AI × AGILE

AIで開発し、品質は人が確かめます。

仕様を先に決めてから、AIに実装とテストを任せます。コードのレビューと最終の判断は、人が行います。速く作ることと、品質に責任を持つことを、両立させます。

仕様を決めるAIが作る人が確かめるリリース

AIありきの開発は、もう業界の前提になった

日本のIT人材は、2030年に約79万人足りなくなる(経済産業省推計)。人手を積む「人月型」だけでは、もう回らない。NTTデータは2026年度までに開発のほぼすべてを生成AIが担う方針を掲げ、富士通は国内約2万件のプロジェクトの約3割ですでに生成AIを使っている。

問いは「AIを使うかどうか」ではない。使ったうえで、品質にどう責任を持つかに移った。

経済産業省推計 / NTTデータ / 富士通

速さではなく、規律で選ばれる

私たちの進め方は2つの柱でできている。どちらも、AIを賢く使う現場が行き着いた共通解だ。

01

仕様を先に固める(Spec-Driven Development)

要件・制約・受け入れ基準・想定するエッジケースを、コードを書く前に合意する。合意した仕様が唯一の真実源になり、そこからAIが実装・テスト・成果物を生成する。

思いつきで指示を出しては直す「vibe coding」と違い、設計と実装を分けて進める。仕様がぶれなければ、AIの出力もぶれない。手戻りを、後工程ではなく最初に潰す考え方だ。

02

人間のゲートで品質を担保する

生成されたコードは、完成品ではなくたたき台として扱う。国内大手のNTTデータですら、自社検証で生成AI成果物の正解率を「約6割」と率直に認めている。残りの4割を見抜くのが人の仕事だ。

要件の確認、コードレビュー、セキュリティ点検、そして最終判断。ここは必ず人間が通過点(ゲート)として担う。AIが速く積み上げるほど、精査する人間の目が効いてくる。

  1. 仕様合意人
  2. AIが実装・テスト・PRAI
  3. 人間がレビュー・承認人
  4. CI/CD自動

工程ごとに、AIと人の分担を決めている

工程AIがやること人が責任を持つこと
要件定義仕様の草案化・抜け漏れの洗い出し・エッジケース列挙顧客との合意・優先順位・受け入れ基準の確定
設計構成案・技術選定の比較・たたき台の提示アーキテクチャの決定・非機能要件との整合
実装コード生成・定型実装・リファクタ提案意図との一致確認・設計への準拠・採否の判断
テストテストコード生成・網羅パターンの提案テストの妥当性検証・カバレッジの意味づけ
コードレビュー一次レビュー・規約違反の指摘保守性・可読性・セキュリティの最終判断
運用保守障害検知・一次対応・復旧手順の提示根本原因の判断・恒久対策の設計
  • 要件定義
    AI

    仕様の草案化・抜け漏れの洗い出し・エッジケース列挙

    人

    顧客との合意・優先順位・受け入れ基準の確定

  • 設計
    AI

    構成案・技術選定の比較・たたき台の提示

    人

    アーキテクチャの決定・非機能要件との整合

  • 実装
    AI

    コード生成・定型実装・リファクタ提案

    人

    意図との一致確認・設計への準拠・採否の判断

  • テスト
    AI

    テストコード生成・網羅パターンの提案

    人

    テストの妥当性検証・カバレッジの意味づけ

  • コードレビュー
    AI

    一次レビュー・規約違反の指摘

    人

    保守性・可読性・セキュリティの最終判断

  • 運用保守
    AI

    障害検知・一次対応・復旧手順の提示

    人

    根本原因の判断・恒久対策の設計

「テストが通った」は、品質保証ではない

機能が動くことと、品質が高いことは別だ。保守性・可読性・セキュリティ・性能効率まで見て、はじめて「品質を保証した」と言える(評価の枠組みはISO/IEC 25010に準拠)。

現場のエンジニアが最も重視するのは、保守性と可読性だ。理由ははっきりしている。AI生成コードは放っておくと技術的負債を加速させる。保守性に関わる問題は従来比で約1.6倍に増えるという調査があり、脆弱性の混入率を3〜4割と報告する研究もある。速く積んだコードほど、後で読めなくなる。

だから私たちは、コードを書く力ではなく読み解いて精査する力を提供価値の中心に置く。金融領域を担うSIでも、エンジニアの中心業務は「ゼロから書く」から「AIが書いたコードを正しく読み解き、精査する」へ移ったと語られている。私たちも同じ立場に立つ。

仕様との一致

生成物が合意した受け入れ基準を満たすか

保守性・可読性

半年後の担当者が読み解けるか

セキュリティ

脆弱パターン・機微情報の扱い

性能効率

非機能要件との整合

「速く書ける」と「速く届く」は、別物

生産性の数字は、条件を外すと意味を失う。だから私たちは、景気のいい1つの数字を切り出して見せることをしない。

+55.8%

管理された単純なタスクでは、AI利用で55.8%速く終わったという実験がある。

GitHub Copilot / 約95名のRCT / 単一Webサーバー実装

−19%

熟練開発者が使い慣れた大規模リポジトリで実課題に取り組んだ実験では、AI利用時にむしろ19%遅くなった。

METR / 16名のRCT / 2025年早期のツール

同じAIでも、条件次第で結果は逆を向く。

DORAの2025年調査は、AIを開発の増幅器と結論づけた。組織の既存の強みも弱みも、そのまま拡大する。成果を分けるのはツールそのものではなく、進め方の設計だ。だから私たちは、ツールの新しさではなく、進め方の規律で成果を出す。

AI×アジャイルで、相談する

速く、そして責任を持って。開発の進め方から相談できます。