現場で試したAI駆動開発

Transcript

1. 現場で試した AI 駆動開発 2026/03/11 Naomichi Yamakita
2. © Micronity inc. ⾃⼰紹介 ベトナム‧ハノイでのオフショア事業⽴ち上げからキャリアをスタートし、 アプリケーション開発からマネジメントまでを経験 2015 年にメタップス参画 (マイクロニティの前⾝)。徐々にクラウドインフラに も携わり、現在は横断的なテックリードや SRE エンジニアとして従事 「AWS DevDay Tokyo」登壇、「Amazon Web Services ブログ」、 「builders.flash」寄稿、「Community Builder」メンバーなど ⼭北 尚道 株式会社マイクロニティ srest プロダクトオーナー 兼 SRE マネジャー Naomichi Yamakita ＠sre_yamakita 2
3. © Micronity inc. srest とは
4. © Micronity inc. チーム連携フロー 顧客 FDE PO ⼭北 開発 イノベーション 開発 プロダクト 技術検証‧アーキテクチャ選定 主機能の設計‧実装 開発 プラットフォーム 技術負債の改善 SRE インフラ構築、信頼性の最⼤化 機能要望 要件のとりまとめ QA (新設) コード品質改善、提供価値の保障
5. © Micronity inc. FDE の役割
6. © Micronity inc. • 開発速度の壁 ◦ 機能開発‧調査依頼‧不具合改修を並⾏して進める必要があり、増加する要求に⼈⼿が追い つかない状況が続いていた • レビュー‧QA 負荷の増⼤ ◦ 機能追加のペースに対し、レビューやテストが追いつかず、品質リスクが⾼まりつつある • SRE 運⽤の属⼈化 ◦ プロダクトを横断する SRE チームは、障害調査やインシデント対応など繰り返し作業が多い AI 駆動開発で「書く」「調べる」を⾃動化し、エンジニアは判断プロセスと本質的な仕 事に集中できる環境を構築する なぜ AI 駆動開発に取り組むのか
7. © Micronity inc. 開発環境は GitHub Copilot + Claude Code がベース ロール別の取り組み ロール 施策 開発者 アプリケーション開発 / SDD 促進 / 不具合調査の自動化 SRE IaC 構築支援 / AWS MCP によるアラート調査 / インシデント調査の自動化 QA Playwright Test Agents 導入 / Design Docs からのテストケース自動生成 / CI パイプライン統 合 FDE AI プロトタイプ開発による客先提案
8. © Micronity inc. 開発: チームの開発プロセスに AI を組み込む • Design Docs をコンテキストに与えることで 仕様を理解したコードを⽣成 • Claude Code から直接 AWS 上のデータベー ス接続し、クエリ調査からコードの改修まで ⾃動化 • Sentry (エラートラッキングツール) でエラー を検知し、MCP 経由でスタックトレースを分 析〜コード修正を提案 AI が書いたコードを⼈間がレビューする 体制へシフトしつつある
9. © Micronity inc. 開発: SDD (Spec-Driven Development) • 仕様をコードと同じ場所で管理し、AI を 仕様理解済み にする ◦ PRD‧Design Docs‧Test Case をす べてリポジトリで管理 • 仕様理解を前提とした AI コードレビュー により、仕様外の実装を検知 できる • Design Docs を元に Agent Skills がプロト タイプコードを⽣成 • 今後は 仕様と実装の差分からデグレー ションを検知する仕組み への拡張も検討
10. © Micronity inc. FDE: AI プロトタイプによる客先提案 顧客 AI を使ったコストアシ スタント機能が欲しい 従来 今後 要件定義 デザインチームとの連携 モック作成 提案 FDE がプロトタイプ開発 提案 数週間 数⽇
11. © Micronity inc. FDE: AI プロトタイプによる客先提案 exe.devを使うと、わずか 5 分で Claude + RAG ベー スのチャットを公開可能に AI Agent ベースで MCP ベースのチャットアプリケー ションをプロトタイプ実装。開発期間は数⽇程度
12. © Micronity inc. SRE: IaC とアラート対応への AI 活⽤ • IaC 構築⽀援 ◦ ⼤規模なリファクタリングを⼀例として、これまで 多⼤な時間がかかっていた作 業が AI と MCP の組み合わせにより⼤幅に効率化 ◦ インフラ構成の理解‧説明を元に、変更差分のレビューを AI が補助 • アラート調査 ◦ 複数リソース‧メトリクスを横断して原因を素早く特定 し、調査ログ‧原因分析 ‧ネクストアクションの作成まで半⾃動化。過去のポストモーテムとの⽐較も踏 まえた判断がしやすくなる
13. © Micronity inc. • 課題 ◦ 機能追加のペースに対してテスト⼯数が追いつかない ◦ UI 変更のたびにテストコードが壊れ、メンテナンスに時間がとられる ◦ テストケースの抜け漏れが品質リスクにつながる • 取り組み ◦ Playwright Test Agents の導⼊ (検証中) ▪ Planner: Design Docs を解析し、テストシナリオを⾃動⽣成 ▪ Generator: シナリオから Playwright テストコードを⽣成 ▪ Healer: テストコードを実⾏。失敗したテストを⾃動修復 QA: テスト⾃動化の品質基盤を整える
14. © Micronity inc. • AI が⽣成したコードは動くが、実装の判断根拠が不明瞭でレビューコストが⾼い • AI の⽣成速度にレビューが追いつかない • 今後、⼈がコードを書く量は減っていくため、レビュワーを新たに育てることが難し くなる 共通の課題: AI ⽣成コードにおけるレビュープロセス 解決策は「⼈がすべてレビューする」ことをやめ、AI がレビューするプロセスを設計す ることにある。仕様を AI への⼊⼒として整備し、コードの細部ではなく仕様‧要件への 適合度を AI が検証する仕組みへと移⾏していくことが求められる。
15. © Micronity inc. 共通の課題: ガードレール設計の重要性 • Claude Code に Terraform の実⾏を委 ねた結果、本番データベースを含むイ ンフラ全体が削除されるインシデント が実際に発⽣している • AI は意図を確認せず、⼈間なら⽴ち⽌ まるような破壊的操作も迷わず実⾏す る • 強⼒だからこそ、適切なガードレール 設計が不可⽋であり、書き込み権限の 段階的付与‧破壊的な操作の最終判断 は必ず⼈間が⾏う
16. © Micronity inc. まとめ • Claude Code × MCP で開発‧SRE‧プロトタイプ開発の⽣産性が向上し、SDD × Agent Skills が次世代の開発スタイルを形作りつつある • AI ⽣成コードのレビューは従来とは異なる課題をもたらす。解決策は⼈がすべてレ ビューすることではなく、AI がレビューするプロセスの設計にある • AI 駆動開発は強⼒だからこそ、ガードレール設計が不可⽋
17. Thanks