日本語
EnglishAI支援型SDLC
── エンタープライズAIの構築方法が、その持続性を決める理由 ──
CUBASTION · AIデリバリー規律
多くのAIプログラムは
デザインではなく、
デリバリーで失敗する。
テクノロジースタックが優位性をつくるのではない。
デリバリーの方法論が、優位性をつくる。
5つのフェーズ。5つのAIの役割。1つの規律。
エンタープライズAIプログラムの多くは、設計ではなく、デリバリーで失敗します。
戦略資料はしっかりしている。ユースケースは合理的である。ベンダー候補リストも妥当である。問題が起きるのは、下流です。チームが入れ替わるたびに品質がばらつく。要件が、市場ごとに違うように解釈される。テストカバレッジが、エンジニアによって変わる。引継ぎの際に、知識が失われる。気づけば二年目には、自信をもって立ち上げたAIは、もはや本番にあるAIではありません。
このパターンはAI固有ではありません。エンタープライズソフトウェアのデリバリーには、長年つきまとってきた現象です。新しいのは、コストです。AI導入は、デリバリーの弱さを、従来システム以上に増幅します。
技術スタックは差別化要素ではありません。デリバリー方法論こそが、差別化要素です。より具体的に言えば、AIの「構築」そのものに対して、オペレーショナル・エクセレンスの規律を適用するということです。
これが、私たちがAI支援型SDLCと呼んでいるものです。実務的には、改善(kaizen)をAIデリバリーに適用したものです。すべての工程において、漸進的・測定可能・可逆的な改善を行います。品質は、個人の頑張りではなく、システムによって担保されます。
五つの工程、五つのAIの役割
5つのフェーズ · AIがすること · AIがしないこと
| 要件定義 | 構築 | テスト | 展開 | 移管 | |
|
AIが |
ギャップ検出 曖昧性のフラグ立て |
品質強化 スタイル一貫性 |
シナリオ生成 エッジケース発見 |
予測モニタリング 異常検知 |
ナレッジ収集 文脈の統合 |
|
AIが |
要件の決定 POとアーキテクトが |
アーキテクチャ設計 人間が構造的な |
テスト結果の承認 リリース判断は |
高リスク対応の実行 重要度が高い場合は |
メンタリングの代替 現場の判断は |
要件定義
AIがすること
ギャップ検出
曖昧性のフラグ立て・市場横断的な要件比較
AIがしないこと
要件の決定
POとアーキテクトが意思決定者であり続ける
構築
AIがすること
品質強化
スタイル一貫性・セキュリティスキャン・依存関係の整理
AIがしないこと
アーキテクチャ設計
人間が構造的な選択を行う
テスト
AIがすること
シナリオ生成
エッジケース発見・回帰検出・設定カバレッジ
AIがしないこと
テスト結果の承認
リリース判断は特定の人間が行う
展開
AIがすること
予測モニタリング
異常検知・パターン認識・AIOpsシグナル
AIがしないこと
高リスク対応の実行
重要度が高い場合は人間が承認・実行する
移管
AIがすること
ナレッジ収集
文脈の統合・ドキュメント自動生成
AIがしないこと
メンタリングの代替
現場の判断は人から人へ伝わる
5つのフェーズ。1つの規律。
図1．SDLCの各段階におけるAIの役割と非役割。
要件定義(Requirements)。AIは、コードを一行も書く前に、ステークホルダー入力の間にあるギャップや矛盾する前提を、チームが検知するのを助けます。日本のステークホルダーがあるワークフローをある仕方で記述し、グローバルのステークホルダーが同じワークフローを違う仕方で記述したとき、AIは差異をUATで発見される欠陥としてではなく、解決すべき問いとして浮かび上がらせます。
実装(Build)。AIは、分散チームを横断してコード品質ゲートを徹底します。チームの所在地、経験、ローテーションに左右されない一貫した基準。品質は「シニアエンジニアがその場にいたかどうか」ではなく、システムに内蔵されます。
テスト(Test)。AIは、デプロイメントの組み合わせ空間を網羅するテストシナリオを生成します。テストスイートは、システムの進化とともに、浅くなるのではなく、深くなります。
デプロイ(Deploy)。AIは、運用を「事後的なインシデント対応」から「予測的な監視」へと移行させます。AIOps層は、それ自体がAIの運用にオペレーション・ファーストのAIを適用した例です。
引継ぎ(Transfer)。AIは、引継ぎの瞬間に知識を捕捉します。チームがローテーションするとき、シニアアーキテクトが異動するときに、知識がその人と一緒に去ってしまうのを防ぎます。AIが捕捉できるのは「明示知」であり、「暗黙知」ではありません。
この規律がもたらす実務的な変化
3つの複利的成果
成果 01
品質がチームの
変化を超えて
継続する
初回のデプロイが、
15回目のように完成度が高い。
成果 02
スピードが
複利で
加速する
新しいユースケースのたびに、
前回より速くなる。
成果 03
コスト構造が
逆転する
基盤の償却とともに、
コストは時間とともに下がる。
図2．規律あるAI導入による3つの複合的な成果。
チームが入れ替わっても、品質が残る。一つ目のAI導入と、三つ目と、十五個目が、同じ顔をしています。同じ人が作ったからではなく、同じ「システム」が作ったからです。
スピードが複利的に増す。新しいユースケースは、前のものより速くなります——チームが賢くなったからではなく、デリバリー方法論そのものに、再利用可能な厳密さが蓄積しているからです。
コストの非対称性が逆転する。多くのAIプログラムは、時間が経つほど高コストになります——ドリフトが蓄積し、補修が増えるからです。この規律に基づいて構築されたプログラムは、時間が経つほど安くなります。
なぜ、これは競合が公表しない差別化要素なのか
すべてのAIベンダーが「自分たちが何を作るか」を語ります。しかし、「どう作るか」をきちんと語る企業は、ほとんど存在しません。
コモディティ化するもの · しないもの
― モデル
コモディティ化していく
― ツールチェーン
コモディティ化していく
― ベンダーとの関係
コモディティ化していく
― AIデリバリーそのものに
適用される業務規律
コモディティ化しない
図3．AI配信に適用される運用規律は、強固な堀となる。
モデルはコモディティ化します。ツールチェーンもコモディティ化します。ベンダーとの関係もコモディティ化します。コモディティ化しないのは、AIデリバリー自体に適用された運用規律です。その規律こそが、2026年に立ち上げたAIが2030年もまだ本番にあるかを決めます。
結びに
エンタープライズAIの未来は、「どのモデルが勝つか」では決まりません。「どのデリバリー規律が複利的に効くか」で決まります。
AIは、業務を構築するのと同じやり方で構築する。規律、追跡可能性、各工程における明確な境界をもって。それ以外は、借り物の能力に過ぎません。
