AWSの仕様駆動開発AI「Kiro」を 非エンジニアが1.5日間触ってみたら

Event: KGDC Tech Conference #14「AI駆動開発」

Event Date: 2026/07/29

Event URL
https://kgdc.connpass.com/event/397030/?utm_campaign=&utm_source=notifications&utm_medium=email&utm_content=title_link

Transcript

1. 1 AWSの仕様駆動開発AI「Kiro」を ⾮エンジニアが1.5⽇間触ってみたら サービス開発本部 クリエイティブ変⾰部/IT戦略部 2026/07/29
2. アジェンダ 2 ⾃⼰紹介 p.3 AIエージェント導⼊の⽬的 p.4-5 ワークショップ p.6-12 ⽣成物 p.13-14 結果 p.15-17 課題と対策 p.18
3. ⾃⼰紹介 3 会社 auコマース＆ライフ株式会社 所属 サービス開発本部 クリエイティブ変⾰部 WEB‧UIデザイングループ 兼 IT戦略部 AX推進グループ 夏凪 千愛 ⼊社 2025年夏 中途⼊社 業務 デザイン 「au PAY マーケット」のWebサイトやアプリのUIデザイン業務に従事 なつなぎ ちあき AX推進 AIを活⽤したサービスや業務変⾰への取り組み
4. AIエージェント導⼊の⽬的 4 プログラミングができないから IT部⾨に開発を依頼しなきゃ… アイデアがあっても もっとこういうツールがあれば 具体的なイメージができなくて 業務が楽になるのに… 企画が進まないな… ⾮エンジニア部⾨が諦めていた 壁
5. AIエージェント導⼊の⽬的 5 AI駆動開発で、全社の⽣産性を向上 ⾮エンジニア部⾨でも⾃律的な改善を可能にする AIエージェントが 壁 をぶち破る！
6. 課題 6 どのツールを使えばいいのか？ 課題 1 課題 2 課題 3 開発者向けツールは、 汎⽤AIツール（対話型AI）で AI駆動開発についても、 エンジニア以外にはハードル は、⾃律的な改善まで到達で 現状使⽤しているツールでは が⾼く、浸透しにくい きない 難しい Amazon Q Developerも、 2027年4⽉でサービス終了 ワークショップを開催し、ツールを選定！
7. ワークショップ 7 「Kiro」で ワークショップしました
8. ワークショップ 8 ワークショップの様子 Kiro説明会（ AWS様） モブプロ（参加者） 結果共有会（参加者＋任意メンバー）
9. ワークショップ 9 Kiroとは？ AWS 仕様駆動型AIエージェント エージェンティックなVibe-Codingから以下まで実⾏可能 ‧仕様駆動開発 ‧コード補完 ‧ドキュメント⽣成 ‧コードレビュー ‧デプロイ
10. ワークショップ 10 なぜKiroを選んだのか 理由 1 理由 2 理由 3 圧倒的なガバナンスと ⾮エンジニアに 既存のAWSアセットとの セキュリティ 優しい シナジー KiroはAWSの純正サービス。 日本語の仕様（要件）をベースに伴走。 元々エンジニア側で「Amazon Q 日本政府のセキュリティ評価制度 要求定義から設計、実装までを一貫した Developer」を導入しており、AWSを中 （ISMAP）に登録されている堅牢 プロセスで進めることができる 心とした開発基盤が既に整っていた なインフラ上で動作
11. ワークショップ概要 11 題材 「au PAY マーケット」 マイページ画⾯の刷新リニューアル ⽇時 2026年5⽉20⽇（半⽇）〜21⽇（終⽇）[計1.5⽇間] 参加者 PdM：2名 コードを触ったことのない デザイナー：1名 ⾮エンジニア エンジニア：3名 AWS様：2名 素材 要件定義書 デザインデータ（Figma）
12. 12 specモードで スタート こういうページを 新規で作りたい 要件定義書（csv） デザインデータ（Figma MCP） Requirements.md Design.md Tasks.md 仕様書 設計書 タスクリスト
13. 成果物 デザイン（⾒本） 13 ⽣成1回⽬ ⽣成2回⽬ ‧要素の過不⾜ ‧フォントサイズ ‧レイアウト ‧マージン 上記の観点で、 KiroにFigmaとの整合性をチェックさせ、 差異があれば直すようにいうと かなり精度が上がった Point 修正についても タスク分解させてから 実⾏させると良い結果に◎
14. 成果物 最終成果物 14
15. 結果 15 ⾮エンジニアが1⽇で実装完了！ 効果 全体テストまでを含むと… 通常開発 AI開発 2⼈⽉ 0.5⼈⽉ ⽣産性 4倍 ⼯数75%削減
16. 結果 16 参加者のアンケート ⽣成物のクオリティ 実務での実⽤性 3.8点 2.8点 “設計解析（design.md）は “何を聞かれているか分からず ⼗分に機能する” 勝⼿に承認（Accept）するのが 3.8点 “期待以上のクオリティ” “コード初⼼者がページを作れる のはすごい” 安⼼感 怖い”
17. 結果 17 よかった点 スピード感 精度 ⽇本語の⾃然⾔語だけで Figma連携（figma-MCP）により 要求や設計がみるみるできあがる 想像以上に精度の⾼い正解コードを出⼒ 課題点 デザインの齟齬 専⾨知識の壁 思っていたものと少し違う挙動や ⾮エンジニアの ⾒た⽬になってしまう、といった齟齬が発⽣ データ構造やシステム全体の理解の不⾜ 1発⽬のクオリティをもう少し上げたい 意味がわからないままAIに承認を求められる怖さ
18. 運⽤する上での課題と対策 18 Keyword 仕組み化‧ルール化 技術‧⼼理スタック 上流整理‧デザイン齟齬 全体プロセス 個人の「慣れ」や「専門知識の差」に依存 要求調査と整理までの時間がかかる 各ステークホルダーとのすり合わせ する開発の壁 意図したデザインが1発で出ない に時間を要する manual template protocol 課題の詳細分解をしてマニュアル化し、心 開発に必要な事項やデザインルールを事 会社の方向性・上層部の概念を抽出し 理的ブレーキを取り除く 前にテンプレート化する て、AI学習＋共通言語化する