はじめに
本稿は以前投稿した下記の記事の中から開発プロセスに焦点を当て、再度自身の考えをレポート化してみたものです。
記事を読み始めるにあたり、下記の記事を先に読むことを推奨します。
※あくまで現場で仕事をしている一エンジニアの個人的な考え、意見となります。
問題意識
前稿では、ウォーターフォール型開発とAI駆動開発には構造的摩擦が存在すると述べた。
しかし、「ウォーターフォールではAI駆動開発は実現できない」という結論は現実的ではない。ミッションクリティカルな要件や厳格な品質保証が求められるエンタープライズ領域では、今後もウォーターフォール型開発は一定期間継続すると考えられる。
では、ウォーターフォール型開発の中でAI駆動開発をどのように実現していくべきなのか。
これが本思考実験の出発点である。
1. 局所最適の限界 ― AI駆動開発におけるアムダールの罠
本稿では、「一部工程だけを高速化しても、全体のボトルネックが残る限りシステム全体の性能向上には限界がある」という現象を、アムダールの法則になぞらえた比喩として 「アムダールの罠」 と表現する。
ウォーターフォール型開発プロセスの中でAI駆動開発を実現していくための現実的なアプローチとして、以下のような方法が考えられる。
-
工程単位でのAI駆動化
(詳細設計・実装・単体テストなど、一部工程でAIエージェントによる反復を行う) -
一部分だけのアジャイル化
(サブシステムや特定チームのみAI駆動・アジャイル的な開発を適用する) -
工程配分の見直し
(実装作業を削減し、設計・品質保証・アーキテクチャ検討へ人的リソースを再配分する)
これらはいずれも現実的な移行アプローチである。
しかし、これらには「局所最適」という限界が存在する。
例えば、実装工程においてAIが以下のようなループを数十分単位で実行できたとする。
Generate
↓
Test
↓
Fix
しかし、その前後に
- 人間によるレビュー
- ExcelやWordベースの仕様確認
- 承認会議による工程完了判定
- 手動による環境反映
が存在すれば、プロジェクト全体のリードタイムは結局、人間と組織のプロセスによって律速される。
つまり、AIによる個別工程の高速化だけでは、開発全体の高速化には直結しない。
AI駆動開発は、一部工程の改善ではなく、開発プロセス全体の最適化を要求する開発パラダイムである。
2. 仮説:最適化対象(目的関数)の違い
本稿では、「開発プロセスが何を最も重要な評価軸として最適化しているか」を目的関数と呼ぶ。
では、なぜウォーターフォール型開発のままでは全体最適化が難しいのか。
その理由は、両者が最適化している対象そのものが異なるためではないか。
ウォーターフォールが重視するもの
- 予測可能性
- 計画性
- 品質保証
- 契約管理
- リスク管理
AI駆動開発が重視するもの
- フィードバック速度
- 試行回数
- 自律的改善
- 継続的品質向上
- 変更への適応速度
ウォーターフォールでは、変更は管理対象であり、工程や成果物を固定することで予測可能性を高める。
一方、AI駆動開発では、変更を前提として高速な生成・検証・改善サイクルを繰り返す。
この違いは、AI技術の性能不足や利用者のスキル不足だけでは説明できない。
両者の摩擦は、「AIだから発生する」のではなく、開発プロセスが最適化している目的そのものが異なることによって発生している。
3. 予測可能性の再定義 ― 静的ゲートから動的ガードレールへ
この仮説が正しいとすれば、重要なのはウォーターフォールを否定することではない。
必要なのは、ウォーターフォールが求める「予測可能性」を維持しながら、AI駆動開発が求める「フィードバック速度」を高める方法を設計することである。
従来のウォーターフォールでは、予測可能性は主に以下によって担保されてきた。
- 設計書などの中間成果物
- 工程完了レビュー
- 人間による承認
しかしAI駆動開発では、この役割は 「動的なガードレール」 へ移行していく可能性がある。
本稿でいう「動的ガードレール」とは、自動テスト、静的解析、Policy as Code、CI/CDなどを組み合わせ、人間による工程ごとの承認に依存せず、継続的かつ自動的に品質・セキュリティ・ガバナンスを保証する仕組みを指す。具体的には以下のようになる。
【人間による確認から、システムによる機械的な継続的保証へ】
人間がすべての成果物を確認するのではなく、
- Infrastructure as Code (IaC)
- OpenAPI
- データベーススキーマ
- セキュリティポリシー
などを機械可読な仕様(Single Source of Truth: SSOT)として管理する。AIは、この制約の範囲内で実装・変更を行う。
【承認から監査へ】
CI/CDパイプライン上で、
- 自動テスト
- 静的解析
- 脆弱性診断
- Policy as Code
による検証を継続的に実施する。
つまり、品質保証は「工程の節目で人間が確認する方式」から、「常時検証される仕組み」へ変化する。
また、人間向けドキュメントは不要になるのではなく、SSOTやソースコードなどから生成される二次成果物として位置付けが変化する。
4. 商習慣の変化 ― 人月モデルの適用範囲の変化
AI駆動開発は、従来の人月モデルに大きな影響を与える。
従来の開発では、
投入した労働時間 = 提供できる価値
という考え方が一定成立していた。
しかし、AIによって実装・テストなどの作業効率が大幅に向上すると、単純な作業量と価値の関係は弱くなる。
例えば、従来100人月必要だった実装作業が10人月相当で実現できた場合、削減された作業量そのものではなく、そこから生み出されるシステム価値や品質保証能力が重要になる。
そのため、今後は
- 機能提供
- 非機能要件の保証
- セキュリティ統制
- アーキテクチャ設計
- 継続的改善能力
といった、より価値ベースの評価へ移行する可能性がある。
ベンダーが提供するものも、単なる労働力ではなく、安全かつ継続的にシステムを進化させるための開発基盤・ガバナンス能力へ変化していく。
5. 現場のスキルセット変化
AI駆動開発では、エンジニアに求められる能力も変化する。
従来は、「決められた手順を正確に実行する能力」が重要だった。
しかし今後は、「AIが誤解なく実行できる仕様・制約を設計する能力」の重要性が高まる。
必要となる能力は、
- システムアーキテクチャ設計
- 非機能要件設計
- セキュリティガバナンス
- IaC・Policy as Code
- 自動化基盤設計
などへ広がる。
リーダーの役割も変化する。評価すべき対象は、「予定された作業を完了したこと」だけではなく、「手作業を削減し、継続的に品質を保証できる仕組みを構築したこと」へ移行する。
6. 今後の検証課題(Next Steps)
本稿は思考実験に基づく仮説であり、実際のエンタープライズ開発における実証はこれからの課題である。この仮説の妥当性を検証するためには、実際のプロジェクトにおいて以下のような実証とデータ収集が求められる。
-
反証の条件
「動的ガードレール(Policy as Codeなど)」を導入し、CI/CDによる自動監査で人間の承認ゲートを代替したにもかかわらず、全体のリードタイムが短縮されず品質も向上しなかった場合、本仮説(目的関数の違いによる摩擦)以外の根本要因が存在することになる。 -
今後の具体的なステップ
実際のウォーターフォール型プロジェクトにおいて、まずは一部の非機能要件(インフラ構成やセキュリティ設定など)をSSOT化し、人間の承認ゲートを「CI/CD上の自動監査」へ代替するスモールスタートを実施する。そして、従来の手動レビュー時と比べたリードタイムの短縮率や手戻り率の変化を定量的に計測・評価していく必要がある。
結論
ウォーターフォール型開発は、AI駆動開発によって消滅するのではなく、AIを前提とした形へ再設計される可能性がある。
重要なのは、ウォーターフォールを捨てることではない。
従来、人間による管理で実現していた予測可能性を、機械可読な仕様、自動検証、継続的監査による動的ガードレールへ移行することである。
AI駆動開発とは、単にAIによってコード生成を高速化することではない。
開発プロセスそのものを、
「人間が工程を管理する仕組み」
から
「人間が制約と品質基準を定義し、システムが継続的に保証する仕組み」
へ変革することである。
その結果、エンジニアの役割は、コードを書く職人から、AIと自動化基盤を活用してシステム全体の価値・品質・ガバナンスを設計するアーキテクトへ変化していく。
AI時代における競争力とは、AIを導入することではなく、AIが安全かつ高速に価値を生み出せる開発プロセスと組織能力を構築することであると考える。