイルを変更しているのか、どの仕様を採用したのか、どこまでテストが終わっているのかを、必ずしも把握しているわけではありません。
個々のAIが優秀でも、全体を調整する仕組みがなければ、ひとつの開発チームにはならない。
そこで、実際のシステム開発プロジェクトと同じように、役割と指示系統を定義することにしました。
1. 開発統括PLを置く
最初に設けたのが、開発統括PL(プロジェクトリーダー)です。
PLの仕事は、単にプログラムを書くことではありません。
開発すべき機能を整理し、担当者へタスクを割り当て、作業結果を確認し、次の工程へ進めるか判断することです。
具体的には、次の役割を与えました。
実装タスクの切り出しと担当割当
エンジニア間の作業調整
ソースファイルやDB変更の競合防止
実装結果とテスト結果の確認
別担当によるレビューの調整
作業完了後の次工程指示
Gitの変更管理と統合判断
特に重視したのが、実装指示をPLに一本化することでした。
私が各エンジニアへ直接、別々の指示を出すと、PLが把握していない作業が増える可能性があります。
そのため、原則として私からの開発依頼はPLへ伝え、PLが担当者に分配する形にしました。
これによって、各担当の作業を一元的に管理できる体制を目指しました。
2. AIエンジニア4人に役割を与える
次に、AIエンジニアを4つの担当に分けました。
ここでいう「4人」とは、実際の人間のエンジニアではなく、役割を分けたAIの作業担当を意味します。
現在の主な担当は、次のとおりです。
エンジニア①:DB・検証環境・独立レビュー
データベースや検証環境の調査、技術的な安全確認、独立したテストやレビューを担当します。
エンジニア②:共通仕様・認証・業務ロジック
予約や患者情報の取り扱い、認証、医院と患者の業務連携など、システムの中核となる処理を担当します。
エンジニア③:画面実装・モックとの整合確認
医院向け管理画面を中心に、画面実装や既存モックとの比較、表示・操作の検証を担当します。
エンジニア④:UIデザイン・帳票UX
患者向け画面や帳票の使いやすさ、操作の流れ、画面品質の確認などを担当します。
もちろん、担当範囲は完全に固定しているわけではありません。
PLが作業内容や依存関係を判断し、必要に応じて担当を調整します。
ただし、誰が何を担当しているかを明確にすることは徹底しました。
3. 並列実装は最大2担当に制限する
AIは複数同時に動かせます。
しかし、同じプロジェクトのソースコードを複数のAIが同時に変更すると、競合や上書きが発生する危険があります。
特に、共通処理やデータベース構造の変更は、複数の機能に影響します。
そこで、並列実装は最大2担当までというルールを設けました。
残りの担当は、仕様調査、設計、画面検証、レビューなど、競合しにくい作業を進めます。
AIを4人用意したからといって、4人全員に同時にコードを書かせる必要はありません。
同時に動くAIの数より、作業が衝突せずに進むことを優先したわけです。
4. PMOをPLとは別に設ける
PLを中心に開発が進むようになっても、まだ課題が残っていました。
個々の機能は完成していく。
しかし、プロジェクト全体として何が残っているのか、いつ完成するのかが分かりにくい。
そこで、PLとは別にPMO(プロジェクトマネジメント支援担当)を設けました。
PMOの役割は、WBS、マイルストーン、残工数、リスク、開発スケジュールの管理です。
PLが「どう作るか、誰に任せるか」を考えるのに対し、PMOは「全体としてどこまで進み、何が完成を妨げているか」を確認します。
重要なのは、PMOがエンジニアに直接実装指示を出さないことです。
指示系統が二重になると、かえって混乱するからです。
PMOは全体計画を管理し、PLは開発実行を管理する。
この役割分担を基本にしています。
5. 人間はプロジェクトオーナーとして参加する
では、人間である私は何をしているのでしょうか。
現在の私の主な役割は、事業方針と重要な仕様の決定です。
例えば、どの機能を最初のリリースに含めるのか、患者にどのような操作を提供するのか、医院側の業務をどう設計するのか。
こうした判断は、AIの提案を参考にしながら、私が最終的に決めています。
また、重要な変更やリスクのある操作には、明示的な承認を必要とするルールを設けています。
AIが勝手にすべてを決める体制ではありません。
人間が目的と判断基準を示し、AIが実行を分担する。
これが現在の基本的な考え方です。
6. 役割を決めただけでは、まだ動かなかった
ここまで読むと、組織図を作ればAI同士が自動的に連携するように思えるかもしれません。
しかし、実際はそう簡単ではありませんでした。
AIが作業を完了しても、PLへ報告が届かない。
PLが次の指示を出すまで、担当者が待機している。
直接メッセージを送ろうとしても、承認審査の制限で送信できない。
こうした問題が発生しました。
そこで、Markdownによる作業指示書、進捗管理ファイル、完了報告、タスクキューを整備し、直接通信が失敗しても状況を把握できる仕組みを作りました。
さらに、PLによる定期的な状況確認も導入しました。
ただし、これは完全自律型のAI組織ではありません。ツールの権限、利用制限、承認機構、人間の判断に依存する部分は残っています。
それでも、以前のように私が一つひとつ作業を確認して次の指示を出す方法から、PLを中心に開発を進める方法へ移行できました。
AIを組織化するうえで大切だったこと
ここまでの経験から、私が重要だと感じているのは次の3つです。
役割を分けること。
指示系統を一本化すること。
作業結果を別の担当が確認できる仕組みを作ること。
AIの数を増やすこと自体が目的ではありません。
それぞれのAIが、自分の役割を理解し、他の担当と整合を取りながら作業できる状態を作ることが重要でした。
次の章では、この体制が実際に動き始めてから、開発の進め方がどう変わったのかを紹介します。
第3章:AI開発チームが回り始めて、何が変わったのか
AIがコードを書く組織から、AI同士が仕事を確認する組織へ
開発統括PLを置き、4つのAIエンジニア担当とPMOを設けたことで、開発の進め方が少しずつ変わり始めました。
以前は、AIが実装した結果を私が確認し、問題があれば修正を指示し、完了すれば次の作業を依頼する。
基本的に、私とAIの一対一のやり取りでした。
しかし現在は、PLが作業を分配し、担当者が実装し、別の担当が検証する。そして、その結果をPLが確認して次の工程へ進める。
「AIに作らせる」から「AIチームに開発を任せる」へ。
この変化が、今回の取り組みで最も大きかったと感じています。
もちろん、すべてが完全自動になったわけではありません。それでも、私が一つひとつの作業を直接管理する必要は以前より少なくなってきました。
1. PLを中心に、タスクが循環するようになった

最初に変わったのは、作業指示の流れです。
以前は、あるAIが作業を完了すると、私から次の指示が出るまで待機することがありました。
私自身、日中は通常の仕事をしているため、AIの作業が終わっても、すぐに確認できるとは限りません。
そこで、PLに担当者の作業状況を管理させ、次の作業候補をあらかじめ準備する運用を導入しました。
現在は、各担当に次のタスク候補を原則2件程度用意し、作業が完了したら次工程へ進めるようにしています。
さらに、担当者の状態を定期的に確認する仕組みも設けました。
当初は1時間間隔でしたが、現在は30分間隔での確認を試行しています。
ただし、30分ごとにすべての会話を読み直すわけではありません。既存の進捗管理資料を優先し、変化があった担当や対応が必要な担当を詳しく確認する方針です。
大切なのは、AIを常に動かし続けることではなく、次の作業へ進むための判断を滞らせないことでした。
2. 実装担当とは別のAIがレビューするようになった
次に大きく変わったのは、品質確認の方法です。
以前は、AIが「実装しました」「テストは成功しました」と報告すると、その内容を私が確認する必要がありました。
しかし、実装したAI自身による確認だけでは、見落としが残る可能性があります。
そこで、実装担当と検証担当を分ける運用を取り入れました。
例えば、画面の実装が完了した場合、別のAI担当がブラウザーで画面を開き、既存のモックと比較します。
ボタンの名称や配置、画面遷移、表示内容などを確認し、不一致があれば報告します。
また、LaravelのFeature Testなどを使い、業務ロジックが期待どおりに動作するかも検証します。
ただし、これは特定の時点・環境でのテスト結果です。システム全体の完成や、すべての業務フローの正常動作を保証するものではありません。
実装したAIとは別のAIが確認し、PLが結果を受け入れる。
この役割分担によって、品質確認を個人の判断だけに依存させない仕組みを目指しています。
実際の開発では、Laravelの自動テストにおいて、次の結果を確認しています。
【1回のテスト実行で確認できた過去最大件数】
Unit+Feature全体
・成功:746件
・Assertions:5,918件
・実行時間:218.01秒
※過去の保存ログによる実績。現在のコードでの再実行結果ではありません。Unit TestとFeature Testを合わせて746件、合計5,918件のアサーションが成功しました。
これは、AIエンジニアが実装した機能に対して、自動テストによる検証を積み重ねてきた結果です。
ただし、これは過去の保存ログに基づく結果であり、成功件数を合算するものではありません。
また、自動テストがすべて成功していても、画面の使いやすさや業務フロー全体の正しさまで保証されるわけではありません。
そのため、RENCH合同会社では、自動テストに加えて、別のAI担当による画面QAや既存モックとの比較、PLによる技術的な受入を組み合わせています。
3. AI同士の報告が届かない問題にも直面した
もちろん、組織化しただけですべてが順調に進んだわけではありません。
実際に困ったのが、AI同士の報告です。
ある担当者が作業を完了し、PLへ報告しようとしたところ、メッセージ送信が承認審査によって拒否されることがありました。
また、自動承認審査に使用されるモデルの処理容量不足により、ブラウザー操作や報告送信が実行できないこともありました。
こうした場合、作業が完了していてもPLが結果を受け取れず、次工程へ進めなくなります。
そこで、直接送信だけに依存しない仕組みを整備しました。
作業結果は共有Markdownに記録し、PLが必要に応じて読み取りに行く方式です。
報告には、完了した作業、テスト結果、未解決事項、次の対応などを残します。
また、メッセージの送信成功と、PLが実際に内容を確認したことを区別するようにしました。
この経験から学んだのは、AI同士のコミュニケーションにも、障害を前提とした設計が必要だということです。
なお、承認審査を回避するために権限を無制限に広げることはしていません。承認が必要な操作は、正式な許可が得られるまで実行しない方針です。
4. AIエンジニアが増えると、開発環境も増えていった
もうひとつ、想定外だった問題があります。
それは、Dockerの検証環境です。
各担当が既存の開発環境やデータを壊さないよう、独立した検証環境を作成していました。
これは安全性の観点では合理的な方法です。
ところが、開発を進めるうちに、検証用のコンテナが増えていきました。
実際に確認した際には、Dockerコンテナが26個稼働し、複数のMySQLコンテナも起動していました。
同時期の確認では、Windowsのメモリ使用率は96%に達し、WSLのSwapも上限まで使用されていました。
もちろん、メモリ使用量のすべてがDockerだけに起因するわけではありません。
しかし、複数のAIがそれぞれ検証環境を用意すると、PCのリソース管理も重要な課題になることが分かりました。
そこで、検証環境の担当者、用途、現在の利用状況、停止可否を管理する運用を検討しました。
特に重要なのは、検証が終わった環境を、誰の判断で、いつ安全に停止するのかというルールです。
人間の開発チームであれば、開発環境の管理担当者が行うような仕事も、AI開発では明確に定義する必要がありました。
5. PMOによって、開発の全体像を把握しやすくなった
PLによるタスク管理が機能し始めても、私にはひとつ気になることがありました。
「作業は進んでいる。でも、本当に完成に近づいているのだろうか?」
個別のタスクが完了しても、システム全体の完成率が分かるわけではありません。
例えば、予約画面が完成しても、認証、決済、接種記録、帳票発行との連携が残っていれば、業務システムとしてはまだ完成していません。
そこで、PMOにWBSやマイルストーン、残工数、依存関係を管理させることにしました。
PLは日々の開発を進める。
PMOは全体の計画と実績を比較する。
私は重要な仕様と事業上の判断を行う。
この役割分担によって、目の前のタスクだけでなく、プロジェクト全体を見渡すための仕組みが整ってきました。
ただし、開発スケジュールはまだ見込みであり、確約できる段階ではありません。
また、WBSを作っただけで進捗が正確になるわけでもありません。
実際のタスクとWBSを対応付け、完了条件を明確にすることが必要です。
6. AIを管理するための仕事が、新しく生まれた
ここまでの取り組みを通じて、私自身の仕事も変化しました。
以前は、プログラムの仕様を考え、コードを書き、動作を確認することが中心でした。
現在は、AIが提案した仕様を判断し、開発の優先順位を決め、重要な変更を承認する仕事が増えています。
そして、PLやPMOが適切に機能しているかを確認する。
AIを使うことで、プログラミング作業の一部を任せられるようになりました。
しかし、その代わりに、組織管理、品質管理、リスク管理といった仕事が必要になりました。
これは、人間のシステム開発プロジェクトとよく似ています。
違うのは、開発担当者がAIであるということです。
現在の成果と、まだ残っている課題
現在、RENCH合同会社のAI開発チームは、以前よりも安定して作業を進められるようになってきました。
PLを中心に、担当者が実装し、別の担当が検証する。
共有資料を使って進捗を管理し、PMOが全体の完成見込みを確認する。
一方で、まだ解決していない課題もあります。
AIモデルの利用上限、承認審査の失敗、開発環境のリソース管理、仕様変更による作業増加などです。
また、開発している予防接種予約システムも、現時点ではリリース前の段階です。
したがって、今回の方法があらゆる開発現場で成功すると断言することはできません。
それでも、私自身は、この運用方法に手応えを感じています。
AIを増やすだけでは、開発はうまく進まない。
役割を与え、指示系統を整え、相互レビューと進捗管理を組み込むことで、初めてチームとして動き始める。
これが、今回の開発で得られた大きな学びです。
ここからは、AI開発チームを実際に動かす方法を公開します
ここまで、RENCH合同会社がAIエンジニア4担当、開発統括PL、PMOという体制を構築し、実際の業務システム開発に取り組んできた経緯を紹介しました。
最初からうまくいったわけではありません。
AI同士の報告が届かない。作業が終わっても次の指示が出ない。複数のAIが同じソースコードを変更する危険がある。
こうした問題に直面しながら、私たちは少しずつ開発の仕組みを整えてきました。
では、実際にこのようなAI開発チームを作るには、何から始めればよいのでしょうか。
ここから先の有料部分では、RENCH合同会社が実践している運用方法と、そこから得られたノウハウを具体的に公開します。
有料部分で学べること
第4章|AI開発チームの組織設計
PL・PMO・AIエンジニアの役割、指示系統、権限と承認の設計方法。
第5章|Markdownによるタスク管理
作業指示書、STATUS、完了報告を使い、AI同士で進捗を共有する仕組み。
第6章|AI同士の連携と障害対応
報告未達、承認エラー、指示待ちが発生した場合の対応方法。
第7章|複数AIによる並列開発
同一ファイルの競合防止、DB変更の管理、Git統合、検証環境の分離。
第8章|AI相互レビューと品質保証
実装担当とは別のAIによるレビュー、画面QA、PLによる技術的受入。
第9章|実際に発生した6つのトラブル
Dockerコンテナ26個、メモリ使用率96%、AI間通信の失敗など、実際の問題と対応結果。
第10章|今日から始めるAI開発チーム
最小構成からチームを立ち上げる手順と、最初の7日間の実践ロードマップ。
購入者向けの実践テンプレートも収録
さらに、記事内で紹介する14種類の実践テンプレートを、コピーして使える形で収録しています。
PLへの初期指示、タスク管理、進捗報告、並列開発の競合防止、品質受入、トラブル対応まで、自分のプロジェクトに合わせてカスタマイズできます。
※ 購入者向けのダウンロード特典ZIPも、記事内で提供予定です。
この記事で伝えたいこと
AIにコードを書かせる方法は、すでに数多く紹介されています。
しかし、複数のAIに役割を与え、PLを中心に連携させ、実装・レビュー・品質確認まで分担させるには、別の工夫が必要です。
本記事は、完成された成功事例を紹介するものではありません。
現在進行形の開発で経験した問題と、そこから生まれた運用方法をまとめた実践記録です。
AIにプログラムを書かせるだけでなく、AIが協力してシステムを開発するチームを作る。
その具体的な方法を、ここから詳しく紹介します。