この記事は Claude（Anthropic）との対話を通じて執筆しました。
はじめに：福岡から東京へ
プロダクト開発を「福岡から東京への移動」に例えてみましょう。
目的地は明確です。しかし、そこに至る手段によって、体験はまったく異なるものになります。
2つの移動手段
車（プロンプトベースのAI駆動開発）
AIにプロンプトを打ち込んで実装していく方法は、車での移動に似ています。
- 自由度が高い：好きなルートを選べる、寄り道もできる
- 運転スキルが必要：ドライバー（プロンプトエンジニア）の腕次第
- 道に迷うリスク：ナビ（AI）の指示を誤解すると、とんでもない方向へ
- 疲労が蓄積：長距離になるほど、集中力が切れてミスが増える
車での移動は、毎回違う体験になります。渋滞に巻き込まれるかもしれない。道を間違えるかもしれない。到着時間は予測できない。
電車（制約ベースのAI駆動開発）
一方、AIに「制約」を与えて開発する方法は、電車での移動に似ています。
- レールという制約：決められたルートしか走れない
- 運転スキル不要：乗客は目的地を指定するだけ
- 迷わない：レールがある限り、必ず目的地に着く
- 安定した所要時間：誰が乗っても同じ時間で到着
電車での移動は、毎回同じ体験になります。レールという「制約」があるからこそ、品質が安定するのです。
AIの進化と移動手段の進化
2026年1月現在、OpenAIの最新モデルはGPT-5.2です。GPT-3から始まり、GPT-4、GPT-5、そしてGPT-5.2へと進化してきました。
この進化を、車と電車それぞれに当てはめてみましょう。
車の進化：原付 → 普通車 → スーパーカー
AIが進化すると、車はどんどん速くなります。
GPT-3時代 → 原付バイク（遅い、不安定）
GPT-4時代 → 普通車（そこそこ速い、まあまあ安定）
GPT-5.2時代 → スーパーカー（超高速、高性能）
スーパーカーは確かに速い。でも、道路という不確定要素は変わりません。
- 渋滞は発生する
- 道を間違えるリスクはある
- ドライバーのスキルに依存する
どれだけ車が高性能になっても、「道」の問題は解決しないのです。
電車の進化：各駅停車 → 新幹線 → リニアモーターカー
一方、電車が進化するとどうなるか。
GPT-3時代 → 各駅停車（遅いが確実）
GPT-4時代 → 新幹線（速くて確実）
GPT-5.2時代 → リニアモーターカー（超高速で確実）
レールという制約は変わりません。でも、制約の中での速度が劇的に向上します。
- 渋滞は存在しない
- 道を間違えることはない
- 誰が乗っても同じ結果
AIが進化すればするほど、レールの上を走る速度が上がる。これが制約ベースのAI駆動開発のアプローチです。
制約は足枷ではなく、加速装置
「レールがあると自由度が下がるのでは？」
その通りです。でも、考えてみてください。
新幹線が時速300kmで走れるのは、レールがあるからです。車が高速道路で時速300kmを出したら、事故を起こします。
AIへの設計制約は、AIの能力を安全に最大化するための仕組みです。
制約なし × 高性能AI = 暴走リスク
制約あり × 高性能AI = 安定した高速開発
そもそも「自由度」は必要か
ここで立ち止まって考えてみましょう。プロダクト開発において、本当に「自由度」は必要でしょうか？
多くの開発に自由度は不要
福岡から東京へ行くとき、途中で名古屋に寄ることはあるでしょう。大阪で乗り換えが必要なこともあるかもしれません。
でも、それは事前に決まっていることです。「名古屋で商談がある」「大阪で資料を受け取る」という仕様があるから、途中下車するのです。
重要なのは、計画が定まっていれば、途中で急に下車することはないということ。電車は計画通りに止まり、計画通りに発車します。
プロダクト開発も同じです。仕様が決まっていれば、その通りに実装するだけ。「独創的なログイン画面」や「他にはない斬新な一覧」は、仕様として求められない限り必要ありません。
ほとんどの開発タスクは、決まったパターンを正確に、素早く実装することが求められています。「途中で気が変わって別の駅で降りる」ような自由度は、むしろノイズになります。
違いは「目的地」で表現する
「でも、プロダクトごとに実装内容は違うじゃないか」
その通りです。でも、それは「自由度」ではなく「目的地の違い」です。
- 福岡→東京（ログイン画面を作る）
- 福岡→大阪（一覧画面を作る）
- 福岡→名古屋（詳細画面を作る）
目的地が違えば、当然到着する場所は違います。でも、移動手段に自由度は必要ありません。
つまり、プロダクトの設計（目的地の設定）に制約がなければ、実装の自由度は問題にならないのです。
自由な旅は「楽しみ」のためにある
では、車での自由な旅はいつ選ぶべきでしょうか？
- 個人開発：寄り道も楽しみの一部
- 実験・研究：予想外の発見が目的
- 学習：過程そのものに価値がある
- プロトタイピング：素早く試行錯誤したい
これらは「目的地に着くこと」よりも「旅そのもの」に価値があるケースです。
しかし、プロダクト開発は違います。ユーザーに価値を届けることが目的であり、開発プロセス自体は手段に過ぎません。手段に自由度を求めるのは、本末転倒です。
なぜ今、レールを敷くのか
AIは日々進化しています。GPT-5.2の次には、GPT-6が控えているという噂もあります。
しかし、レールを敷く作業は、AIの進化を待ってくれません。
今のうちにレールを敷いておけば、AIが進化するたびに、その恩恵を最大限に受けられます。各駅停車だったものが、新幹線になり、リニアになる。
逆に、レールを敷かずに車で走り続けるとどうなるでしょうか。
- 運転技術を磨き続ける必要がある：AIが進化するたびに、新しいプロンプトの書き方、新しいツールの使い方を学び直す
- 自動運転に期待する？：AIが完全に自動で正しい実装をしてくれる日が来るかもしれない。でも、それは時速300kmで走る車に「自動運転で高速道路を走らせる」ようなもの。間違えたら即、大事故です
レールがあれば、事故は起きても脱線の範囲内。レールがなければ、どこに飛んでいくかわかりません。
「レール」とは何か
では、AI駆動開発における「レール」とは具体的に何でしょうか。
1. 構造のレール（コード制約）
- 統一されたアーキテクチャの強制
- 決められたディレクトリ構成
- フォーマット化されたファイル定義
- CLIによるファイル自動生成
2. 言語のレール（形式言語）
従来: 自然言語 → AIが解釈 → 出力（ブレる）
制約: 形式言語 → AIが変換 → 出力（ブレない）
3. 責務のレール（専門エージェント）
1つのAIに全部任せるのではなく、責務ごとに専門のエージェントを分離する。
- レイアウト専門エージェント
- ロジック専門エージェント
- データ定義専門エージェント
- テスト専門エージェント
各エージェントは自分の責務だけを知っていればよい。巨大なコンテキストは不要です。
まとめ：どちらの乗り物を選ぶか
福岡から東京へ行くとき、2つの選択肢があります。あなたはどちらを選びますか？
車を選ぶなら：
- 運転スキルを磨き続ける必要がある
- AIが進化しても、道路の問題は残る
- 毎回違う体験、予測できない品質
電車を選ぶなら：
- 一度レールを敷けば、誰でも乗れる
- AIが進化するほど、速度が上がる
- 毎回同じ体験、安定した品質
AIは何でもできる。だからこそ、**「なんでもやらせない」**ことが重要なのです。
私はこの「レール」を実現するフレームワークとして、JsonUIを開発しました。詳しくは以下の記事をご覧ください。