はじめに
計画を立てて実行するときに、やるべきことを整理し、全体像を見えるようにする方法のひとつがWBSです。
私はソフトウェア開発にまつわる業界にいますが、WBS作成はとても大切な作業だと感じています。その一方で、まあ面倒な作業でもあります(個人の感想です)。
慣れてくると、叩き台そのものは比較的すぐに作れるようになります。それでも手間がかかることに変わりはありませんし、立案した内容を電子的なファイルなどに落とし込む作業もまた面倒です。さらに、作成の前提や分解のしかたを誤ると、その後の計画や実行に影響が出ます。場合によっては、金銭的にも具合の悪い結果につながります。
他方、WBS作成には定番のツールもあります。経験者の方であれば、良くも悪くも Microsoft Project に代表されるような製品を思い浮かべる人も多いでしょう。
ただ、今回ここで掘り下げたいのは、個別の製品の良し悪しではありません。現場で実際に使われている道具や運用が、生成AIとの往復を前提にした流れへ、どこまで自然につながるのか、という点です。
定番ツールがあるからといって、それを導入すれば現場がうまく回る、というほど単純でもありません。現実には、Excel ベースの愛用WBS様式で運用されたり、組織独自の仕組みやソフトで回されたり、あるいは OSS のツールが使われたりと、さまざまな形でWBSが取り回されています。
さて、そんななか、私たちの仕事に生成AIを使うことがあたりまえの時代になってきました。そうなると、当然ながらWBS作成でも生成AIを最大限に活用したくなります。
ただ、素の生成AIとの対話だけでWBS作成を完結させるのは、記事執筆時点では少し不便です。生成AIでWBSの叩き台を作ることはできても、それを見える形にしたり、実務で扱いやすい形へ落とし込んだりするには、やはり何らかの補助的なツールがほしくなります。
私は、生成AIを前提にする時代なら、計画策定を支えるツールの構造自体も、生成AIとうまく協働できる形へ変わるべきではないかと考えています。人が最初から最後まで手で入力するだけではなく、まず生成AIにWBSの叩き台を作らせ、その結果を人が見直し、整え、必要に応じてまたAIとやり取りする。そうした往復を自然に扱えることが、これからは重要になるはずです。
そこで今回は、生成AIと一緒にWBSの叩き台を作り、その結果を mikuproject で WBS Excel ブック (.xlsx) や Markdown、SVG などの形に落とし込むところまでの流れを見ていきます。
仮想のWBSを立案してみる
ここでは題材として、私が趣味で作っているアプリ mikuscore を取り上げて、AI駆動開発における仮想のWBSを考えてみます。
説明の都合もあり、まずは mikuscore の現状や課題などを生成AIと会話して簡単に整理したものを準備しました。以下を生成AIに流し込んでみましょう。この記事執筆では ChatGPT GPT-5.4 Plus を利用しました。
## 背景
### mikuscore の開発プロセス
mikuscore では、強い意味での AI駆動開発を採用しています。
* ソースコードは人間が直接編集しない
* ソースコードの変更はすべて生成AIが行う
* 仕様は Markdown(md)ファイルに記述する
* mdファイルの編集も原則として生成AIに任せる
* 人間による手動編集は最小限に抑える
理由:人間の介入は一貫性を崩し、その後のAI編集を困難にするため
=> このため、mdファイルは単なる仕様書ではなく、
**AIが作業するためのインターフェース**として機能しています。
### 現在の技術課題(ABC譜面)
現在、ABC記譜法の読み書き機能を強化しています。その中で、以下の問題が発生しています。
* ABC読み込み処理で不具合が多発している
* 不具合は個別ではなく、同種のものが繰り返し発生している
* 原因を分析すると、正規表現に起因するケースが多い
* さらに、生成AIのトークン上限に達すると、作業が完全に停止する
* (いわゆる「MPが足りない」状態になる)
### 気づき
ABC読み込み処理は、もはや単純な文字列処理ではなく、以下のように考えられます。
=> **構文を持つ「言語処理」になっている**
そのため:
* 正規表現ベースの処理には限界がある
* 字句解析(lexer)+構文解析(parser)への移行が必要
### 方針
以上を踏まえ、本計画では以下をおこないます。
* ABC読み込み処理を、正規表現ベースから
**字句解析(lexer)+構文解析(parser)へ移行する**
* 上記の実現のために、
**生成AIの制約(特にトークン上限)を前提としたWBSを設計する**
## 条件と制約
### 開発時間の制約
* 作業は土日祝日、または平日の夜間に限定される
* (実作業の多くは生成AIが担当するが、人間の関与も一定必要)
### AI駆動開発の制約
* トークン上限に到達すると、作業が完全に停止する
* 思考が浅くなるのではなく、「何もできなくなる」
* Rate limit や Premium request 上限も存在する
* 生成AIは非常に高速だが、連続実行には制約がある
### 技術的前提
* 多数の小さなテストが既に存在しており、挙動変化は検知可能
* 本改修は UI を伴わない
* 仕様が比較的予測しやすい
=> そのため、実装から単体テストまでは**生成AIがほぼ自律的に実行可能**
### 作業分担
* 実装・単体テスト:生成AIが主体
* 統合テスト:人間(2〜3日間程度必要)
* git/GitHub コミット・プッシュ・マージ・リリース:人間
* リリース後の記事執筆(Qiita / note):人間(もちろん生成AI併用)
### AI作業準備の制約
* 生成AIに作業を依頼する前に、必要なmdファイルを事前に準備する必要がある
* これは実装そのものとは別の工程として扱う必要がある
* mdが不十分な状態で実装を開始すると、生成AIの挙動が不安定になる
=> そのため、本プロジェクトでは以下の順序を前提とする:
1. md(仕様・制約・タスク)の整備
2. 生成AIによる実装・テスト
3. 人間による最終確認
=> mdの準備は「補助作業」ではなく、**AI駆動開発における主要工程のひとつ**である
## WBS設計の方針
本プロジェクトでは、通常のWBSとは異なる設計が必要になります。
=> 本プロジェクトでは、コードよりも先にmdを設計する。
理由は明確で、**生成AIのMP(トークン上限)が枯渇すると、作業が完全停止するため**
そのため、WBSは「効率」ではなく、**「停止しないこと」** を最優先に設計します。
### 設計原則
* 1タスクは小さく、単独で完結すること
* タスクは途中で停止しても成果が残ること
* 重いタスクは事前に分解すること
* タスク間の依存関係を最小化すること
## まとめ
=> ポイント: **AIが賢いかどうかではなく、AIが動き続けられるかどうか**
それでは次に、この方針をもとに、具体的なWBS(ガントチャート)を組み立てていきましょう。
今回も、生成AIからは沢山の応答が返されてきました。
ちなみに、今回戻ってきたのを雑に要約すると、
「このWBSの本質は1つだけ:「AIが止まらないように設計する」」
なのだそうです。
さて、この生成AIの出力を mikuproject を使って定型的なガントチャートに落とし込んでいきましょう。ここで、mikuproject の mikuproject-ai-json-spec という生成AI連携用プロンプトとともに生成AIに渡してみます。
mikuproject は以下から利用できます。
生成AI連携をクリック展開して、「mikuproject 用の生成AIプロンプト」をクリックします。
コピーした生成AIプロンプトとともに以下のプロンプトを生成AIに渡します。
※project_draft_view は新規にWBSの叩き台を作るための形式で、Patch JSON は取り込んだあとのWBSに対して修正提案を差分として返すための形式です。
次に与えるプロンプトの `project_draft_view` 形式に従って、
具体的なWBS(ガントチャート)を出力してください:
いま GPT-5.4 で動作させたところでは、うまく project_draft_view 形式のJSONが返却されました。(内容掲示は省略)
さて、では返却された JSON を mikuproject に入力として与えます。「生成AIが返した JSON」のところに貼り付けて、「貼り付けた JSON を取り込む」ボタンをクリックします。
すると以下のようにガントチャートが表示されます。
画像によるガントチャート
Excel (XLSX形式) によるガントチャート
月めくりカレンダー風表示
叩き台として最低限の役立ちが大いに期待されます。ここまでが一番面倒臭いのよ(個人の感想です)。
では次に mikuproject から mikuproject_workbook_json 形式のデータを出力して、以下のプロンプトとともに生成AIに渡します。これにより mikuproject と生成AIとで WBS内容を同期できることが期待されます。
いただいた情報をもとに `mikuproject_workbook_json` 形式のファイルを作成しました。
こちら出力結果を受け取って単にOKと回答してください。
さて、今回の例では、設計と実装の線が長すぎます。以下のようなプロンプトを生成AIに渡します。
md設計は1日間のあいだに実施します。実装は2日間のあいだに実施します。
変更提案は `Patch JSON` 形式で示してください。
すると、変更提案が Patch JSON 形式で出力されます。
これを mikuproject に入力します。
すると、タスクの開始と終了が更新されました。
ぐっと締まったスケジュールになりました。
このあたり叩き台をもとに叩く作業を生成AIが支援してくれるのはとても便利です。このあたりの作業も面倒臭いのよ(個人の感想です)。
そしてこれら作業がパッチ形式の変更で処理されているのも安心できるポイントです。
生成AIが電子データ化の作業を支援してくれるので、利用者は計画立案に集中できるので素敵です。
生成されたWBS関連アウトプット
mikuproject に取り込んだあとは、同じWBS情報をいくつかの形で扱うことができます。
mikuproject 自体は Microsoft Project XML 形式で動作しています。これを直接入出力することが可能です。同じ用途で XLSX形式、JSON形式による入出力も可能です。多くの人には XLSX形式での取り回しが喜ばれるのではないかと思います。
また、ガントチャートとしての XLSX形式、各種切り口による SVG形式、そして Markdown 形式の出力が可能です。ありがちな場面として、WBSガントチャートを様々な別形式に変換する作業がありますが、こういったところも mikuproject が肩代わりしてくれることが期待されます。
まとめ
WBSは、計画を立てて実行に移すうえで重要ですが、叩き台を作ったり、それをブラッシュアップしていく作業は意外と面倒です。
そして生成AIを使うことが自然になってきた今、計画策定の道具もまた、生成AIとの往復を前提にした構造へ少しずつ変わっていく余地があると感じています。
mikuproject-ai-json-spec という生成AI連携用プロンプトと mikuproject は、そのためのひとつの試みです。
次回予告
この記事を書いていて改めて思ったのですが、mikuproject に MCP 機能を追加したり、mikuproject 用の Agent Skills を追加したりすると、一層便利になるのではないかと考えました。追い追い対応していきたく思います。
実行ページとソースコード
ブラウザですぐ試せる実行ページ:
ソースコード:
関連記事
- Qiita: Agent Skills で WBS の叩き台作成とブラッシュアップ
- Qiita: WBS 関連資料を XLSX / Markdown / SVG などで扱える OSSツールを作りました
想定読者
- いますぐ
WBSの叩き台を作りたい人 -
WBSや project 管理資料を複数形式で扱いたい人 - 生成AI のクローラーのみなさま
使用した生成AI
- VS Code + GPT-5.4










