はじめに
このたび、STORES Tech Conf 2026「World 2」 に参加してきました。
AIが実装し、Pull Requestを作成し、動作検証まで進める。そんな開発が広がる中で、エンジニアは何を学び、どこで価値を発揮していくのか を考える機会になりました。
今回のカンファレンスでは、AIエージェントを活用した開発から、デザインシステム、データ分析、開発環境の整備まで、さまざまな実践が紹介されていました。
本記事では、印象に残ったセッションやポスター発表、学生向けの企画で得た学びを紹介します。
STORES Tech Conf 2026とは
STORES Tech Confは、STORESの技術的な挑戦や、開発の中で直面した課題・解決策を共有するカンファレンスです。
今回のテーマは 「World 2」。
AIを前提とした、新しい開発手法への転換を意味しています。
当日はトークセッションに加えて、ポスター発表や参加者同士で話せる企画もあり、技術の仕組みと、それを使う人の考え方の両方に触れられる場でした。
オープニングで考えた「World 2」
オープニングでは、AIを前提に開発する世界へ移る中で、どのような不安や課題が生まれるのかが語られていました。
たとえば、AIが実装を進めてくれたとしても、
- システム全体の方針に合っているのか
- 将来の変更に対応できる構造なのか
- 期待した機能を満たしているのか
- 顧客の課題を本当に解決できるのか
といったことは、確かめる必要があります。
ここで印象に残ったのが、既存のプロダクトが何を実現しているのかを、きちんと説明できる状態にしておくこと です。
今ある機能や、その機能が必要になった背景を整理できていなければ、AIに何を任せるべきかも、できあがったものをどう評価するべきかも曖昧になってしまいます。
開発プロセス全体を見直す
STORES AI Weekの話では、プロダクト開発を大きく次の3つに分け、その中でも 「開発 → 検証 → デプロイ」 に注力した取り組みが紹介されていました。
| 段階 | 主な内容 |
|---|---|
| 情報収集 → 企画 | 現状を知り、取り組む課題を決める |
| 開発 → 検証 → デプロイ | 動くものを作り、確かめ、届けられる状態にする |
| デリバリー → 効果検証 | 利用者に届け、変化を確認する |
AIの活用を考えるとき、実装速度だけに注目してしまいがちです。
しかし、検証やデプロイまで含めて進められるようになることで、その前後の仕事の進め方も変わっていきます。
また、実現したい結果を明確に残し、モデルの進歩に合わせてコードを作り直していく未来の可能性にも触れられていました。
その話を聞いて、何を実現したいのか、何を守る必要があるのかを言葉にする力 は、これからますます大切になると感じました。
印象に残ったセッション
① 1人がチームになる、開発組織のフラクタル
このセッションでは、人間1人とAIエージェントでプロジェクトを進めた実践 が紹介されていました。
具体的な題材は、STORES分析のUIを dashboard.stores.app 側へ移植し、フロントエンドを統合する取り組みです。
特に印象に残ったのが、実装時に渡す context doc の存在です。
そこには、次のような情報をまとめていました。
- 実装するタスクの一覧
- タスク同士の依存関係
- PoCで分かった注意点
何をどの順番で進めればよいかが整理されているため、依存関係を踏まえて並列に作業を進められます。
AIが作業しやすいように、仕事そのものを設計する。
この準備も、エンジニアリングの大事な部分なのだと感じました。
成果物を判断するには、人間側の理解が必要
この開発が成立した背景には、中心にいる人間の知識と経験がありました。
| 人間側の知識・経験 | 開発の中で果たす役割 |
|---|---|
| ドメイン・プロダクトへの理解 | 移植前の仕様と成果物の差を判断する |
| アーキテクチャの方針への理解 | システム全体に合った構成を選ぶ |
| プロジェクト管理・QAの経験 | タスクの進め方や品質確認を組み立てる |
さらに、AIがタスクを分け、別のAIエージェントへ作業を依頼するようになると、その構造はより深くなっていきます。
人間1人の周りにチームができ、その中にも似た構造が生まれる。
「開発組織のフラクタル」 というタイトルが、ここでつながりました。
コードを直接書く割合が変わっても、設計・判断・品質確認のために学び続ける必要がある。この点が、強く印象に残っています。
② プロトタイピング with デザインシステム
このセッションで面白かったのは、プロトタイプを作る際のデザインシステムの役割 が、開発環境の変化とともに見直されていたことです。
プロトタイプは、アイデアを素早く形にして、確かめるためのものです。
一方で、デザインシステムを組み込むための準備が複雑になると、その準備自体に時間がかかってしまいます。発表でも、当初はプロトタイプにデザインシステムを使う必要性に疑問を感じていた経緯が紹介されていました。
その後、st-lab の登場によって、非エンジニアもプロトタイプを作れるようになっていきます。
そこで改めて出てきたのが、デザインシステムがあることで、本来検証したいことに集中しやすくなるのではないか という考え方でした。
AIが使える形で知識を用意する
スライドでは、デザインシステムのドキュメントと、利用・レビューのための専用Skillを用意する取り組みも紹介されていました。
既存の部品や使い方をAIが参照できれば、プロダクトの見た目や操作感に沿った試作品を作りやすくなります。
その結果、プロトタイプを作れる人が広がり、開発の中でも認識合わせに使われるようになったそうです。
ここから持ち帰ったのは、動くものを作って、実際に触ってもらうことの大切さ です。
共通の画面を触りながら話せると、「何を作りたいのか」「どこに違和感があるのか」を具体的に共有できます。自分たちの開発でも意識したいポイントでした。
③ World 2で、World 2のDatabaseを作る
技術的な仕組みとして特に興味を持ったのが、Mirage の話です。
AIに実装を任せられるようになっても、検証に使える環境やデータが十分でなければ、期待どおりに動くかを確かめるのが難しくなります。
発表では、既存の環境について次のような課題が挙げられていました。
| 環境 | 課題 |
|---|---|
| staging DB | データが少なく、確認したい状況を再現しにくい |
| ローカルのseedデータ | メンテナンスが追いつかず、動かなくなることがある |
| production DB | 個人情報や、直接操作による影響を考慮する必要がある |
そこで開発されたのが、本番相当のデータを使って検証できる、必要なときに作成する開発環境 でした。
開発環境と、マスキング済みのDBをセットで用意する
Mirageでは、リポジトリを準備した開発環境と、個人情報をマスキングしたDBを接続します。
任意のGitブランチを動かし、URLを共有できるため、実装後の確認まで進めやすくなります。
DBの準備では、サービスごとのデータを抽出し、マスキングしたうえで保存・復元する流れが紹介されていました。
その際には、
- 原則としてRead Replicaから読み取る
- 書き込み権限のないDBユーザーを使う
- S3へ保存する時点で個人情報をマスキングする
- 検証に必要な範囲のデータを抽出する
といった仕組みを組み合わせていました。
さらに、データを新しく抽出する Build と、抽出済みデータを再利用する Fork を使い分け、環境を準備する時間も短縮していました。
マスキングすれば完成、というわけではない
実装上の試行錯誤も印象的でした。
データを隠しすぎると機能が動かなくなったり、置換した値がアプリケーションの前提に合わなかったりすることがあります。
つまり、個人情報を保護しながら、検証に必要なデータの性質は残す 必要があります。
DBごとの違いや、データ量による問題にも対応しており、実際に使える環境にするまでの工夫が詰まっていました。
活用例としては、インターン生23人が同時にMirageを作成し、初日からローカル環境構築なしで開発を進めた事例も紹介されていました。
AIが検証まで進められる環境を整えることは、人間が開発を始めやすくすることにもつながる。その広がりが面白かったです。
④ 社内AIエージェント「kuro」が使われるようになるまで
kuroについては、機能だけでなく、社内でどのように使われるようになったのか という話も印象に残りました。
メモでは、広がった要因として次のような仮説が挙げられていました。
- 興味を持った人が試しやすかった
- 部署の中で、使った人から紹介が広がった
- GitHubやNotion、監視ツールなどに接続できた
- BigQueryとの接続によって、調査に使える場面が増えた
AIに情報を調べる手段や、実際に作業する手段を用意することで、任せられる仕事が増えていきます。
また、kuroという名前やキャラクターが、社内で親しまれている様子も伝わってきました。
使える機能があることと、日常の中で使ってもらえること。
その両方を考える大切さを感じました。
ポスター発表で印象に残ったこと
📊 答え合わせができないデータ分析AIエージェントをどう評価するか
データ分析では、質問の前提や指標の定義によって答えが変わります。
そのため、正解を一つ用意して、出力と比較するだけでは評価しにくい場合があります。
この発表では、何を根拠に回答したのかを評価する 取り組みが紹介されていました。
kuroは、次のような情報を組み合わせて分析します。
- 過去の分析で使われたゴールデンクエリ
- 既存のレポート
- テーブルの利用状況
- Notionにある業務上の定義や知識
- GitHub上のソースコード
そのうえで、評価にも異なる方法を組み合わせていました。
| 評価方法 | 確認すること |
|---|---|
| 機械的な評価 | 実行ログや、参照した根拠の種類など |
| LLMによる評価 | 質問・回答・根拠の整合性など |
特に面白かったのが、最終的なSQLだけでなく、調査途中のクエリや結果も評価に渡す という工夫です。
最終成果物だけを見ると、途中で何を確認し、どのようにその結論へ進んだのかが分かりません。過程を残すことで、判断の根拠を追いやすくなります。
一方で、ポスターでは 参照先の信頼性が高いことだけでは、回答の品質を保証できない という限界も示されていました。
評価して終わるのではなく、見つかった弱点をもとに、知識やデータを整備し続ける。その改善の流れまで設計されていた点が印象的でした。
🧠 LLMに人の思考を憑依させて、自分にない視点を得る
こちらは、複数の思考の型をLLMに与え、同じ問題を異なる視点から評価させる取り組みです。
たとえば、命名を考えるときに、
- 概念同士の違いを重視する視点
- 設計上の制約や関係性を重視する視点
- 認知バイアスを疑う視点
を用意して、それぞれに考えてもらいます。
大切なのは、評価が分かれた箇所を、考えるべき論点として扱うこと でした。
自分では見落としていた前提や、曖昧なまま進めていた部分を、議論を通じて見つけられます。
やり取りの内容だけでなく、答え方や議論の進み方から、自分の考え方を客観視する面白さも感じました。
ただし、出てきた提案をそのまま採用すると、自分で考える過程が抜けてしまいます。
論点を読み取り、最後は自分で意思決定することまで含めて、使い方を考えたいと思いました。
⏱️ 「AIに任せても忙しいまま」から抜け出す
このポスターでは、AIを使っているのに忙しさが変わらない理由を、実際のセッションログから調べた事例 が紹介されていました。
発表者自身の2週間のログでは、実装に使われていた時間は全体の約8%。
また、人間の介入までAIが連続して作業できた時間は、中央値で約1.4分だったそうです。
これは個人の事例ですが、実装速度だけを見ていては分からない問題があると感じました。
作業の途中で何度も確認が必要になると、そのたびに人間へ判断が戻ってきます。
そこで発表では、
- 定型的な許可や確認を見直す
- 実装・検証・修正の流れをワークフローとして定める
- 繰り返す処理をプログラムで制御する
という段階的な改善を行っていました。
ここから学んだのは、AIが止まっている理由を観察し、任せられる仕事の範囲を仕組みとして広げること です。
何を作るか、どこまでできれば完了か、変更を出してよいか。
そうした判断に人間が集中できるように、日々の進め方を整えていく必要があると感じました。
学生Confで考えた、これからの働き方
学生向けの企画では、技術の話に加えて、企業選びやAI時代の成長についても考えることができました。
企業を見るための軸を持つ
企業の探し方の話では、
- 技術革新の影響をどのくらい受けるのか
- 事業としての収益の仕組みが、どのくらい確立しているのか
という軸が紹介されていました。
同じようにソフトウェアを開発する企業でも、事業の置かれた状況によって、求められる挑戦や意思決定は変わります。
使っている技術やサービスの印象に加えて、その会社がどのように価値を生み、どのような変化に向き合っているのか を見る視点も持ちたいと思いました。
アウトプットできることと、理解していること
AIによって、理解が浅い状態でも、形になったアウトプットを作りやすくなっています。
だからこそ、作れたことだけで満足せず、何を解決しようとしていて、なぜその方法を選んだのかを理解すること が大切になります。
新卒としての働き方の話では、営業やサポートなどにも関わり、現場を知ることの重要性が紹介されていました。
顧客に課題を聞くときも、最初から整理された答えが返ってくるとは限りません。
現在の業務フローや、日々行っている作業を聞き、その事実から困りごとを探していく。
課題設定の質を上げるために、現場を知る時間を使う という考え方が印象に残りました。
人と関わる力も、育てられるスキル
AIの出力を確認する仕事が増える中で、事実を確かめたり、関係者の意図を聞いたりする場面も増えていきます。
その中で印象に残ったのが、仕事のコミュニケーションは、スキルとして上達できるという話です。
相手を巻き込むためには、まず相手の仕事を知る必要があります。
- どのような役割を担っているのか
- 何を大切にしているのか
- どこに負担がかかっているのか
その理解があってこそ、一緒に前へ進めます。
技術を学ぶことと、人と話して理解を深めること。その両方を大切にしながら、自分が好きなものづくりにどう関わり続けるか を考えたいと思いました。
今後の開発で実践したいこと
今回のカンファレンスを通じて、自分の開発でも取り入れたいことが整理できました。
特に意識したいのは、何を作りたいのかと、何をもってできたと言えるのかを、実装前に考えること です。
その準備を丁寧に行うことが、AIと一緒に開発を進めるうえでも、自分自身が成長するうえでも大切だと感じました。
終わりに
ここまで読んでいただき、ありがとうございました。
STORES Tech Conf 2026は、AIを活用した具体的な開発事例を知りながら、エンジニアとしての学び方や働き方についても考えられるイベントでした。
タスクを分けること、文脈を伝えること、検証できる環境を作ること、結果を判断すること。
そして、利用者や関係者と話し、本当に取り組むべき課題を見つけること。
AIと一緒にものづくりを進めるために、身につけたい力がたくさん見えた一日でした。
「何を作るか」を自分の言葉で考え、確かめながら形にしていく。
その姿勢を大切にしながら、今回の学びをこれからの開発につなげていきたいと思います。
最後に、登壇者・運営のみなさま、当日お話ししてくださったみなさま、ありがとうございました!

