
アーキテクトはどこまでAIと組めるのか: そういえばなんでGraphDBを提案できたの?
前回の記事はこちら。
実はこれ、このアーキテクチャレビューツールの開発の元々のお題である、人間が情報ちゃんと渡せれば生成AIがアーキテクチャレビューができ、最終的には設計までできるんじゃないの?という仮説に対する一つのポジティブな答えなんじゃないの?と思ったので一回まとめておきます。
このツール開発の仮説は?
元のお題はこれです。
要約すると
アーキテクチャレビューやアーキテクチャ設計などの複雑な意思決定を生成AIにさせるための最大のハードルは、実は生成AI側ではなく、人間の情報設計能力の限界なのでは?
です。
情報設計ってどういうこと?
この場合の情報設計とは、簡単にいうと、なんらかのアイデアを出さなければいけない生成AIに対して、適切な分量の、かつアイデアの生成に十分な情報を、伝わる形で伝えるための情報の取捨選択と構造化のことです。
小難しい表現を使いましたが、もっと簡単にいうとこういうことです。
生成AIが意味あるアイデアを出すために、必要な情報をちゃんと選んで、構造化して、わかる形で渡すこと
これが難しいのは次の3つ。
必要な情報を取捨選択できること
情報同士の関係性をわかりやすく表現すること
情報の全体像を、理解する側がわかる形で提示すること
情報設計の問題は新しい課題ではない
実はこれ別に生成AIの登場ででいきなり出てきた課題ではないんです。
人間同士のコミュニケーションでも、昔から起きていた問題なんですよね。
Back Drawing Challengeというジャンルの「やってみた」動画をご存知ですか。
これはまさに、情報設計の難しさを可視化する試みです。
この動画では最初の一人がゾウを書いていますよね。
ただしそれがうまく伝わらなくて、どんどん変な絵になってしまう。
これをみると、Back Drawing Challengeとは情報設計の難しさのうち、以下2点に大きな制約がかかっていることがわかります。
情報同士の関係性をわかりやすく表現すること
情報の全体像を、理解する側がわかる形で提示すること
これをみると正しく伝えることの難しさがよくわかります。
Back Drawing Challengeは、それを視覚的に体感できる仕掛けなんです。
ちなみにですが、Back Drawing Challengeは、Waterfall開発で見られる、設計書ベースの情報伝達の限界を表現する例としてよく引用されます。
ドキュメントベースの情報伝達も、まさに情報同士の関係性と全体像の把握に苦労しますよね。
GraphDBに辿り着いたプロセス
ではあらためて表題に戻ります。
PDFのBackcasting MapからGraphDBに辿り着くまでにいくつかステップがありました。
1) Backcasting Map
--> これはこれで全体像を把握するのに役に立つ。
でも精緻化していくとだんだん線が増えて、人間の目でも細かい点が把握しきれなくなってきた。
2) ChatGPTが「付箋に書いてある情報だけだと解釈の余地が大きすぎて、生成AI側の理解がブレるかも」
--> 確かに「バグが大量発生」「度重なる遅延」だけ言われると、人間でも意見がぶれるよね。
3) 文字情報にしよう! --> YAML + Markdown + Obsidian
--> 一回文章を補いつつ、情報の粒度の良し悪しが簡単にわかるフォーマットで作り込もう。
4) 作ってみたら依存関係が深すぎて、Obsidianだけでは追いかけきれない
--> どうせ生成AIのチャットウインドウにコピペだし、Obsidianで簡易的にできればラッキーと思ったけど、やっぱり無理かー
5) なんかデータストアにしたいけどRDBめんどくさい
--> Root Cause --> Root Cause --> Root Cause みたいな再帰的なSELECT文書きたくない。
6) ChatGPTが「ではGraphDBでどう?」
--> いけるかも、やってみよう
太文字にした2箇所は完全にアーキテクチャ的な意思決定です。小さくとも設計活動の一つです。
ChatGPT側のGraphDB提案ロジック
せっかくですのでChatGPTにどのようにGraphDBの提案に辿り着いたか、思考ロジックと、それに必要だったインプットを解説してもらいました。
## ✅ AssistA(ChatGPT)がGraphDBを提案したときの思考ロジック
### 1. 目の前の状態の観察
- ユーザーはMiro上でBackcasting Mapを構築している
- ノード的な要素(Success Criteria, Symptom, Root Causeなど)が存在
- 線で結ばれた関係性(triggers, caused_byなど)が多数
- 付箋の色や位置に意味が含まれている様子(構造があるが、暗黙的)
**→ 結論:これは暗黙の意味構造を持った視覚的グラフである**
---
### 2. ツールの限界の認識
- Miroは視覚認知には優れるが、構造を機械的に処理することができない
- 色や線の意味が、形式知として定義されていない(=AIが解釈できない)
**→ 結論:構造と意味を明示化した情報表現が必要**
---
### 3. 今後の情報利用形態の推測
- これらの情報は、将来的に生成AIにプロンプトとして渡す前提で整理されている
- つまり、「問いに答える」ことが求められる
- 例:「このSuccess Criteriaに影響するRoot Causeは?」
- 例:「どのSymptomがこの課題の兆候か?」
**→ 結論:意味付きグラフとして照会可能でなければならない**
---
### 4. 構造的に扱うには何が必要かの逆算
- YAMLやMarkdownに情報を記述し始めていた(→機械処理に向いた形態)
- 構造化・関係性の定義・照会性が求められる
- 自然言語のノード間にある意味関係を照会・ナビゲートしたい
**→ 結論:GraphDBを使えば、構造・意味・照会性を同時に担保できる**
---
## 🧩 この推論に必要だった前提インプット(共有された背景情報)
| 種類 | 内容 |
|------------------|------|
| 🧭 ゴール情報 | 「生成AIによるアーキテクチャレビューツールの構築」が最終目的である |
| 📚 文脈情報 | Backcasting Mapは最終的にAIに渡すための **プロンプトの素(構成要素)** になる |
| 🧠 利用者の知識水準 | ユーザーは情報の構造化や概念設計に習熟しており、抽象的なゴールを踏まえて設計している |
| 💾 技術基盤 | ユーザーはYAML付きMarkdownで情報を記述・整理しており、GraphDBとの親和性が高い環境にある |
| 🔍 状況観察 | Miro上で概念をノード・リレーションとして構造的に扱っている(が、形式知化されていない) |
---こうしてみると、ChatGPTがGraphDBを「提案した」のではなく、「必要条件を満たす構造を論理的に導出した」だけなんですよね。つまり、設計思考のサポートツールとしての役割を自然と果たしていたわけです。
これこれ、これを大規模でもできるようにするのが遠い未来の夢のようなゴールなんですよ。
必要だったインプットはなんだったか
この記事的に大事なのはここ。
## 🧩 この推論に必要だった前提インプット(共有された背景情報)
| 種類 | 内容 |
|------------------|------|
| 🧭 ゴール情報 | 「生成AIによるアーキテクチャレビューツールの構築」が最終目的である |
| 📚 文脈情報 | Backcasting Mapは最終的にAIに渡すための **プロンプトの素(構成要素)** になる |
| 🧠 利用者の知識水準 | ユーザーは情報の構造化や概念設計に習熟しており、抽象的なゴールを踏まえて設計している |
| 💾 技術基盤 | ユーザーはYAML付きMarkdownで情報を記述・整理しており、GraphDBとの親和性が高い環境にある |
| 🔍 状況観察 | Miro上で概念をノード・リレーションとして構造的に扱っている(が、形式知化されていない) |
---ChatGPTと共有した情報は実は膨大で、チャットスレッドで13個あります。
この中で蓄積した情報からこの5つのインプットが抽出されました。
こうしてリストにしてもらうと納得感がありますよね。
ここからは、私の視点でChatGPTがどこからこの情報を拾ったか振り返ってみます。
ゴール情報
最終的なゴールは「生成AIによるアーキテクチャレビューの自動化」ですが、そこに至るまでの工程では常に目的ごとに方針を切り替えていました。
例えば
今は全体構造を頭からダンプしたい
今は文字情報に変換し、読んだ人がぶれなく理解できるようにする
といったように、都度チャットスレッドを分けて作業目的を明確化してきました。
明確にインプットした覚えがないものがあります。
各工程で目的のアウトプットに対してやりやすいツールがあればそれを使う方針でいたのですが、これは明確に渡した記憶がありません。
この点はおそらくスキルアセスメント等、以前のプロジェクトのやり取りから蓄積されたものだと思います。
文脈情報
Backcasting Mapは最終的にAIに渡すプロンプトの素材として扱う予定であることは、最初から共有していました。
さらに、最終的なデータストアの技術選定は、生成AIによる可読性を最重視する方針も明確に共有していました。
利用者の知識水準
これは明示的に伝えたというより、今までの会話の積み重ねから自然と読み取られた要素です。
構造化・概念設計・設計意図といった話題が頻出していたため、「抽象的ゴールを踏まえて構造化できる人」として認識されたのだと思います。
技術基盤
Backcasting MapからObsidianにデータを移すタイミングで、限界が来たら環境を変える前提は以前から共有していました。
さらに、いざとなったらデータストアに流し込みやすいよう、スクリプト処理できるフォーマットを意識していることも明確に伝えていました。
状況観察
これはChatGPTがBackcasting Mapの構造とやり取りの文脈から独自に観察・推論した内容です。
付箋の構成や色の意味、関係線の使い方など、構造化の意図を汲み取ったうえで解釈してくれていました。
こうしてみると、「これ全部、1つのプロンプトに詰め込んで渡すのって、かなり難しくない?」と思えてきます。
特に明確に渡した覚えのない情報。
これをプロンプトに詰め込んで渡すときに渡せると思えません。
こういうところが人間側が「生成AIは気が利かない」と思ってしまう要因のように思います。
プロンプトの限界は人間の情報設計の限界
振り返ってみると最初に立てた仮説の正しさを後押しする結果になっています。
生成AIに何かを判断してもらいたいとき、我々は「プロンプトをうまく書こう」という発想になりがちですが、実はその前段階で何をどう伝えるかという、「情報設計」が見えないハードルとしてそこにあります。
つまりプロンプトは表現の問題ではなく、設計の問題なんですよね。
生成AIを活用したアーキテクチャレビューは、人間の情報設計能力に強く依存しています。
適切に構造化されたコンテキストと関係性があれば、AIは想像以上に妥当なアウトプットを返してくれる。ただし、それを可能にするためには、人間側の構造化能力と設計意図の明示化が必要です。
こうして見ると、プロンプトというのは単なる“指示”ではなく、情報設計の最終成果物とも言えるのかもしれません。
そして今回のGraphDB導入も、設計活動そのものであり、我々が設計者としてAIとどう協働するかの試金石でもありました。
これからの生成AI活用には、プロンプトエンジニアリングだけではなく、情報設計エンジニアリングが鍵になるのでしょう。
とはいえ今回の件、気が付かずにしれっと乗り越えちゃってたんですけどね!