メインコンテンツへスキップ
見出し画像

AIと「同じもの」を見ながら設計する――UMLとMCPで考えるAI開発

    最近、AIを使った開発で少し面白い実験をしています。

    きっかけは、Sparx Systems の Enterprise Architect(EA)から、MCPを通してAIがUMLモデルを読み書きできるようになったことでした。最初は単純に、

    「AIからUMLを操作できるのか。これは面白そうだ」

    くらいの興味でした。ところが実際にCodexからEAのクラス図を読ませてみると、単なる「便利なUML連携」以上の可能性が見えてきました。それは、 人間とAIが「同じもの」を見ながら設計について話せる ということです。そしてこれは、AI開発で意外と大きな問題になっている「認識のズレ」を、もっと上流で見つけるための方法になるのではないかと思い始めました。

    AIは実装が速い。でも、同じものを想像しているとは限らない

    これまでChatGPTと要求や設計について相談し、その内容をCodexへ渡して実装してもらう、という開発を何度か行ってきました。

    AIの実装能力はかなり高くなっています。詳細な指示を渡せば、コードを書き、テストし、問題があれば修正するところまでかなり自律的に進めてくれます。一方で、ときどき困ることがあります。ある程度実装が進んだところで、

    「あれ? 私が考えていたものと少し違うぞ?」

    と気付くことです。これは必ずしもAIが間違えたわけではありません。人間が頭の中で考えていたものと、AIが文章から組み立てたものが少し違っていた。それなのに、お互いが「だいたい理解できた」と思ったまま先へ進んでしまったわけです。小さなプログラムなら、これは大した問題ではありません。違っていたら作り直せばよいでしょう。しかし、規模が大きくなるほど修正コストも大きくなります。AIの実装速度が上がれば上がるほど、 「速く作ること」より「作り始める前に方向を合わせること」 が重要になるのかもしれません。

    Enterprise ArchitectをCodexから読んでみる

    そこで面白かったのが、Enterprise ArchitectのMCP Serverです。EA上で開いているモデルを、MCP経由でCodexから取得できます。

    まず簡単なクラスを作り、

    • HP : int = 100

    • get_health() : int

    という属性とメソッドを持たせました。そしてCodexに、

    現在開いているクラス図を読み取り、メソッド一覧を表示してください。

    と頼んでみました。CodexはMCP経由でEAからダイアグラムと要素の情報を取得し、get_health(): intを正しく読み取りました。ここまでは「構造化されたモデル情報を取得できる」という確認です。次に少し意地悪をして、

    現在のクラス図を読み取り、各クラスの責務を推測してください。

    と頼んでみました。するとCodexは、HPを保持し、それを外部へ提供する責務を持つクラスだと推測しました。さらに、

    HPを減少・回復させるメソッドが存在しないため、現在のモデルからはHPの更新責務までは確認できない

    というところまで指摘しました。ここで考え方が変わりました。 これは単にAIがUMLを読めるという話ではない。

    AIに、

    「この図を見て、あなたはどう理解しましたか?」

    と聞けるのです。

    昔作ったCSV Parserのクラス図も読ませてみた

    もう少し複雑な例として、昔 Delphi で作った CSV Parser のクラス図を読ませてみました。この Parser は State パターンを使った構成になっており、

    • 通常文字列を処理する状態

    • ダブルクォート内を処理する状態

    • クォート終了を待つ状態

    • エラー状態

    • 状態を管理するState Machine

    など、複数のクラスに責務を分割しています。Codexにクラス図を読ませたところ、Stateパターンとしての構造を認識し、それぞれのクラスがどのような役割を持っているのか、かなり妥当な説明を返してきました。もちろん、クラス図だけですべてが分かるわけではありません。「この状態から次の状態へ必ずこう遷移する」といった情報は、クラス図だけでは確定できません。しかし、それも重要です。

    AIが、

    「ここまでは図から分かる。しかし、ここから先は推測になる」

    と言えるのであれば、そこが次に人間とAIで確認すべき場所になります。

    UMLを「成果物」ではなく「共通言語」として使う

    UMLというと、どうしても、

    設計した結果を文書として残すもの

    というイメージがあります。しかしAIと一緒に設計するなら、別の使い方ができるのではないでしょうか。まだ設計が完成していない段階で、あえて図にしてみるのです。

    例えば、

    人間とAIで自然言語による議論
            ↓
    認識が曖昧な部分をUMLにする
            ↓
    人間「私はこういうつもり」
    AI  「私はこの図をこう理解しました」
            ↓
    認識の違いを発見
            ↓
    モデルを修正

    こうすると、UMLは完成した設計の記録ではなく、 人間とAIの頭の中を同期するための共有ホワイトボード になります。文章だけで、「PlayerがInventoryを持つ」と書いた場合でも、「持つ」とは何を意味するのか、人によって想像が違います。ライフサイクルは同じなのか。独立して永続化されるのか。複数のPlayerから参照される可能性はあるのか。図にして関係を明示し、さらにAI自身にその図を説明させれば、 AIが何を理解したのかを、人間側から確認できます。 これはかなり大きな違いです。

    UMLだけで分からなければ、小さく動かしてみる

    もちろん、何でもUMLにすれば解決するわけではありません。

    特にゲームでは、

    • 自然に見えるか

    • 面白いか

    • 気持ちよく操作できるか

    • 想定した挙動になっているか

    といったことは、図だけでは判断できません。そこでUMLの次に、小さなPoC(Proof of Concept:概念実証)を作ります。PoCとは、本格的な実装へ進む前に、アイデアや設計が実際に成立するかを小さく作って確かめるものです。

    例えば敵AIなら、

    Idle → Search → Approach → Attack → Flee
    

    という状態遷移をまずモデルとして考える。その後、最低限のPoCをAIに実装してもらい、実際に動かしてみる。

    「SearchからApproachへ移る条件が厳しすぎる」

    「Fleeへ入りすぎて落ち着かない」

    と分かったら、実装だけをその場しのぎで修正するのではなく、必要ならモデルへ戻ります。

    つまり、

    議論
     ↓
    UML
     ↓
    認識確認
     ↓
    小さなPoC
     ↓
    観察
     ↓
    必要ならUMLへ戻る
     ↓
    詳細設計
     ↓
    本実装
    

    という流れです。設計を最初から完全なものにするのではなく、戻るのが安いうちに何度も確認するわけです。

    昔の「設計担当」と「実装担当」に少し似ている

    この話をしていて、昔のメインフレーム開発を思い出しました。ウォーターフォール型の開発では、設計担当と実装担当の役割が明確に分かれていました。実装担当は基本的に設計書どおりに実装します。分からないことがあれば勝手に仕様を作るのではなく、設計担当へ問い合わせます。設計側で判断し、必要なら設計書を変更してから実装担当へ戻します。AIでも、同じ分業が意外と有効かもしれません。

    例えば、

    人間
      ↕
    調整・設計担当AI
      ↕
    EA / UML
      ↓
    実装指示
      ↓
    実装担当AI
      ↓
    コード・テスト・実装結果
    

    とします。実装担当AIは、設計上の不明点を勝手に補完しません。「ここは設計から判断できません」と調整担当へ返します。昔と違うのは、この往復を数分単位で行えることです。ウォーターフォールへ戻るというより、 昔の開発で培われた責務分離を、AIによる高速な反復開発へ持ち込む と考えた方が近いでしょう。

    ER図を見ればシステムが分かった

    この感覚には、少し覚えがあります。昔、業務システムのER図を見ると、

    「このシステムは、だいたいこういうことをするシステムなんだな」

    と分かることがありました。データベースの構造を見ることで、そのシステムが「何を覚えているのか」と「何と何を関連付けているのか」が分かるからです。ER図は、人間同士でシステムについて話すための非常に強力な共通言語でした。

    UMLなら、さらに、

    • クラス図で「誰が何を担当するのか」

    • 状態遷移図で「どう振る舞うのか」

    • シーケンス図で「誰と誰が、どの順序で協調するのか」

    といったものまで表現できます。そして今度は、その図をAIも読めるようになってきた。ここが面白いところです。

    LSPと少し似ている

    もう一つ連想したのが、プログラミング言語のLSP(Language Server Protocol)です。AIにソースコードを単なる大量の文字列として読ませることもできます。

    しかし言語サーバーは、

    • これはクラス

    • これはメソッド

    • このシンボルの定義はここ

    • ここから参照されている

    • この型はこれ

    といった、ソースコードの「意味」をすでに理解しています。EAも同じです。クラス図のPNGをAIに見せることはできますが、EA自身は、

    • Class

    • Operation

    • Attribute

    • Association

    • State

    • Transition

    といった意味構造を持っています。それなら画像からもう一度推測させるより、その構造をAIへ直接渡した方がよい。

    将来的には、

                   AI
            ┌──────┼──────┐
            ↓      ↓      ↓
          UML     LSP     DB
         /設計   /実装   /データ
    

    のように、それぞれの専門ツールが理解している「意味」へAIがアクセスする世界になるのかもしれません。

    AIフレンドリーなモデリングツールが出てきたら面白そう

    今回使ったのは Enterprise Architect ですが、この考え方はEAだけの話ではないと思います。今後は最初からAIとの共同作業を想定した、オープンなモデリングツールが登場しても不思議ではありません。人間は画面上で箱や線を動かす。AIは同じモデルをAPIやMCPから読み書きする。変更履歴はGitで管理できる。

    AIが、

    「この関連の多重度が未定義ですが、どちらを想定していますか?」

    と聞いてくる。人間が図を修正すると、AIが、

    「了解しました。これなら先ほどの曖昧さは解消されています」

    と答える。そんな環境なら、かなり楽しそうです(笑)。重要なのは、単に「AIが操作できるツール」であることではありません。 人間にとって分かりやすい表現と、AIにとって扱いやすい意味構造が、同じデータとして存在すること。 これがAIフレンドリーなツールの一つの条件になるのではないでしょうか。

    AI開発のボトルネックは人間側へ移っていく?

    AIのコーディング能力はどんどん高くなっています。数年前なら何日もかかった実装を、短時間で作れることも珍しくなくなりました。そうなると次にボトルネックになるのは、 「人間が何を作りたいのかを、AIへ正確に伝える部分」 なのかもしれません。しかも人間自身が、最初から完全な要求を持っているとは限りません。

    AIと話して初めて、

    「いや、そうじゃない」

    「それならこっちの方がいい」

    「そこは考えていなかった」

    と気付くこともあります。だから必要なのは、完璧なプロンプトを書く技術だけではなく、 人間とAIが一緒に考え、途中で何度も認識を確認できる環境 なのだと思います。

    文章で話す。
    
    図で確認する。
    
    必要なら小さく動かす。
    
    結果を見て、また話す。
    

    その繰り返しです。

    「AIにコードを書かせる」の、その先へ

    今回Enterprise ArchitectのMCPを試したとき、最初に期待していたのは、

    「AIからUMLを操作できたら便利そう」

    という程度のものでした。しかし実際に試してみると、それ以上に面白かったのは、

    AIと同じ図を見ながら設計について話せること

    でした。

    AI開発というと、どうしても「どれだけ速くコードを書かせられるか」に注目しがちです。でもAIが速くなればなるほど、その前段階で、 「そもそも私たちは同じものを作ろうとしているのか?」 を確認することの価値が上がっていくのかもしれません。UMLはそのための方法の一つです。

    将来、UMLだけでなくLSP、データベース、テスト、Git、各種設計ツールなどがAIから意味のある形で利用できるようになれば、人間がすべてを文章に翻訳してAIへ説明する必要も少なくなっていくでしょう。

    • 人間にも分かりやすい。

    • AIにも分かりやすい。

    そして、人間とAIが同じものを見ながら一緒に考えられる。そんな AIフレンドリーな開発環境 が広がっていったら、開発はかなり楽しくなりそうです。