メインコンテンツへスキップ
見出し画像

AI駆動開発とは?やり方と実例を整理しました

はじめに

ここ1年ほどで、「AI駆動開発」という言葉を見かけない日がなくなりました。コード補完の延長なのか、それとも開発の進め方そのものが変わる話なのか。現場の肌感覚だけで語ると、どうしても偏ってしまいます。

そこで今回は、公式ブログや調査レポート、企業の公開事例をできるだけ一次情報にあたりながら、「AI駆動開発とは何か」「どう進めるのか」「実際どんな例があるのか」を整理してみました。

AI駆動開発とは

「AI駆動開発」には、全員が合意している単一の定義はありません。解説記事によって少しずつ言い方が違います。

たとえば2026年11月初めに公開されたビジネス+IT(SBクリエイティブ運営)の解説記事では、要件整理・設計・実装・テストといった複数の工程に生成AIやAIエージェントを組み込み、人は方針決定と品質確認を担う進め方、と説明されています。しかも「完全自動でシステムを作ること」には限定していません。一方で、企画から運用までをAI中心に置き換え、人は指示と意思決定を担う、とやや踏み込んで定義する解説もあります。

AWSが2025年に紹介した「AI-DLC(AI駆動開発ライフサイクル)」は、この考え方をいちばん体系立てて示した例のひとつです。ソフトウェア開発をAI中心に再設計し、AIが計画を立てて実行し、重要な判断は人間が行う、という分担が基本になっています。

細部は違っても、共通点ははっきりしています。ひとつは、コードを書く場面だけでなく工程全体にAIを組み込むこと。もうひとつは、人間は「判断」と「検証」に回ること。この2点です。

AIアシスト開発、バイブコーディングとの違い

よく混同される言葉と並べておきます。

AIアシスト開発は、補完や説明、テスト案の提案など、個々の作業をAIが手伝う使い方です。AI駆動開発は、複数の工程にAIを組み込み、作業と検証をぐるぐる繰り返す使い方です。ただし、この境目も一律ではない、とされています。

バイブコーディングは、2025年2月にAndrej Karpathy氏がXで名づけた言葉です。雰囲気に身を委ねて、コードの存在すら忘れるように、自然言語で試作と修正を重ねていくスタイルを指します。アイデアを素早く形にするには強力ですが、動いたからといって本番品質とみなしてはいけない、という注意がセットで語られます。

私のとらえ方では、AI駆動開発は「バイブコーディングの速さに、設計を足したもの」です。ここでいう設計とは、AIに渡す情報、AIに許す権限、受け入れ基準、そして責任の持ち方のことです。この4つを決めずに速さだけ求めると、あとで必ず痛い目を見ます。

なぜ今、これほど広がっているのか

GoogleのDORAチームが2025年9月に公開した調査(世界の技術職約5,000人が対象)では、仕事でAIを使っている人が約90%に達したと報告されています。前年(2024年)の調査では、日常業務の少なくとも1つでAIに頼っている人が約76%でしたので、約14ポイントの上昇です。ただし、設問の表現が年によって違うため、厳密な同条件の比較とは言い切れません。DORAはこの調査の結論を、AIは組織の強みも弱みも増幅する「アンプ(増幅器)」だ、という一言にまとめています。

もっと最近のデータでは、JetBrainsが2026年5〜7月に実施した開発者調査(プロ開発者1万5,000人超)があります。AIコーディングエージェントを職場で週1回以上使う人が90%、毎日使う人が68%でした。さらに、書いたコードのうちエージェントが完全に生成した割合は、平均で約47%という結果です。

同じ調査では、開発者が3つのタイプに分かれたとも報告されています。コードの約84%をエージェントに生成させる「エージェント型」が約31%、約40%を生成させる「AI支援型」が約47%、ほぼ手書きの「手作業型」が約23%です。シニア開発者の約4分の1は、コードの8割超をエージェントで生成していると回答しています。

地域別では、東アジア(中国・日本・韓国を含む)でコードの8割超をエージェントに生成させている開発者が32〜35%で、欧州・英国の約16%のおよそ2倍でした。

一方、コード品質ツールを提供するSonarの2026年の調査(開発者1,100人超)では、開発者の自己申告として、自分がコミットするコードの42%がAI生成またはAI支援によるものでした。2027年には65%になるという見込みも示されていますが、これは回答者の予測です。いずれもリポジトリを実測した数字ではありません。これらの数字は「導入が進んでいる」ことの裏づけであると同時に、後半で触れる「検証が追いついていない」という課題の入り口でもあります。

具体的なやり方

では、実際にどう進めるのか。公開されている情報から、流れをつかみやすい順に整理します。

ステップ1:小さく始めて、受け入れ基準を文章にする

前述のビジネス+ITの解説では、導入を5つのステップで説明しています。私なりに言い換えると、次のようになります。

最初は、影響範囲が限られていて、正しさを確かめやすい課題を選び、「どうなれば完成か」という受け入れ基準を文章にします。
次に、仕様書や構成、命名規則、既存テストなどを整理して、AIに渡す情報を絞り込みます。
三つ目に、作業環境の権限、人の承認が必要な工程、止めて差し戻す方法を決めます。
四つ目に、小さな変更ごとに計画と差分を確認し、テストで検証しながら繰り返します。
最後に、効果を測って、うまくいった条件だけを広げます。

地味に見えますが、ここが一番大事だと感じます。AIへの指示の上手さより、「完成の定義」と「確認の仕組み」が先に効いてきます。

ステップ2:AIに渡す「文脈」を整える

AIコーディングエージェントは、同じセッション(一連のやり取り)の中では会話の文脈を使えますが、セッションをまたいでプロジェクトの前提を確実に引き継ぐには、ファイルなどに情報を残す仕組みが必要です(引き継ぎの仕組みはツールや設定によって異なります)。だから、プロジェクトの前提をファイルにして、毎回読ませるのが定番になっています。ClaudeのCLAUDE.md、GitHub Copilotのcopilot-instructions.md、ツール横断のAGENTS.mdなど、名前は違っても考え方は同じです。AGENTS.mdは、OpenAIが2025年8月に公開した、AIコーディングエージェント向けの共通の指示ファイルです。2025年12月には、Linux Foundation傘下のAgentic AI Foundation(AAIF)が設立され、その初期プロジェクトの一つ(ほかにAnthropicのMCPとBlockのgoose)として提供されました。一方、CLAUDE.mdについては、Anthropicのベストプラクティスがバージョン管理に入れてチーム全員で共有することを勧めている、と学術論文で紹介されています。

日本企業の例では、NTTデータが2026年8月に公開した記事が参考になります。同社は、AIが参照すべき情報を「AI開発指示ファイル」としてまとめ、開発や検証の過程で更新し続けています。中身は、設計書(全体像と設計意図)、開発ルール(編集禁止の範囲、命名規則、セキュリティ上の制約、レビュー観点)、開発ナレッジリスト(過去のミスや指摘と再発防止策)、課題管理表、タスク履歴(変更理由と次への申し送り)です。

きっかけは、レビューで指摘された内容が次の作業に引き継がれず、同じ修正を何度も繰り返してしまったことだそうです。人間のチームでもよくある話ですよね。「AIが賢くなれば解決する」のではなく、「指摘を蓄積して次に渡す仕組み」を作ることで解決している点が、とても現場的だと思いました。

ステップ3:コードの前に「仕様」を書く(仕様駆動開発)

もうひとつ、2025年以降に急速に広がったのが「仕様駆動開発(Spec-Driven Development)」です。Martin Fowlerのサイトに載ったBirgitta Böckelerさんの整理によると、AIでコードを書く前に「仕様」を書き、その仕様を人間とAIの共通の拠り所にする進め方、というのが現時点での大まかな理解です。ただし、この言葉の定義自体もまだ流動的だと断り書きがあります。

代表的なツールが2つあります。

ひとつは、GitHubが2025年9月に紹介したオープンソースのツールキット「Spec Kit」です。進め方は4段階です。まず Specify(何をなぜ作るかを書き、エージェントに詳細な仕様を作らせる)、次に Plan(技術スタックや制約を与えて技術計画を作る)、Tasks(小さくレビューできるタスクに分解する)、最後に Implement(エージェントが実装する)という流れで、各段階の後に人間が確認します。GitHubの解説では、問題はエージェントの能力ではなく進め方にあり、曖昧なプロンプトだとモデルが要件を推測してしまい、その推測の誤りに気づくのが遅れる、と説明されています。

もうひとつは、AWSのAI開発環境「Kiro」です。Kiroは、requirements.md(ユーザーストーリーと受け入れ基準)、design.md(アーキテクチャや処理の流れ、テスト方針)、tasks.md(実装タスクの一覧)という3つのファイルで仕様を管理します。タスクの依存関係から並列実行できるものをまとめて走らせる機能もあります。

どちらにも共通するのは、「会話の流れ」ではなく「ファイルとして残る仕様」を軸にすることです。会話が長くなるとAIも人間も前提を見失いがちなので、この発想には説得力があります。

ステップ4:工程全体の型をつくる(AI-DLC)

AWSの「AI-DLC」は、チームの動き方まで含めた型です。工程は3つに分かれます。Inception(ビジネスの意図を要件やストーリーに変換)、Construction(アーキテクチャ、ドメインモデル、実装、テストの提案)、Operations(IaCとデプロイの管理)です。

面白いのは、AIが質問を投げ、チーム全員でその質問や提案を検証する「Mob Elaboration」、技術判断をリアルタイムでチームが行う「Mob Construction」という進め方が提案されていることです。スプリントの代わりに、時間〜日単位の短いサイクル(bolts)を回す、という発想も出てきます。AIが実行を担うぶん、人間はチームで集まって意思決定に集中する、という整理です。

ステップ5:権限と承認の線を先に引く

最後に、安全面の話です。エージェントは、ファイルを読み、コマンドを実行し、場合によっては外部サービスにも触れます。リポジトリ内の文章や外部の文書に、AIを不適切な操作へ誘導する指示が紛れ込む可能性があるため、本番への反映やデータの削除には人の承認を挟むべきだ、とビジネス+ITの解説でも注意されています。

顧客情報や認証情報を入力してよいか、データの保存期間や学習への利用はどうなるか、といった情報の扱いも、導入前に決めておく項目です。

実例を見てみる

ここからは、公開されている企業の事例です。なお、ベンダー自身が公開した事例は、どうしても良い面が強調されやすいので、その点は注記しています。

あなたへのおすすめ