システム開発のAI活用とは？工程別の向き不向きと発注時の判断軸を解説

システム開発におけるAI活用とは？

システム開発におけるAI活用とは、システム開発における工程にAIを取り入れて開発速度や生産性を向上させることです。今まで人がおこなっていたコーディングやレビューにAIを取り入れることで人がしなければならない作業を効率化し、人為的なミスを減らすことができます。

なお、システム開発において活用されているAIは生成AIだけではなく、以下のようなAIツールが活用されています。

• 生成AI：コードや設計書の下書き、テストケースやドキュメントの作成
• 分析系AI：工数の予測、障害の予兆検知、コード品質の分析
• 自動化ツール：静的解析やテストの自動実行

近年は生成AIに注目が集まっていますが、従来の自動化技術をすべて置き換えるわけではありません。作業内容に応じて生成AIや分析系AI、専用ツールを組み合わせることが重要です。

AI活用の成否は、どの技術を選ぶかだけでなく、どの工程のどの作業に使うかで決まります。工程ごとの適性を事前に整理すれば、投資判断や社内の合意形成も進めやすくなるでしょう。

工程別に見るシステム開発のAI活用

システム開発では、工程によってAIの効果が異なります。上流工程と下流工程では、任せられる作業も注意点も同じではありません。

各工程の向き不向きは、次のとおりです。

工程	向き不向き	理由
要件定義	不向き	個社固有の業務知識や暗黙の前提を把握しにくい
基本設計	条件付き	形式が決まった設計書の下書きには活用できる
実装	向く	扱う情報が限定され、成果を検証しやすい
単体・結合テスト	向く	テストケースやテストコードを生成しやすい
システムテスト	条件付き	業務全体を踏まえたシナリオ作成には限界がある
運用保守	向く	ログ分析や障害の一次切り分けに活用できる

ここからは、工程ごとの活用方法を3つに分けて解説します。

• 上流工程は補助に絞る
• 実装とテストに活用する
• 運用保守で分析に使う

上流工程は下書きと抜け漏れチェックに絞る

上流工程では、AIに成果物を完成させてもらうのではなく、下書きや点検の補助として使う方法が適しています。

要件定義や基本設計ではその企業の固有の業務知識や過去の経緯を踏まえた判断が必要ですが、AIは入力されていない事情を判断できません。また、担当者の間で共有されている暗黙の前提を汲み取ることも不可能です。

しかし、作成済みの資料から抜け漏れや矛盾を探す作業はAIの得意分野です。要件定義書をAIに確認させて非機能要件の記載漏れがないか、用語の揺れをチェックするのには役立つでしょう。

実装とテストがもっとも効果を出しやすい

実装とテストは、システム開発のなかでもAIを活用しやすい工程です。実装では、AIに渡す情報をファイルや機能単位に絞りやすいため、必要な前提情報が現実的な量に収まります。また、生成されたコードが正しく動くかをテストで確認できるため、問題を早い段階で発見しやすい点もメリットです。

テスト工程では、テストケースの候補出しやテストコードの作成をAIに任せられます。人が思いつかなかった境界値や例外パターンを洗い出す補助としても有効でしょう。

また、業務全体の流れを扱うシステムテストでは、企業固有のルールや利用状況まで考慮しなければなりません。単体テストや結合テストを中心にAIを活用し、業務シナリオは人が設計する方法が適しています。

ただし、AIが作成したコードやテストケースが、必ず正しいとは限りません。仕様の読み違いや確認項目の不足が起こる可能性もあるため、人によるレビューが必要です。

運用保守では分析系AIの出番がある

運用保守では生成AIだけでなく、予測や判別を得意とする分析系AIも活用できます。

具体的な用途は以下のようなものです。

• 障害発生時のログ解析
• 問い合わせ内容の分類
• リソース使用量に基づく予兆検知

特に効果を得やすいのが、障害発生時の一次切り分けです。過去の障害や対応内容を検索できる状態にしておけば、似た問題が起きた際に調査の出発点を早く見つけられます。

ただし、過去の記録が整理されていなければ、AIに参照させる情報がありません。運用記録が個人のメモや口頭での共有にとどまっている場合は、まず情報を集約する必要があります。

運用保守でAIを活用するには、過去の対応記録を検索できる形で蓄積することが重要です。AIツールを導入する前に、社内の情報がどこに保存されているかを確認しましょう。

システム開発のAI活用でよくある失敗パターン

システム開発のAI活用では、ツールの導入よりも現場への定着でつまずくケースが目立ちます。

よくある失敗は、次のとおりです。

• 目的を決めずに導入する
• レビュー体制を変えない
• 効果を測る指標がない
• 一部の担当者しか使わない

一番多いのが目的を決めずに導入するパターンです。目的が曖昧だと試用で終わってしまい、効果を確認できないままに予算を使うことになります。また、AIが作成した一般的な内容をそのまま要件書へ反映させれば、実装後に大幅な修正が発生しかねません。

さらに、レビュー体制を変えずに導入するのも問題です。AIによってコードの作成量が増えても人によりレビューの処理能力が変わらなければ、レビュー待ちが新たなボトルネックになるからです。

また、効果測定の指標を決めていなければ工数や品質の改善を確認できません。結果として一部の担当者だけがAIを使うようになり、個人の作業速度が上がってチーム全体の生産性向上にはつながりにくくなります。

これらの失敗に共通する原因は、AIの性能ではなく運用設計の不足です。導入計画には、AIに任せる作業だけでなく、増えた成果物を誰がどのように確認するかまで含めてください。

AI活用を前提としたシステム開発の進め方

システム開発でAI活用を定着させるには、ツールを配る前に適用範囲や品質保証の方法、運用体制を決める必要があります。

導入は、次の順序で進めましょう。

• 適用範囲を先に決める
• 品質保証を組み直す
• 育成計画を整える

適用する工程と範囲を先に決める

AI活用を始める際は、対象とする工程や作業を先に決めてください。全社へ一斉に導入すると、どの作業に効果があったのかを判断しにくくなるうえ、現場の教育や問い合わせ対応にかかる負担も増えるでしょう。

そのため、まずは1つのチームと1つの工程に絞る方法がおすすめです。とくに、効果を測りやすい実装かテストから始めると導入前後を比較しやすくなります。

また、導入前には比較に使う実績の記録も忘れないようにしましょう。変更行数やレビュー時間、テストの網羅率など、すでに取得している数字で構いません。

比較する基準がなければ、AIによって工数や品質がどの程度変わったのかを説明できません。次の投資判断につなげるためにも、導入前の数値をそろえておくことが重要です。

品質保証の手順をAI前提で組み直す

AI活用を始める際は、品質保証の手順も見直す必要があります。AIが生成したコードは、一見すると問題なく動くように見える場合があります。しかし、仕様にない処理が含まれたり、例外処理が不足したりする可能性は否定できません。

また、AIによってコードの作成量が増えると、従来のレビュー手順では確認が追いつかなくなることもあります。成果物の量だけを増やさず、確認方法もあわせて変えなければなりません。

品質保証では、レビューの観点を明文化し、機械的に判断できる項目を専用ツールで自動化することが重要です。書式はフォーマッター、規約違反や単純な不具合は静的解析ツールで確認します。人は、仕様との整合性や設計上の判断に集中しましょう。

変更内容を小さく分けてコミットする運用も効果的です。1回あたりの確認量を減らせば、レビューでの見落としを防ぎやすくなります。

体制と人材の育成計画をあわせて描く

AI活用の効果をチーム全体へ広げるには、運用体制と人材育成も必要です。

同じツールを配っても、積極的に活用する人と、ほとんど使わない人に分かれることがあります。担当者ごとの差を放置すれば、一部の作業だけが速くなり、チーム全体の生産性は上がりません。

効果を広げるには、成果の出たプロンプトや設定をチームで共有できる環境を整えることが重要です。個人のメモだけに残さず、社内のリポジトリやドキュメントへ集約してください。

AIを操作できる人だけでなく、出力内容を正しく評価できる人を育てる視点も欠かせません。評価基準を共有すれば、品質判断が一部の担当者へ集中する状態を防げます。

AI活用を前提にシステム開発を発注するときの確認事項

AI活用を前提にシステム開発を委託する場合は、開発会社によるAIの利用方法と、品質の担保方法を確認する必要があります。

AIの使い方が不透明なまま発注すると、納品後の検証や修正を発注側が負担する可能性もあるためです。

発注前には、次の5点を確認しましょう。

• AIの利用範囲
• 機密情報の扱い
• 品質の担保方法
• 成果物の権利関係
• 見積もりの前提

AIの利用範囲では、どの工程でどのツールを使用するのかです。AIが生成したコードをどのように識別し、管理するのかも聞いてきましょう。

また、機密情報については、仕様書やソースコードを外部のAIサービスへ入力する可能性を確認してください。入力内容がAIの学習に利用されない設定になっているかも重要です。

品質面では、AIが作成した内容を誰がどのような手順でレビューするのかを確認します。テストの範囲や、不具合が見つかった場合の対応方法も共有しておきましょう。

成果物については、利用するライブラリやコードのライセンスをどのように確認するのかが論点になります。見積もりでは、AIによる工数削減がどの工程へ反映されているのかを確認してください。

すべての項目を契約書へ記載しなくても、見積もりの段階で認識をそろえるだけで手戻りを減らせます。特に機密情報の扱いについては、開発会社に社内ガイドラインがあるかを確認すると、実際の管理体制を判断しやすくなるでしょう。

外注時の注意点については、「システム開発の外注を丸投げすると危険？リスクと失敗しないためのポイントを解説」もあわせてご覧ください。

システム開発のAI活用に関するよくある質問

システム開発のAI活用について、発注や体制づくりに関わる方から寄せられる質問をまとめました。

システム開発のAI活用は、どの工程から始めるべきですか

システム開発でのAI活用は実装かテストから始める方法が現実的です。

実装やテストは、AIに渡す情報を限定しやすく、導入効果も数字で確認できます。問題が起きた場合も、対象を絞っていれば影響範囲を抑えやすいでしょう。

一方、上流工程は企業固有の知識や前提に左右されます。まずは下書きや抜け漏れの確認に用途を絞り、効果を確かめながら対象範囲を広げてください。

AI活用で開発コストはどのくらい下がりますか

AI活用によるコスト削減率を、一律に示すことはできません。対象とする工程やシステムの性質、導入前の開発体制によって効果が変わるためです。

実装にかかる時間が短くなっても、レビューやテストの負担が増えれば、開発全体の工数は大きく減りません。

そのため、導入前後で同じ指標を測り、自社の環境における効果を確認する必要があります。作業時間だけでなく、手戻りや不具合の件数も比較すると、品質面を含めて評価しやすくなります。

生成AI以外のAIもシステム開発に使えますか

生成AI以外のAIも、システム開発に活用できます。

工数の予測や障害の予兆検知、ログの分類などには、予測や判別を得意とする機械学習系の技術が適しています。書式の統一や規約違反の検出には、フォーマッターや静的解析ツールを使う方法が効率的です。

生成AIだけですべてを処理しようとせず、課題に応じてAIや専用ツールを使い分けましょう。

AIが生成したコードの品質は担保できますか

AIを使っただけでコードの品質が保証されるわけではありません。ただし、レビューやテストの手順を整えることで、必要な品質を確保しやすくなります。

レビューの観点を明文化し、機械的に判断できる項目は静的解析ツールなどで確認してください。人は、仕様との整合性や設計の妥当性を判断します。

変更を小さく分けてコミットし、1回あたりの確認量を抑えることも有効です。AIの出力をそのまま採用せず、人による確認とテストを組み合わせましょう。

開発を委託する場合、AI活用について何を確認すべきですか

開発会社には、AIの利用範囲、機密情報の扱い、品質の担保方法、成果物の権利関係、見積もりの前提を確認してください。

特に重要なのは、預けた仕様書やコードが外部のAIサービスへ入力されるかどうかです。入力情報の保存や学習への利用についても、確認しておく必要があります。

すべての条件を契約書へ記載する必要があるとは限りません。ただし、発注前に認識をそろえ、必要な内容を記録として残しておけば、納品後の手戻りやトラブルを防ぎやすくなります。

まとめ

システム開発におけるAI活用では、工程ごとの向き不向きを踏まえて利用範囲を決めることが重要です。

実装やテストは、扱う情報を限定しやすく、成果も測定できます。一方、要件定義や基本設計では、企業固有の業務や前提を踏まえた判断が欠かせません。上流工程では、AIの用途を下書きや点検に絞る方法が現実的です。

AI活用が定着しない主な原因は、ツールの性能ではなく運用設計にあります。まずは1つの工程に対象を絞り、導入前の実績を記録してください。そのうえで、レビューやテストの手順をAI前提で組み直せば、効果を数字で確認しながら対象範囲を広げられます。

外部へシステム開発を委託する場合は、AIの利用範囲や機密情報の扱い、品質の担保方法を見積もりの段階で確認しましょう。発注側と開発会社が事前に認識をそろえることで、納品後の手戻りや情報管理のリスクを抑えられます。

ブライセンでは、システム開発やオフショア開発に関する相談を受け付けています。AIを活用した開発体制を整えたい方や、品質を確保しながら開発を効率化したい方は、ブライセンへご相談ください。

システム開発・オフショア開発のご相談｜ブライセン