「プロダクトヒストリーカンファレンス2026」リチェルカ投影資料

株式会社YOUTRUST主催の「プロダクトヒストリーカンファレンス2026」にて弊社クライアントアドバイザー・浦 将平が講演した際の投影資料です。

Transcript

1. AI-DLCを実運用して見えた、 AIネイティブ開発のリアル 株式会社リチェルカ クライアントアドバイザー　浦　将平
2. 会社概要 資本金等 800,000,000円 設立 2022年4月8日 会社名 株式会社リチェルカ 代表 代表取締役CEO 梅田 祥太朗 所在地 東京都港区芝浦4-11-17 中野スプリングビル6階 連絡先 info@recerqa.com AIの社会実装を通じて、今までの“できない”を解決する 主要投資家 借入金融機関
3. CONFIDENTIAL AIの社会実装を通じて、 今までの“できない”を解決する Purpose すべての人を、 クリエイティブワーカーに。 Mission Mission・Purpose 3
4. 私たちがやっていること 大手商社・製造業をメインターゲットに、 企業間取引の現場に残る、 受発注の非効率 を解消する
5. 受注・発注・在庫・商品管理領域を網羅し、業務を End to Endでカバー 見積 • 取引先管理 • 見積作成/承認WF • 履歴管理 販売 • 注文受入 • 注文内容チェック • 納期確認/納期管理 • 請求書出力 出庫 • 出荷指示 • 注文内容チェック • 配送伝票出力 生産 • 生産管理 • 計画手配 • 製造管理 商品管理 • マスタ管理 • 情報更新 • 履歴管理 • 申請ワークフロー 在庫 • 販売品管理 • サンプル品管理 • 棚卸し • 拠点管理 仕入計画 • 発注点管理 • 発注残管理 • 納期確認 仕入 • 仕入予定管理 • 見積確認 • 発注 • 進捗管理 入庫 • ロス管理 • 検品管理 • 納品書/請求書照合 会計システム • 債権計上 • 入金 • 伝票転記 • 決算処理 • 伝票転記 • 決算処理 人事 • 人事管理 • 給与管理 • 申請管理 • 勤怠管理 受発注にフォーカスした Agentic ERP「RECERQA」 得 意 先 仕 ⼊ 先
6. 各エージェント群により、AIが業務を自律実行へ 見積 • 取引先管理 • 見積作成/承認WF • 履歴管理 販売 • 注文受入 • 注文内容チェック • 納期確認/納期管理 • 請求書出力 出庫 • 出荷指示 • 注文内容チェック • 配送伝票出力 生産 • 生産管理 • 計画手配 • 製造管理 商品管理 • マスタ管理 • 情報更新 • 履歴管理 • 申請ワークフロー 在庫 • 販売品管理 • サンプル品管理 • 棚卸し • 拠点管理 仕入計画 • 発注点管理 • 発注残管理 • 納期確認 仕入 • 仕入予定管理 • 見積確認 • 発注 • 進捗管理 入庫 • ロス管理 • 検品管理 • 納品書/請求書照合 会計システム • 債権計上 • 入金 • 伝票転記 • 決算処理 • 伝票転記 • 決算処理 人事 • 人事管理 • 給与管理 • 申請管理 • 勤怠管理 受発注にフォーカスした Agentic ERP「RECERQA」 得 意 先 仕 ⼊ 先 Agt 現在提供中のエージェント ⾒積作成 Agt 受注登録 Agt リベート請求 Agt ⾒積査定 Agt 発注最適化 Agt 納品消込 Agt 品番特定 Agt
7. AI-DLCを実運用して見えた、 AIネイティブ開発のリアル 本日のテーマ
8. AI-DLCによって変わったこと AI-DLCが変えたのは、開発速度だけではなく、 AIとの働き方そのものでした。
9. AI-DLCとは？(AI-Driven Development Life Cycle) INCEPTION 計画 CONSTRUCTION 設計・実装・テスト OPERATION 運用 AWSが2025年に公開した、AIモデルが開発プロセスそのものを主導するフレームワークで、要件 定義から改善までAIが計画・実行を主導し、人間が監督・承認を担う開発アプローチです。 AIを中心に置いたチーム全体の協働が基本単位に
10. 開発期間は4ヶ月から2ヶ月へ 従来の同規模プロジェクト 現在進めている開発プロジェクトを、過去の同規模プロジェクトと比較すると、 開発期間を大きく短縮できました。 4 ヶ月 要件整理から実装完了まで AI-DLCで進めたプロジェクト 同規模の開発を短期間で実現 約50%短縮 2 ヶ月
11. 個人のアウトカムからチームのアウトカムへ 分業×AI 営業 / CS with AI PdM with AI エンジニア with AI 実装/レビュー with AI チーム×AI AIの問いに全員同じ場所で議論し、要 件を作成する 個人の生産性向上から、チームのアウトカム最大化へ 成果物を見るまで 認識のズレに気づきにくい A AI
12. 専門性の掛け合わせが要件の質を変える AIの問い 専門性の掛け合わせ AI ビジネスサイド 顧客・業務に詳しい エンジニア 技術・制約に詳しい PdM 優先度を決める 顧客視点 技術視点 誰のどんな課題を解くのか 技術的にどう解決できるか
13. AI-DLCは専門外の境界線を薄くする 誰に、何を、どんな体験で届けるかを考える AI-DLCでは、後半に進むほど 技術的な深い問いが増えていく 01 02 03 その体験を支える業務・データ・セキュリティを考える これまでの議論を踏まえて、仕様の妥当性を判断する
14. AI-DLCは専門外の境界線を薄くする AI-DLCは、 自分の専門外の問いが増えていく。 A AI 業務 データ モデリング 権限 API 顧客 体験 理解すれば判断の質が上がる 専門外でも構造が見えると、 問いの質とレビューの質が上がる。 データは特に重要 データ構造の理解が業務理解に直結する
15. 組織のアウトカム最大化の裏で起こった 3つのこと
16. AI-DLCを通じてわかったこと ボトルネックは人間にある 01 捨てる勇気は、もういらない 02 人が手綱を握り続けるために 03
17. 01 ボトルネックは 人間にある
18. AIに全部渡すと、思考が広がりすぎる やらない やる • 一度にすべてを解決しようとする • 将来必要になるかもしれない要件ま で含める • 曖昧な前提のままAIに任せる • 複数の論点を同時に進める • 解決したい課題だけを渡す • 前提条件と制約を明確にする • 論点を小さな単位に分割する
19. ボトルネックは人間にある 人間が正しく判断できる単位まで、問題を分解すること 曖昧な要件 AIが補完・解釈 それっぽい 成果物 ズレが発覚 レビューが 大変 AIは曖昧な要件でも止まらない
20. 02 捨てる勇気は、 もういらない
21. 何度でも爆速でやり直せる AI-DLCは小さく進めることが前提。ズレに気づいた時のやり直しも爆速。 小さく要件定義 01 AIで一気に生成 02 早い段階でズレを発見 03 範囲を絞って再実行 04
22. 03 人が手綱を 握りつづけるために
23. 人が手綱を握り続けるために 「何を決めたか」は残るが「なぜ決めたか」は残らない。 なぜ選択肢Aを選ばなかったのか なぜ選択肢Cを選ばなかったのか どんな議論・判断軸があったのか ＋ ＋
24. 人が手綱を握り続けるために AI -DLCが残すもの 人が残すもの • AIとの対話ログ • 要件定義書 • ソースコード • 議論の内容 • 判断軸 • 却下理由 AIしか理解できないものを作らないための工夫が必要 意思決定の負債を残さない対策が必要
25. 04 まとめ
26. AI-DLCを実運用して見えたこと AIに振り回されないために、人もアップデートし続けなければならない ボトルネックは人間にある 捨てる勇気は、もういらない 人が手綱を握り続けるために AIは賢すぎるがゆえに、人が追いつけない 場合がある。 だから、人が止まれる単位で考 える。 小さく進めるから、捨てる判断も速くなる。 正 解を一度で当てるより、失敗から早く戻ること が重要になる。 「何を作ったか」だけでなく、「なぜそうした か」を残さないと、 AIの言いなりにならざるを 得ない未来がくる。
27. 35 / 35