この記事は下記サイトの記事を日本語訳したものです。

はじめに

ワークアイテム管理は、ソフトウェア開発全体における多くの意思決定を左右します。スプリント計画やバックログの優先順位付けから、リリース準備や実行状況の追跡に至るまで、その影響は広範囲に及びます。しかし、計画において最も難しいのは「次に何をするか」を決めることではなく、意思決定に影響を与えるべきあらゆる要素を理解することです。
AIアシスタントは推論や自然言語による対話に優れている一方で、その洞察の質は利用可能なコンテキストの質に大きく依存します。Engineering AI Hub 1.3 の MCPツールは、AIアシスタントがエンジニアリングデータを発見し、関係性を追跡し、開発ライフサイクル全体にわたる情報を分析できるようにすることで、そのコンテキストを提供します。
AIの推論能力と信頼性の高いエンジニアリングコンテキストを組み合わせることで、EWM向けのMCPツールはチームに次のような価値をもたらします：ワークアイテムの発見と理解、リスクの特定、優先順位の判断、依存関係の把握、そしてより適切な計画および実行の意思決定。複数の情報源からデータを収集する時間を費やす代わりに、チームは計画や意思決定に集中し、AIアシスタントが探索、トレーサビリティ、分析の複雑さを処理します。
本記事では、Engineering AI Hub の MCPツールが、ワークアイテム、変更セット、および関連するエンジニアリング成果物にまたがって、AIアシスタントによる探索・分析・トレース・推論を可能にし、計画および作業管理の意思決定をどのように支援するかを示すシナリオを紹介します。

本記事の例ではAIアシスタントとしてIBM Bobを使用しています。ただし、ここで説明しているワークフローや機能はIBM Engineering AI Hub 1.3 のMCPツールによって実現されるものであり、MCPに対応した任意のAIアシスタントやAI搭載IDEから利用可能です。

学習内容

本記事では、Engineering AI Hub 1.3 における Engineering Workflow Management（EWM）向けのMCPツールを使用して、以下のことが可能であることを紹介します：

自然言語を使って、バックログ、イテレーション、プロジェクト全体にわたる作業を発見し、整理する
個々のワークアイテムからは見えにくい傾向、ボトルネック、依存関係を特定することで、デリバリー状況や計画リスクを分析する
ワークアイテムと要件、欠陥、不具合などの関連成果物を結びつけ、エンジニアリングライフサイクル全体における関係性を追跡する
複数のエンジニアリングデータソースの情報を相関させ、複雑な計画および実行に関する問いに答える
チームがより適切な意思決定を行えるよう、実行可能なインサイト（示唆）を提供する

前提条件

開始する前に、以下を満たしていることを確認してください：

IBM Engineering Workflow Management 7.0.3 以降
IBM Engineering AI Hub 1.3
IBM Bob や MS Copilot などの MCP 互換AIアシスタントが、ELM AI Hub の MCP サーバーで構成されていること（「AIアシスタントでのMCPサーバーの設定」および「Personal Access Token の管理」を参照）
ワークアイテムおよび関連するエンジニアリング成果物にアクセスするための適切な権限
プロジェクト構造および計画プロセスに関する基本的な理解

本記事で示されている例は、AIアシスタントとEWM向けMCPツールの一般的なやり取りを示したものです。実際のプロンプトや応答は、使用するAIアシスタント、プロジェクト設定、利用可能なテストデータ、ユーザー入力の違いによって異なる場合があります。

シナリオ1：スプリント計画の準備

スプリント計画の準備は、単にバックログの上位項目を確認するだけでは済まないことがほとんどです。課題は情報不足ではなく、議論に影響を与えるべきすべての要素を集約するための手間にあります。
この情報の収集には通常、複数のダッシュボード、クエリ、レポートを行き来する必要があります。EWM向けのMCPツールを利用するスクラムマスターは、複数のビューやレポートから手動で情報を集める代わりに、現在のスプリントの成果、バックログの準備状況、変化する優先順位、デリバリーの依存関係が次の計画サイクルにどのような影響を与えるかを把握できます。

質問（Ask）

「明日のスプリント計画の準備を手伝ってください。現在のスプリントで未完了の作業を要約し、ブロックされているストーリーを特定し、チーム間の依存関係を強調し、次のスプリントに最適なバックログ候補を提案してください。」

何が起こるか（What happens）

EWMのMCPツールにより、スクラムマスターは次のことが可能になります：

進行中のスプリント作業を把握する
完了が難しいストーリーを特定する
見積もりや優先順位の変更を分析する
チーム間の依存関係を追跡する
バックログ候補を評価する
推奨事項とその根拠を含む計画ブリーフを作成する

出力例（Example output）

典型的な応答には、以下のような複数の観点からの計画・実行コンテキストが含まれます：

現在のスプリントの実行状況の概要と、次に持ち越される可能性のある作業
次のイテレーションに影響する可能性のある、ブロックされたストーリー、未解決の依存関係、デリバリーリスク
準備状況、優先順位、依存関係の観点でランク付けされたバックログ項目
計画判断に影響を与える可能性のある、最近の見積もり・優先順位・スコープの変更
利用可能なキャパシティとデリバリー目標に基づくスプリント範囲の推奨
スプリント計画の議論を円滑に進めるための簡潔な計画ブリーフ

以下の例は、出力の一部を示しています：
図1.1および1.2では、現在のスプリントの分析、計画リスクと依存関係の特定、次のスプリントのバックログ候補の推薦結果が示されています。

図1.1：次のスプリントに向けた推奨を行う前の、現在のスプリント状況の分析

図1.2：結果を相関させて選定された、次のスプリントの主要候補

なぜ重要なのか（Why it matters）

スプリント計画の議論は、多くの場合、チームが複数のダッシュボード、レポート、ワークアイテムのビューから情報を収集するところから始まります。その後ようやく、選択肢の評価やコミットメントの決定が可能になります。Engineering AI Hub の MCPツールは、ワークアイテム、イテレーション、依存関係、計画データ間の関係性にAIアシスタントがアクセスできるようにすることで、この手間を軽減します。
これにより、チームは計画セッションの中でコンテキストを組み立てることに時間を費やすのではなく、意思決定に影響を与える要因を集約した状態から議論を開始できます。その結果、情報収集ではなく、優先順位、トレードオフ、デリバリー成果に焦点を当てた議論が可能になります。

シナリオ2：リリースにリスクをもたらす作業の特定

リリースリスクは、単一のワークアイテムの中に存在するものではありません。計画された作業、依存関係、未解決の不具合、実行状況の傾向、そして過去のデリバリー履歴といった要素同士の関係性から生じます。これらのリスクを手動で特定するには、複数の成果物を確認し、さまざまな情報源を突き合わせる必要があります。
Engineering AI Hub の MCPツールは、AIアシスタントがリリース、イテレーション、ワークアイテム、および関連するエンジニアリング成果物にまたがる広範なコンテキストにアクセスし、それらを相関させることを可能にします。これにより、個々のステータス指標ではなく、開発ライフサイクル全体にわたる証拠に基づいてリスクを特定できるようになります。

質問（Ask）

「Automotive Systems プロジェクト領域において、リリース1.0向けに計画された作業をレビューし、主要なデリバリーリスクを特定してください。ブロックされているストーリー、未解決の依存関係、関連付けられた重大な不具合、および期限内に完了する可能性が低いワークアイテムを含めてください。」

何が起こるか（What happens）

EWMのMCPツールを使用することで、プロジェクトマネージャーは次のことが可能になります：

リリースのスコープを取得する
イテレーション全体の実行状況を分析する
ブロックされている作業や依存関係を特定する
関連する不具合をトレースする
見積もりやスケジュールの繰り返し変更を検出する
優先度付けされたリスク評価を作成する

出力例（Example output）

典型的な応答には、以下のような複数のデリバリーおよび実行のシグナルが組み合わされます：

リリース全体の健全性および準備状況の簡潔な評価
デリバリーコミットメントを脅かす最も優先度の高いワークアイテム
ブロックされたストーリー、未解決の依存関係、チーム間のリスク
リリーススコープに関連する重大な不具合や品質上の懸念
リスクの高まりを示す過去のスケジュール、見積もり、実行の傾向
デリバリー確実性を高めるための優先度付きの推奨事項

以下の例は、出力の一部を示しています：
図2.1および2.2では、リリース計画、ワークアイテム、依存関係、不具合から情報を相関させることでデリバリーリスクを特定し、その潜在的な影響を説明する結果が示されています。

図2.1：主要なリスクの一覧と、その根拠

図2.2：全体統計およびデリバリーリスクのサマリー

なぜ重要なのか（Why it matters）

リリースの意思決定には、複数のエンジニアリング成果物にまたがるデリバリーのシグナルがどのように相互作用しているかを理解することが求められます。Engineering AI Hub の MCPツールは、AIアシスタントが新たに生じつつあるリスクを特定し、その要因を説明し、マネージャーが対策に集中できるよう支援するために必要な「つながったコンテキスト」を提供します。
これにより、マネージャーは複数のレポートやダッシュボードから情報を手動で突き合わせるのではなく、リスクの軽減策に注力できるようになります。

シナリオ3：不具合の傾向を役割別のアクション項目に変換する

対象ペルソナ：チームリード、開発マネージャー、QAエンジニア
不具合（欠陥）データは、製品品質、デリバリーリスク、テストの有効性に関する有益な洞察を提供します。しかし、取るべきアクションは、それを解釈する人の役割によって大きく異なります。
チームリードは、次のスプリントで優先的に対応すべき不具合を判断する必要があります。開発マネージャーは、アーキテクチャの弱点、技術的負債、またはリソース制約を示唆するような繰り返し発生するパターンを特定する必要があります。QAエンジニアは、リリース前に問題を検出できていないテストの欠落箇所を把握し、テストカバレッジをどのように改善できるかを理解する必要があります。
基となる不具合データは同じであっても、これらの問いに答えるには通常、不具合、ワークアイテム、イテレーション、コンポーネント、機能、そして過去のデリバリーデータにまたがる情報を相関させる必要があります。Engineering AI Hub の MCPツールは、AIアシスタントがこれらの関係性を発見し、時間の経過に伴う傾向を分析し、各役割の責任に応じた提案を行えるようにするコンテキストレイヤーを提供します。

質問（Ask）

例えば、チームリードは次のように質問するかもしれません：
「直近2スプリントの不具合を分析し、重大度、顧客影響、チームのキャパシティに基づいて、次のスプリントで優先的に対応すべきものを提案してください。」
開発マネージャーは同じ本質的な問いを別の形で尋ねます：
「過去四半期の不具合傾向を示してください。繰り返し問題が発生しているコンポーネントを特定し、アーキテクチャ上の課題を示唆するパターンを明らかにし、リファクタリングや追加テストに投資すべき領域を提案してください。」
QAエンジニアはテストの有効性に焦点を当てます：
「最近の不具合をレビューし、テストカバレッジのギャップを特定してください。最も多くの流出バグ（escaped defects）を生み出している領域はどこで、どの種類のテストを強化すべきですか？」

何が起こるか（What happens）

Engineering AI Hub の MCPツールを使用することで、マネージャーやリードは次のことが可能になります：

指定期間の不具合を取得する
イテレーション、リリース、コンポーネント、機能にわたる傾向を分析する
不具合と関連するワークアイテムやデリバリー活動を関連付ける
繰り返し発生するパターン、問題集中箇所（ホットスポット）、品質リスクを特定する
不具合の重大度、頻度、ビジネスへの影響を評価する
ユーザーの役割や意思決定責任に応じて提案内容を調整する

同じ不具合データから出発しても、リクエストの文脈に応じて、アシスタントは異なる洞察を提供します。つまり、チームリードには優先順位付けの指針、開発マネージャーには戦略的な品質洞察、QAエンジニアにはテスト改善の提案が提示されます。

出力例（Example output）

一般的な応答には、不具合とデリバリーの複数のコンテキストが組み合わされ、以下のような内容が含まれます：

選択期間における不具合の全体的な傾向
繰り返し品質問題が発生しているコンポーネント、機能、チーム
重大度、優先度、顧客影響別の不具合分布
不具合、ワークアイテム、最近のデリバリー活動の関係性
追加対応が必要な品質ホットスポット
計画、品質改善、テスト目標に沿った役割別の推奨事項

チームリード向け

次のスプリントに含めるべきと推奨される不具合
重大度、ビジネス影響、実装コストに基づく優先順位
対応を遅らせる場合のリスク

開発マネージャー向け

不具合が繰り返し発生しているコンポーネント
アーキテクチャの不安定性や技術的負債を示す領域
リファクタリング、教育、プロセス改善の提案

QAエンジニア向け

最も多くの流出バグが発生している領域
機能やコンポーネントごとのテストカバレッジのギャップ
機能テスト、統合テスト、性能テスト、回帰テストの強化に関する提案

以下の例は、出力の一部を示しています：
図3.1では、開発マネージャー向けのビューとして、繰り返し発生する不具合パターン、コンポーネント単位の品質ホットスポット、および投資推奨領域が示されています。

図3.1：不具合傾向分析の概要（必要に応じて詳細レポート付き）

なぜ重要なのか（Why it matters）

不具合レポートは多くの場合、「どのような不具合が存在するか」という問いには答えますが、「それに対して何をすべきか」という問いには答えません。
Engineering AI Hub の MCPツールは、AIアシスタントが単なる不具合の報告を超え、実行可能な提案を生成するために必要な関係性とデリバリーコンテキストを提供します。不具合をワークアイテム、イテレーション、コンポーネント、デリバリー成果と結び付けることで、MCPツールは各役割が行うべき意思決定に合わせた洞察を提供できるようにします。
その結果、チームは不具合データの分析に費やす時間を減らし、製品品質の向上、デリバリーリスクの管理、そして最も大きな成果につながる作業の優先順位付けにより多くの時間を割けるようになります。

シナリオ4：パーソナライズされた週間作業ブリーフィングの作成

対象ペルソナ：チームメンバー、開発リード、スクラムマスター
個々の担当者は、多くの場合、複数のストーリー、タスク、不具合を同時に管理しています。スプリント期間中も、依存関係の変化、新しいコメントの追加、ブロッカーの発生、関連作業の完了などにより優先順位は変動します。こうした状況を把握するには、通常、複数のダッシュボードや通知を頻繁に確認する必要があります。
AIアシスタントは、ユーザーに割り当てられたワークアイテムをレビューし、最近のプロジェクト活動を分析し、新たに発生したブロッカーや依存関係を特定し、更新が滞っている作業を検出し、どのタスクに優先的に取り組むべきかを要約することができます。

質問（Ask）

「自分に割り当てられている作業をレビューし、今週何に集中すべきか教えてください。ブロックされている項目、自分の作業に影響する最近の変更、スプリント目標を危険にさらす可能性のあるものを強調してください。」

何が起こるか（What happens）

EWMのMCPツールにより、チームメンバーは次のことが可能になります：

割り当てられた作業をレビューする
最近のプロジェクト活動を分析する
ブロッカーや依存関係を特定する
更新が止まっている、または放置されている作業を検出する
注意が必要な領域を優先順位付けする
パーソナライズされたアクションブリーフィングを作成する

出力例（Example output）

典型的な応答には、個人の作業状況とプロジェクト全体のコンテキストが組み合わされ、以下のような内容が含まれます：

優先順位付けされた、対応が必要な担当作業の概要
現在のコミットメントに影響する新たなブロッカー、依存関係、リスク
進行中の作業に影響を与える最近のプロジェクト活動
最近進捗が見られない停滞したワークアイテムやタスク
未対応のままだとスプリント目標に影響する可能性のある領域
最大の効果をもたらす作業に集中するための推奨アクション

以下の例は、出力の一部を示しています：
図4.1および4.2では、担当作業の優先順位付け、デリバリーリスクの強調表示、そして翌週に向けたパーソナライズされたアクションプランの生成結果が示されています。

図4.1：対象ユーザーに割り当てられた重要項目の優先順位付けと特定

図4.2：優先的に取り組むべき作業とアクションプランの推奨一覧

なぜ重要なのか（Why it matters）

Engineering AI Hub の MCPツールは、断片化されたプロジェクト情報を意味のあるコンテキストへと変換するのに役立ちます。担当している作業、プロジェクトの活動、デリバリー目標の間の関係性を理解することで、AIアシスタントは、絶え間なく届く通知に反応し続けるような働き方から脱却し、スプリントやリリースの成果に最も影響を与える作業に集中できるよう支援します。

シナリオ5：機能実装の品質とセキュリティリスクの評価

機能（フィーチャー）が完成に近づく中で最も難しい作業のひとつは、関連するすべてのストーリーにまたがる実装全体が、品質およびセキュリティの期待を満たしているかどうかを把握することです。
1つの機能は、複数のイテレーションにわたり、異なる開発者によって実装された多数の子ストーリーから構成される場合があります。実装の詳細は、ワークアイテム、変更セット、コードレビュー、コメント、品質レポートなどに分散していることが多くあります。そのため、機能全体の健全性を評価するには、これらの成果物を手動で確認し、実装履歴を精査し、潜在的な品質またはセキュリティ上の懸念を特定する必要があります。
Engineering AI Hub の MCPツールを利用することで、AIアシスタントはワークアイテムの階層をたどり、関連する実装成果物を発見し、変更セットを分析し、開発ライフサイクル全体にまたがる情報を相関させることができます。各ストーリーを個別に確認する代わりに、チームは機能全体を一体として評価し、リリース前に追加対応が必要な領域を特定できます。

質問（Ask）

「フィーチャー355に属するすべての子ストーリーの一覧を取得し、変更内容をレビューして、その影響やセキュリティ上の懸念を分析し、その要約をワークアイテムのコメントとして追加してください。」

何が起こるか（What happens）

Engineering AI Hub の MCPツールを使用することで、チームリードは以下を実行できます：

フィーチャー階層をたどり、すべての子ストーリーとタスクを特定する
関連する変更セットや実装成果物を取得する
フィーチャー全体にわたる実装パターンを分析する
コードレビューコメント、議論、関連する品質情報を確認する
品質、保守性、セキュリティに関する潜在的な懸念を特定する
追加のレビューやテストが必要な実装箇所を強調する
フィーチャー全体の統合評価を生成する
要約と推奨事項を親フィーチャーのワークアイテムのコメントとして追加する

個々のストーリーごとの断片的な所見を出すのではなく、アシスタントは機能全体レベルでの実装品質およびセキュリティ状況をまとめて提示します。

出力例（Example output）

一般的な応答には、実装・品質・セキュリティに関する複数のコンテキストが組み合わされ、以下が含まれます：

フィーチャー実装の全体的な健全性評価
子ストーリーの完了状況および実装カバレッジの概要
重要な変更セットおよび影響を受けたコード領域
品質上の懸念、コードの複雑性、保守性リスク
セキュリティに関する観察結果と、追加レビューや検証が必要な領域
リリース前に必要な修正、テスト、フォローアップの推奨事項
親フィーチャーのワークアイテムに自動追加される要約コメント

以下の例は、出力の一部を示しています：
図5.1では、子ストーリーにまたがる実装アクティビティを統合し、フィーチャー全体の健全性評価を生成した結果が示されています。

図5.1：フィーチャーの品質およびセキュリティ監査

なぜ重要なのか（Why it matters）

機能の完了判断は、多くの場合、ステータス指標や一部の実装成果物の手動レビューに基づいて行われます。しかしこの方法では、機能全体を俯瞰して初めて見えてくる問題を見逃してしまう可能性があります。
Engineering AI Hub の MCPツールは、ワークアイテム階層、変更セット、レビュー、関連成果物にまたがる実装アクティビティを分析するために必要な「接続されたエンジニアリングコンテキスト」を提供します。この情報を自動的に収集・統合し、機能全体の評価として提示することで、チームは品質やセキュリティリスクを早期に把握でき、機能レビューにかかる工数を削減し、リリース準備に対する確信を高めることができます。
最も重要なのは、関係者が複数のエンジニアリングシステムから実装情報を収集する作業に時間を費やすのではなく、特定されたリスクへの対応や、より的確なデリバリー判断に集中できるようになる点です。

結論（Conclusion）

Engineering AI Hub 1.3 の MCPツールは、単にエンジニアリングデータへの対話的アクセスを提供するだけではありません。AIアシスタントが関連する成果物を発見し、デリバリーのシグナルを分析し、関係性を追跡し、エンジニアリングライフサイクル全体にわたる洞察を統合するために必要なコンテキストを提供します。
AIの推論能力と信頼性の高いエンジニアリングコンテキストを組み合わせることで、MCPツールはAIアシスタントを単なる検索インターフェースから、コンテキストを理解するエンジニアリングの協働者へと進化させます。1つの自然言語によるリクエストだけで、依存関係の把握、リスクの特定、成果物間の情報の相関、そして意思決定に直結する洞察の提供が可能になります。
その結果、チームは情報収集に費やす時間を減らし、計画、優先順位付け、価値提供により多くの時間を割くことができるようになります。

次にやること（What next）

本記事で紹介したシナリオは、Engineering AI Hub の MCPツールを通じてAIアシスタントが信頼できるエンジニアリングコンテキストにアクセスできる場合の可能性の一部に過ぎません。ぜひ自身のプロジェクトでこれらのシナリオを試し、チームが日常的に行っている質問をもとに活用方法を検討してみてください。スプリント計画、デリバリーリスクの評価、実装判断の追跡、品質評価など、さまざまな場面でMCPツールはより良い意思決定に必要なコンテキストを引き出す手助けをします。
また、チームがこれらの機能をどのように活用しているのか、私たちは常に関心を持っています。検討したユースケース、得られた洞察、改善されたワークフローについてぜひ共有してください。
さらに理解を深めるために、Engineering AI Hub の MCPツールが要件管理、テスト管理、その他のエンジニアリング領域におけるAI支援型の活用をどのように実現するかを紹介した関連記事もご覧ください。