Generative AI Japan 第一回生成AI実践研究会「AI駆動開発の現在地──ブレイクスルーの鍵を握るのはデータ領域」

Generative AI Japan会員様向けコミュニティ『生成AI実践研究会』の第一回でお話しさせていただきました資料です。
Agenda’
・AI駆動開発の定義と境界線
・2025年9月現在、AI駆動開発の領域に変化を及ぼした技術6選は？
・SDLCで見るAI駆動開発ツールの市場とこれからの課題
・生成の速度（NL→Code/SQL/Docs）はもう十分。解決すべき課題はデータの意味づけ／接続性／安全／評価を対象とした制御・測定の処理能力
▼ Generative AI JapanのHP
https://generativeaijapan.or.jp/

1. AI駆動開発の現在地 Kohei Ogawa Principal AI Data Software Solution Developer Cloud X, Cloud Business Unit September 10th, 2025 ──ブレイクスルーの鍵を握るのはデータ領域 10分で理解する！
2. 自己紹介 3 小川航平 Principal AI Data Software Solution Developer, Cloud X, Cloud Business Unit, Oracle Corporation Japan ✓ 大学・大学院で図書館情報学/情報検索/AIを専攻し、 データの収集・蓄積・活用を体系的に学ぶ ✓ １万人以上のメンバー数を抱える AIを社会実装するためのコミュニティのLeadを担う ✓ AIの研究者と研究者向けのChatGPTに関する書籍を出版 ✓ 様々な業界のエンタープライズ企業の Data&AIシステムの課題解決・設計開発・利活用をご支援 (Business Architect/Cloud Architect/ AI PM/Advocate/Developer) 高専 R＆D 元MicrosoftのData&AI領域のAzure Architect 元スタートアップの開発チームのLead (AWS FullStack Engineer) 落合陽一研究室出身 AI ※slide公開用に詳細部分は割愛 @shisyu_gaku in/koheiogawa/ フォロー&DM Welcomeです！
3. 4 ”本研究会でAI駆動開発におけるデータ領域も共に模索したい“/”関心がある方を知りたい” 本日お伝えしたいこと “作る速さは十分。 『測る・つなぐ・守る』 の質が大事”
4. AI駆動開発の定義と境界線 5 要件定義 改善 設計 実装 評価 テスト リリース AI駆動開発を導入した ソフトウェア開発のライフサイクル ✓ 1.AIが複数工程に常時組み込まれている （例：設計/実装/テスト/運用） ✓ 2. 評価→改善のループ（自動 or 半自動）が回っている ✓ 3. データの段取り（Contract/Lineage/Eval＝CLE）が 最低限ある ✓ 4. 再現性（プロンプト/設定/データ・評価の版管理）が 担保されている AIを常時組み込み、プロンプト → 動く機能 → 価値のサイクルを短縮する開発様式。 AI駆動開発の最低条件：これができないとAI支援止まり ・人とAIの協創により、想像の具体化/具現化速度が速くなった。 ・また、生産活動できるユーザ層に変化を及ぼしている。 “作る速さはもう十分、重要なのは修正ループと信頼”
5. 2025年9月現在、AI駆動開発の領域に変化を及ぼした技術6選は？ 6 CLI/CI常駐のAIエージェント化 Gemini CLI / Codex CLI / Claude Codeの登場により、チャットでの補助から、 スクリプト実行できるCLIに進化。 CIから呼べるので、コード生成・修正・調査をパイプラインに直結できる 1 “リポジトリ全体”を見通す長文脈 （～100万トークン級） Gemini CLIなどの登場により、マルチファイルの一括編集や大規模リファクタが現実的に。 コード変更をPR風に提示するワークフローも登場。 2 設計→フロントコードの“距離ゼロ化” Google Stitchの登場により、 スケッチ/画像→UI設計→実装コードを数分で自動生成、Figmaへ直接出力し手戻りを削減。 3 標準化された接続（MCP）で |“配線コスト”激減 MCP技術の浸透が進み、ログ/チケット/評価基盤などの 外部ツールを標準プロトコルで接続可能に。工程横断の再現性と監査性が向上。 4 OSSの最先端コーディングモデルによる “内製可能性” Qwen3-Coderなどの登場により、高性能なオープンソースのコーディングモデルが実用域に。 コスト/データ統制/カスタマイズ性が向上。 5 IDEレベルの“差分提示&承認”まで一気通貫 Gemini CLIなどの登場によりエージェントが差分を可視化→確認→適用まで誘導。 開発者はPRレビューに近い体験で安全に導入。 CodexはIDE拡張あり 6 2025年の革新性は「生成」から“実行・統合・標準化”へ主役が移ったこと 1度に扱えるデータ量が増えた 標準化により扱える外部データの種類が増えた データをLLMに渡しやすくなった データ視点
6. SDLCで見るAI駆動開発ツールの市場とこれからの課題 7 要件定義 設計 実装 テスト 評価 改善 リリース ✓ 開発者向けLLM（Codex CLI/Claude Code/Gemini CLI ）/汎用チャットLLM ✓ Bolt.new ✓ GitHub Copilot Chat/Amazon Q Developer Chat ✓ Playwright 使用可能な 具体的な ツール例 濃=主用途／淡=副用途（工程ごと) 生成される データ例 AI駆動の ポイントの例 PRDのたたき台を5分で 作り、根拠リンクも自 動添付 市場習熟度予想 ※厳密ではない アーキ/ドメインの候補 3案を自動比較し、抜 け・リスクを先出し ルーティンはAIに任せ、 難所へ集中。PRの往復 を半減。 仕様からユニット/E2E雛 形を自動生成。失敗時は 要約と次の一手を提示。 RAG/LLMの正当性・再 現性を数値化 本番データから毎週の 改善案を自動抽出し、 小さく検証 CI/CDを自動配線し、カ ナリア＆ロールバック を標準化。 ・概算確認用のクエリ ・製品要件書（PRD） ・プロトタイプUI ・スキーマDDL ・仕様書/アーキテクチャ ・OpenAPI仕様書 ・スキーマ変更用のSQL ・README（実装の説明書） ・実装コード ・テストデータ投入用SQL ・テスト計画書 ・ユニットテスト(自動テスト) ・メトリクス集計SQL ・評価仕様書 ・評価スクリプト(ベン チ/プロ ンプト テスト ） ・コホート分析クエリ ・ポストモーテム（振り返り文書） ・フィーチャーフラグ設定（実験構成） ・本番移行DDL ・リリースノート ・インフラ定義（IaC: Terraform/CDK） NL2Docs NL2Code NL2SQL ✓ Vercel v0 ✓ Create.xyz ✓ Figma AI ✓ Autify ✓ Playwright ✓ Create.xyz ✓ Cursor/Cursor-Agent ✓ Vercel v0 ✓ Bolt “測る・つなぐ”のツールが 相対的に手薄、ツールが少ない プロトタイピングの壁 ！ Software Development Lifecycle ※有名どころだとDevinも 全工程いける
7. NL2Code 作る NL2SQL 抽出する NL2DOCS 説明する ルータ Agent 数値/集計 説明/根拠 作る/変える 生成の速度（NL→Code/SQL/Docs）はもう十分。 解決すべき課題はデータの意味づけ／接続性／安全／評価を対象とした制御・測定の処理能力 8 AI駆動開発ツール内のAgent機構 Presentation層 (UI/フロント) Application層 (ビジネスロジック/ オーケストレーション) Data層 NL Prompt • コンテキスト情報をツールの機能間で 適切に渡してあげれてるか • 対応しているLLMが最新か (単体の精度) • DBのスキーマ情報の強化(=LLMへの解釈性を高める) ！ • 高頻度に呼び出されることによるLLM費用 • 呼び出し制限による開発UXの低下。 開発ロードマップからのずれ データ量による呼び出しコストの課題 コンテキストとその連携性によるデータの質 回答の正確さ/安全性/再現性 • 数値不一致 • 本番だけ落ちる • 全表スキャン • 根拠不在 • 許可ビュー • EXPLAIN • 件数/時間上限 • 監査 席課金(ユーザ/月) LLM従量（トークン／リクエスト） ワークフロー／エージェント実行従量 AI駆動開発 ツールの 課金体系の例 データの中身だけ教えられても 何のデータか雰囲気でしか分からんから 雰囲気な回答になるよ？ 正確に回答して欲しいなら データの説明欲しい・・・ AI駆動開発中の システム AI駆動開発中の エンジニア DB/SQLに関しては微妙に まだ惜しいんだよなぁ ✓ コンテキストをどのくらい考慮できる NL2SQLエンジンか ！ ✓ アプリ層-データ層の 連携性/更新性 1. 2. 3. ツール内 ツール-各生産物の層 DB-APP層間 ！
8. 9 ”作る速さより、『測る・つなぐ・守る』 の質が大事“ まとめ
10. Appendix 11
11. Appendix：2024年まで vs 2025年9月現在：AI駆動開発により何が効率化された？ 12 要件定義 改善 リリース 設計 評価 実装 テスト 2024年まで 2025年9月現在 議事録・既存資料の要約で要件ドラフトを作成 テキスト→アーキ図/API雛形の自動生成 IDE補完、単一ファイルのNL→SQL/スニペット 手動のプロンプト検証や小規模オフライン評価 ユニットテスト雛形や契約テストの生成 プロンプト微調整、手動でRetriever調整 人手のGo/No-Go、カナリア展開 MCPでログ/チケットを標準接続から実データ起点で 要件/BDD自動化（配線工数↓・再現性↑）可能へ Stitchでスケッチ→UI+コードを数分で生成。 Figma連携で設計→実装の手戻りが少なくなる Gemini CLI（~1M文脈）でCLIから生成/修正をCI化。 Qwen3-CoderでOSS拡張可能へ CLI非対話実行でテスト生成・実行をCI自動化。 MCPで外部テスト基盤に接続可能へ MCPでログ/指標統合→CLI経由で品質・コスト・ 安全を自動評価（ゲート運用しやすい）へ Qwen3-Coderを内製調整＋MCPで収集→再評価 →反映の閉ループ化（サイクル短縮）可能へ MCP×CI/CDで監査・秘密管理・品質チェックを 標準配線。基準未達は自動ロールバックへ