
AI開発チームを動かしたら、Dockerが26コンテナに増殖した話
AIに開発を任せていたら、PCが悲鳴を上げた
AIを使えば、システム開発はもっと効率化できる。
そう考えて、私たちRENCH合同会社では、複数のAIエージェントによる開発チームを構築しています。
体制は、人間のプロジェクトオーナー、AIの開発統括PLとPMO、そして4担当のAIエンジニアです。
現在、この体制で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がコードを書き、別のAIがレビューし、PLが作業を管理する。
少しずつ開発チームらしい動きができるようになってきました。
ところが、ある日。
PCのメモリ使用率が96%になっていました。
「なんでこんなに重いんだろう?」
調べてみると、思わぬ状況になっていました。
Dockerコンテナが26個も起動していたのです。
しかも、その中には複数のMySQLコンテナまで。
AI開発チームを動かしていたつもりが、いつの間にかDockerの大家族ができあがっていました(笑)。
今回は、この出来事と、そこから考えたAI開発チームの環境管理について紹介します。
そもそも、なぜAIが複数いるのか?

私たちが開発しているのは、予防接種の予約、問診、受付、接種記録などを管理するWebシステムです。
技術構成は、主にLaravel、MySQL、Docker、WSL(Ubuntu)。
開発統括PL:タスク分割・実装調整・技術的な受入
PMO:WBS(作業分解表)・進捗・マイルストーンの管理
AIエンジニア①〜③:調査・設計・実装・テストなど
AIエンジニア④:独立レビュー・画面QA
ここでいう「AIエンジニア」は、開発作業を担当するAIエージェントの呼び名です。PLは開発統括役、PMOは計画や進捗を管理する役割として分けています。
※ 担当の役割は、タスクに応じて調整しています。
複数のAIを使う理由は、単純に同時に大量のコードを書かせるためではありません。
実装担当とは別のAIがレビューする。
PLが全体の整合性を確認する。
PMOが完成までの計画を管理する。
こうした役割分担によって、ひとつのAIの判断だけに依存しない開発を目指しています。
ただし、並列実装は最大2担当までに制限しています。
AIが4担当いても、4担当が同時にコードを書き続けるわけではありません。
なぜDockerコンテナが26個に増えたのか?

今回の開発では、複数のAI担当がそれぞれの作業に合わせて検証環境を構築していました。
例えば、ある担当が予約画面を実装し、別の担当が予診票の機能を検証する場合です。
同じ開発環境を共有すると、片方の作業がもう片方に影響する可能性があります。
特にMySQLを利用するテストでは、データの初期化やMigrationによって、他の担当の検証環境を壊してしまう危険があります。
そこで、必要に応じて独立した検証環境を用意していました。
この考え方自体は間違っていません。
問題は、その後です。
検証が終わった環境も、稼働したまま残っていた可能性があったのです。
実際にDockerの稼働状況を確認すると、予約システムの通常環境に加えて、画面確認用、PDF検証用、Feature Test用など、複数の環境が存在していました。
ひとつの検証環境でも、WebアプリケーションやMySQLなど、複数のコンテナを使います。その環境がいくつも残った結果、合計26コンテナが稼働していました。
AIは、目の前のタスクを安全に進めようとします。
しかし、複数の担当がそれぞれ独立した環境を作ると、プロジェクト全体のリソースを誰が管理するのかという問題が生まれます。
実際にPCの状態を調べてみた

まず、WSLのメモリ使用状況を確認しました。
WindowsのPowerShellから、次のコマンドを実行しました。
wsl -d Ubuntu-24.04 -- free -h結果は次のとおりです。
total used free buff/cache available
Mem: 7.6Gi 5.9Gi 87Mi 2.0Gi 1.7Gi
Swap: 2.0Gi 2.0Gi 0B注目したのは、Swapです。
2.0GiBのSwapがすべて使用されていました。
ただし、Linuxでは空きメモリが少ないこと自体が、必ずしも異常を意味するわけではありません。
キャッシュとして利用されているメモリもあるため、availableなどの値と合わせて判断する必要があります。
また、Swapがすべて使用されていても、それだけで現在激しくスワップ処理が発生していると断定することはできません。
それでも、Windows側のメモリ使用率96%という状況と合わせると、開発環境の整理を検討する必要がありました。
Dockerの稼働状況も確認
次に、以下のコマンドを実行しました。
docker stats --no-streamすると、複数のMySQLコンテナが稼働していることが分かりました。
一部を抜粋すると、次のような状態です。
・PDF検証用MySQL:約572MiB
・QA用MySQL:約555MiB
・HTTP画面確認用MySQL:約515MiB
・別の画面確認用MySQL:約448MiB
・Featureテスト用MySQL:約437MiB
これだけでも、合計約2.5GiBになります。
もちろん、これは一部のコンテナの使用量を合計したものです。
Windows全体のメモリ使用量を直接示す数値ではありません。
また、PCのメモリ使用率96%のすべてがDockerによるものとも断定できません。
しかし、複数のMySQLコンテナが一定量のメモリを使用していることは確認できました。
安全に検証するために分離した環境が、今度はPCのリソースを圧迫する要因になっていた可能性があるのです。
じゃあ、不要なDockerを全部止めればいい?

最初は、そう考えたくなりました。
でも、ここで別の問題が出てきます。
「どのコンテナを止めても大丈夫なのか、分からない」
例えば、画面確認用の環境に、まだQAが終わっていないタスクがあるかもしれません。
あるいは、テスト用DBに再現確認のためのデータが残っている可能性もあります。
コンテナ名だけを見て、不要と判断するのは危険です。
そこで、AI開発チームに各環境の用途と作業状況を整理してもらいました。
その結果、次のような情報がまとまりました。
・通常開発環境:医院管理画面で使用中 → 維持
・SCR010 HTTP環境:画面QAの確認待ち → 維持
・SCR010旧環境:新環境へ移行済み → 停止候補
・NEXT002 PDF環境:PDF検証完了の記録あり → 停止候補
・VC007 Feature環境:関連テスト完了の記録あり → 停止候補
・その他の画面確認環境:残QAの有無を確認中 → 判断保留
ここで重要なのは、「停止候補」と「停止してよい」は別だということです。
過去の作業報告に「完了」と書かれていても、現在のコンテナ内で処理が動いていないとは限りません。
また、停止と削除も別の操作です。
特に、DBボリュームを削除してしまうと、保存されていたデータを失う可能性があります。
そのため、停止前に利用状況や保存データを確認する方針としました。
この問題で気づいたこと
今回、最も印象に残ったのは、Dockerの数そのものではありません。
AIがそれぞれのタスクを正しく進めようとしていても、全体として最適な状態になるとは限らないということです。
個別のAI担当から見れば、検証環境を分けるのは合理的な判断です。
しかし、全体を管理する仕組みがなければ、検証環境は増え続ける可能性があります。
これは、人間の開発チームでも起こり得る問題です。
ただ、AIは短時間で環境構築やテストを進められるため、問題が表面化するまでの時間も短くなる可能性があります。
そこで、今後は検証環境の作成から停止までを管理するルールが必要だと考えました。
検証環境にも管理台帳が必要
例えば、次のような情報を残します。
# 検証環境管理
- 環境ID:
- 作成担当:
- 関連タスク:
- 使用目的:
- Composeプロジェクト名:
- 使用ポート:
- DB・ボリューム:
- 最終利用日時:
- 現在の利用者:
- 停止候補:YES / NO
- 停止承認:また、検証完了時には、環境の停止可否をPLへ報告するようにします。
ただし、こうしたルールを設けるだけで、自動的にコンテナが整理されるわけではありません。
実際に停止する場合は、現在の利用状況を確認し、必要な承認を得て実施する必要があります。
結局、26コンテナ問題は解決したのか?
ここは正確にお伝えしたいところです。
今回確認できたのは、26コンテナが稼働していたこと、複数のMySQLコンテナがメモリを使用していたこと、そして停止候補となる環境を整理できたことです。
一方で、すべての停止候補を実際に停止し、メモリ使用率がどれだけ改善したかという結果については、この記事の執筆時点で確認できていません。
そのため、「26個を整理してメモリ問題が完全に解決した」とは書けません。
ただし、この出来事によって、AI開発チームの管理対象を見直す必要があることは明確になりました。
AI開発では、ソースコードだけでなく、検証環境そのものも管理対象になる。
これが、今回の大きな学びです。
AI開発チームを動かして分かったこと

AIにシステム開発を任せると、コードの実装速度や自動テストに目が向きがちです。
しかし、実際に複数のAIを動かしてみると、重要なのはそれだけではありませんでした。
誰が次のタスクを指示するのか。
誰が実装結果をレビューするのか。
誰がGitの変更を統合するのか。
誰が検証環境を管理するのか。
そして、問題が起きたときに誰が止める判断をするのか。
こうした役割を明確にしなければ、AIが増えるほど管理が難しくなる可能性があります。
私たちRENCH合同会社では、開発統括PLとPMOを中心に、こうした問題を少しずつ改善しています。
まだ試行錯誤の途中ですが、AIを単なるコード生成ツールとして使う段階から、開発チームとして運用する段階へ進みつつあります。
AIを増やすだけでは、開発チームにはならない。
AIが協力して仕事を進められる仕組みを設計することが重要なのだと思います。
AI開発チームの実践ノウハウを公開しています
今回のDocker 26コンテナ問題は、実際のAIチーム開発で起きたトラブルのひとつです。
このほかにも、AI同士の報告が届かない、承認審査の失敗でQAが止まる、全員が指示待ちになるなど、さまざまな問題を経験しました。
これらの経験をもとに、AI開発チームの組織設計、タスク管理、Git統合、相互レビュー、トラブル対応を全10章にまとめています。
有料note: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
https://note.com/prime_snail1196/n/n7b9fb3376805
実際の開発で使える14種類のテンプレートも紹介しています。
AIを使ったシステム開発に取り組んでいる方や、複数のAIエージェントによる開発体制に興味のある方に、参考にしていただければ幸いです。
RENCH合同会社
AIを活用した業務システムの企画・開発・運用
2026年10月