AIエージェントで開発をうまく進めるには？

AIを使う人が増えても、期待する成果とその確認方法が共有されていなければ、チームで目指す品質が定まりません。

AIから「できました」と返ってきても、動かすと期待と違うことがあります。ある担当者が頼むとうまくいくのに、別の人では修正が続きます。こうしたときは、依頼文だけでなく、仕事の前提が人によって違っていないかも確かめます。

例えば、業務を知る人は「いつもの例外も扱えるはず」と考えています。開発する人は「画面が動けば完成」と考えているかもしれません。前提が違うままAIに頼むと、使い始めてから例外への対応が足りないと分かります。

Stack Overflowは2025年、世界の開発者にAIエージェントの効果を尋ねました。自分の生産性が上がったと感じた人と、チームの連携が良くなったと感じた人の割合には差がありました。

この調査は、個人の生産性を上げることと、チームの進め方を整えることを分けて考える材料になります。

起動や接続ができない場合は、エラーや設定を調べます。作業は進むのに期待と違う場合は、モデルを替える前に、チームで共有できていない前提を確かめます。

チーム共通の完成基準があれば、担当者が替わっても成果物を同じ観点で確かめられます。

AI-DLCは、何を作るかを決める段階から開発・確認・運用まで、AIが作業を進め、人が判断する開発方法です。

正式名称はAI-Driven Development Life Cycle（AI駆動開発ライフサイクル）で、AWSが提唱しています。AIが計画や質問を出し、人が提案を確認して重要な判断を行います。

Claude CodeやCodexなどのAIエージェントは、作業を進める道具です。AI-DLCは、人とその道具を組み合わせる開発の進め方です。誰が何を決め、結果をどう確かめるかまで、チームで考えます。

AWSはAI-DLCを「開始」「構築」「運用」の段階で説明しています。開始では目的や条件を整理し、構築では設計・作成・テストを進めます。運用では利用環境へ届け、維持します。決めた内容と確認結果は記録し、次の作業で使います。

例えば、使う人が困りごとを伝え、AIが機能と作業の案を出します。業務を知る人はその案が必要かを判断します。技術を知る人は作り方と確認方法を確かめます。決まった条件を記録すれば、次の担当者やAIもそれを使えます。

米国の医療IT企業ConnectiveRxは、AI-DLCを導入し、作業の工数が減ったと報告しています。AmazonのAI開発環境Kiroを使い、AWSの支援を受けた事例です。

報告された作業例の一つでは、工数が約180時間から約24時間へ、約7分の1に減りました。プロジェクト全体の期間短縮を示す値ではありません。自社で試すなら、作成・確認・修正までを一つの仕事として、導入前後の工数を比べます。

自社で取り入れるときは、AIの提案を誰がどの観点で確認するかも決めておきます。

押さえ所は、完成の基準、AIに渡す社内知識、判断の引き継ぎです。

入力欄を必須にするかどうかは、画面の作り方だけでは決まりません。申請時点でその情報が分かるかという業務の条件が、仕様とテストを変えます。

Claude Codeの公式資料も、テストや期待する出力など、AIが結果を確かめられる基準を渡すことを勧めています。AIによるテストに加え、使う人が実際に操作し、仕事に合うかを確かめる場面も用意します。

AIに渡す社内知識は、資料の量より、どの判断に使うかで整理します。申請時点で分からない項目があるなら、後から誰が補うかも伝えます。

私は、社内資料をAIの作業場面に合わせて整理します。どの場面で使うルールかを明らかにすると、成果物に反映されたかを確かめやすくなるためです。

人が判断する場面も先に決めます。作る範囲を選ぶとき、設計を採用するとき、利用を始めるときには、業務と技術の両面から確認します。本番への反映やデータの削除は、承認を経なければ実行できないよう、権限と手順を決めておきます。AIへの指示に注意を書くだけでなく、AIが実行できる操作そのものを制限します。

私は、成果物に加え、作業中のやり取りと判断の履歴も後から見られる形で残します。例えば「入力漏れに気づけるよう、この表示を残した」と理由が分かれば、次の修正でもその条件を守れます。

決めた条件は、次の作業でもAIが読む共通の指示と、動作を確かめるテストに反映します。例えば「入力済みの内容を消さない」と決めたら、その条件を指示に書き、入力エラー後も内容が残るかをテストします。担当者が替わっても、同じ条件で確認できるようにします。

AI-DLCの考え方は共通でも、必要な知識のまとめ方、確認する人の役割、AIに任せる範囲は会社ごとに調整します。

開発に「自社らしさ」を反映するとは、仕事で重視することを仕様と確認方法に落とし込むことです。例えば、入力をやり直す負担を減らしたいなら、エラー後も入力内容を残します。例外が起きたときの確認先も決めます。

AWSの金融機関向け解説も、規程やセキュリティ要件をAIが使えるルールや開発手順へ反映する方法を示しています。資料を渡すだけでなく、どの場面で何を守るかまで具体化します。

私は、最初の聞き取りで必要な情報を一度に聞き出そうとはしません。使う人に小さな成果物を見てもらい、案を見ながら期待との違いを話してもらいます。その反応から、普段は言葉にしていない条件を補います。

成果物が期待と違ったら、どこが合わず、なぜそうなったかを確認します。判断待ちで止まったなら役割の分担を、不具合が出たなら実装やテストを見直します。原因に合わせて、必要な部分を直します。

AWSの適応型AI-DLCワークフローも、開発の複雑さに応じて、使う工程と検討の深さを変えます。小さな変更も、複数のシステムが関わる開発も、同じ工程や検討の深さで進める必要はありません。

使い始めた後は、品質や効率の変化を実際の仕事で確かめていきます。プログラムの作成にかかった時間だけでなく、確認ややり直しの負担、利用者の手間がどう変わったかも見ます。

完成の基準が合わない、社内知識の渡し方が決まらない。専門家の支援が役立つ場面です。相談先を選ぶときは、指示文の代筆だけでなく、業務の聞き取りから設計・確認・改善まで支援するかを見ます。自社で続けられる形に残すことも確認します。

自社でどこから整えるか迷っている場合は、無料相談で、導入済み、または検討中のツールと、今困っている仕事をお聞かせください。

小さく試すと、自社のルールで足りない点や、判断の分担の曖昧さが見えてきます。見つかった点を直し、次の仕事で確かめます。

まずは、欲しい結果になったかを確かめやすい仕事を一つ選び、条件を決めるところから、作って実際に使うところまでを一通り試します。

導入済みなら、修正や確認待ちが続いている小さな変更を選びます。これから導入するなら、影響を限定して試せる仕事を選びます。使う人と開発する人が同じ成果物を見て、どこで期待がずれたかを話せる範囲から始めます。

申請画面なら、送信前に入力漏れを知らせるか、エラー後も入力内容が残るかを確かめます。使う人が「この項目は申請時点では分からない」と気づいたら、画面だけでなく、情報を後から補う手順も見直します。決まった変更は、AIが次に読む指示と確認用のテストに残します。

ここまで進めると、AIにどの情報を渡すか、誰の判断が必要か、自社の仕事に合わせてどこを直すかが見えてきます。細かな準備や実践手順は、知りたいことに応じて次の記事を参照してください。

AI駆動開発とは？仕組みと従来の開発との違いをやさしく解説：AIを使う開発の全体像から知りたいときに。

AI-DLCとは？AIと人で進める開発を図解：AI-DLCの意味と、人・AIの役割を詳しく知りたいときに。

AI-DLCで業務改善はどう進む？全体の流れを解説：日々の困りごとを、使える仕組みへ変える流れを知りたいときに。

AI-DLCの進め方・実践手順とは？：準備から開発・運用までの具体的な進め方を知りたいときに。

小さな仕事で決めた条件と判断の理由を共通の指示とテストに残せば、次の担当者も改善を引き継げます。

AI-DLCの進め方、開発者調査、公開された導入事例の根拠として参照した資料です。資料確認：2026年10月2日。

1. AWS：AI駆動開発ライフサイクル（AI-DLC）の基本 — AWSはAI-DLCをAI-Driven Development Life Cycleと呼び、AIが計画や実行を進め、人が重要な判断と確認を行う開発方法として説明している。
2. AWS：開発の複雑さに応じたAI-DLCワークフロー — AWSは、開発の複雑さに合わせて、使う工程と検討の深さを調整するAI-DLCのワークフローを説明している。
3. Claude Code：開発を進めるためのベストプラクティス — Claude Codeの公式資料は、テストや期待する出力など、結果を検証できる基準を与えることを勧めている。
4. Stack Overflow：開発者調査2025（AIエージェント） — AIエージェントが仕事に与えた影響について、生産性の向上やチーム内の連携の改善に同意した回答者の割合を示している。
5. Stack Overflow：開発者調査2025（調査方法） — 調査の実施期間と、回答者を主にStack Overflowのサイトやメールなどで募集したこと、そのため熱心な利用者ほど回答しやすいことを説明している。
6. AWS：ConnectiveRxのAI-DLC導入事例 — AWSとConnectiveRxの担当者による公開事例。AI開発環境KiroとAWSの支援を含む導入で、用途ごとの工数削減と、約180時間から約24時間に減った作業例を報告している。
7. AWS：金融機関がAI-DLCを自社の業務へ組み込む方法 — 社内の規程・設計方針・セキュリティ要件を、AIエージェントが読むルールや手順へ落とし込む方法を説明している。