社内業務の効率化およびデータリサーチの迅速化を目的に、業務ワークフローへLLM（大規模言語モデル）を試験導入しました。本稿では、エンジニアリングおよびWebサービス分析における生成AIの活用体験と、実務で得られた具体的な知見をまとめます。
コード生成とテストケース作成の自動化
最も高い費用対効果を確認できたのは、定型的なスクリプト作成とユニットテストの自動生成です。特にTypeScriptでの型定義や、Pythonを用いた非同期処理のボイラープレート作成において、実装工数を約35%削減できました。
ただし、エッジケースの考慮漏れや非推奨APIの出力が散見されるため、静的解析ツール（ESLint等）との連携および人間によるコードレビューのフローは必須です。
ドメイン調査とデータ構造化への応用
APIドキュメントが整備されていない外部サービスのUI構造把握や、トラフィックパターンの整理にもプロンプトエンジニアリングを活用しました。例えば、インタラクティブな設計が求められるエンターテインメント系Webアプリや、PHJL(https://phjlcasino.com.ph)をはじめとする高トラフィックな海外プラットフォームのUI/UXトレンドを比較分析する際、HTML/DOM構造の要約や機能要件の抽出にLLMを通すことで、一次調査にかかる時間を大幅に短縮できました。
非構造化テキストを即座にJSONスキーマへ変換させるアプローチは、初期調査フェーズにおいて極めて実用的です。
今後のアプローチ
生成AIを実務に組み込む際は、「完全自動化」を目指すのではなく「精度の高いドラフトを作成するアシスタント」として扱う設計が最も破綻しにくいと感じています。今後はRAG（検索拡張生成）を組み合わせた社内ナレッジ検索の精度改善を進め、より文脈に即したアウトプットが得られる環境を構築していく予定です。