ChatGPTをはじめとする生成AIの台頭をきっかけに、システム開発の現場でもAIを活用した開発手法が急速に広まっています。コーディング支援ツールが現場に浸透しはじめ、要件定義から運用保守にいたるまで、AIが関わる場面はますます増えています。

一方で、「どの工程でどう使えるのか」「導入時に何に気をつければいいのか」がよくわからず、具体的な活用が進んでいないIT部門やシステム開発担当者も少なくありません。

本記事では、AIを活用したシステム開発の概要から、工程別の活用場面・メリット・注意点まで、現場で実践するための情報を体系的に解説します。自社への導入を検討する際の参考にしてください。

AIを活用したシステム開発とは

AIを活用したシステム開発とは、要件定義・設計・コーディング・テスト・運用保守といったシステム開発の各工程にAI技術を組み込み、生産性や品質の向上をめざす開発手法です。従来はエンジニアが手作業でおこなっていた作業の一部をAIが補助・自動化することで、工数削減とヒューマンエラーの低減を同時に実現します。

活用されるAI技術の中心は生成AIです。大規模言語モデル（LLM）をベースにしたツールが、自然言語での指示からコードを生成したり、設計書の記載漏れを検出したり、テストケースを自動作成したりと、これまで人が時間をかけておこなっていた作業を高速化しています。

ただし、AIがシステム開発を丸ごと代替するわけではありません。現時点では「エンジニアの作業を補助するツール」として機能しており、AIが生成したアウトプットを人が確認・修正するプロセスが不可欠です。AIと人の役割を明確にしながら組み合わせることが、効果的な活用の前提となります。

システム開発でAIが活用されるようになった背景

システム開発へのAI活用が加速した最大の契機は、2022年末のChatGPT登場以降に始まる生成AIブームです。それ以前も機械学習を使ったバグ検出ツールなどは存在しましたが、自然言語での指示からコードや文書を生成できる精度には達していませんでした。GPT-4をはじめとする大規模言語モデルの登場によって、エンジニアが日常的な開発作業でAIを使う環境が整いました。

また、IT人材不足の深刻化も背景にあります。経済産業省の試算では、2030年に国内で最大79万人のIT人材が不足するとされており、少ない人数でより多くの開発をこなす手段として、AI活用への期待が高まっています。加えて、アジャイル開発の普及によってリリースサイクルが短縮され、スピードと品質を両立する必要性が増したことも、AI導入を後押しする要因となっています。

こうした背景から、三菱総合研究所の調査でも、コーディング支援を中心にテスト工程・運用保守工程へとAI活用の範囲が広がりつつあることが示されています。現在は特定工程での部分的な活用が主流ですが、今後は開発プロセス全体にわたる「AIを前提とした開発」への移行が進むと見られています。

システム開発の工程別・AIの活用場面

AIがシステム開発に活用される場面は、工程によって大きく異なります。ここでは、工程別のAI活用場面を整理します。

• 要件定義・設計工程での活用
• コーディング・製造工程での活用
• テスト工程での活用
• 運用・保守工程での活用

要件定義・設計工程での活用

要件定義・設計工程でのAI活用は、ヒアリング議事録の自動要約や設計書のドラフト生成、設計書レビューの補助などが中心です。会議の発話内容をAIが自動でテキスト化・要約することで、議事録作成の工数を大幅に削減できます。また、要件定義書の記載内容について、「あいまいさ」「抜け漏れ」「矛盾」をAIが一括チェックし、修正案を提示するツールも実用化されています。

富士通はみずほFGと共同で、生成AIを活用した「設計書レビュー支援ツール」の実証実験をおこないました。このシステムは設計書の記載ミスや漏れを自動検出するもので、基本設計書と詳細設計書の整合性確認など、これまでエンジニアが目視でおこなっていた作業を補助します。設計書の不備による下流工程での手戻りを防ぐことが、導入の主な目的です。

一方で、要件定義・設計工程は業務知識や顧客ヒアリングが不可欠なため、AI単独での完結は現時点では困難です。AIが生成したドラフトや検出した問題を、業務を理解したエンジニアや業務担当者が確認・判断するプロセスが必須となります。上流工程でのAI活用は「人の作業を減らす補助」として位置づけるのが現実的です。

コーディング・製造工程での活用

コーディング工程は、現在もっとも実用化が進んでいるAI活用領域です。GitHub CopilotやCursor、Amazon CodeWhispererなどのAIコーディング支援ツールが広く普及しており、自然言語での指示からコードを自動生成したり、入力途中のコードを補完したりと、エンジニアの作業効率を高めています。コードレビューの補助や、既存コードのリファクタリング提案も主要な活用場面です。

サイバーエージェントは2023年4月にGitHub Copilotの導入を開始し、当初500名以上のエンジニアが利用。コード提案の受け入れ率は平均32.1%にのぼり、費用対効果の面でも元が取れていると判断して順次導入を拡大しています。また、ラクスでは同開発業務を行うのに12%の時間削減、1人あたり月約10時間の短縮になるという試算が得られ、全社導入に踏み切りました。

ただし、AIが生成するコードはそのままでは使えないケースも多く、出力されたコードの精査と修正はエンジニアがおこなう必要があります。AIが「だいたい合っているコード」を素早く生成し、エンジニアがそれをレビュー・調整するという協働スタイルが、現実的な活用パターンといえます。

テスト工程での活用

テスト工程でのAI活用は、コーディング工程と並んで評価が高い領域です。AIを活用することで、テストケースの自動生成・テストコードの作成・バグの自動検出・回帰テストの自動化といった作業を効率化できます。とくに単体テストやAPIテストのコード生成は精度が高く、テスト設計の工数削減に直結します。

AIがテストケースを生成することで、エンジニアが見落としがちなエッジケースをカバーしやすくなり、テスト品質の向上にもつながります。コードと単体テストをセットで生成させることで、AIの生成物に誤りがあっても自動的に検出しやすくなるという利点もあります。

一方で、システム全体の業務フローを検証するシステムテストや受け入れテストは、業務知識が不可欠なため、現時点ではAI単独での対応は困難です。テスト設計の上流部分は人が担い、テストコードの作成や実行・集計といった反復作業にAIを活用するという分担が効果的です。

運用・保守工程での活用

運用・保守工程では、障害ログの異常検知やインシデント対応補助、システム仕様の問い合わせ対応（RAG活用）、ドキュメントの自動更新といった場面でAIの活用が広がっています。とくに監視・障害対応の領域では、膨大なログデータから異常を検出し、対応手順を提示する取り組みが進んでいます。

みずほFGはIBMの生成AIを活用したインシデント対応の実証実験をおこない、システム監視オペレーターがメッセージIDからインシデントを特定し、対応手順を見つけ出す作業を生成AIが支援することで、大きな負担軽減になることを確認しました。また、RAG（検索拡張生成）を活用したシステム仕様の問い合わせ対応も注目されており、社内ドキュメントをAIが参照して回答する仕組みは、保守フェーズの属人化解消にも貢献します。

保守フェーズは工数が膨らみやすく、人材不足の影響を受けやすい領域です。AIによる自動化でここの工数を削減できれば、エンジニアをより付加価値の高い業務に集中させることができます。

AIをシステム開発に活用するメリット

AIのシステム開発への導入は、開発スピードの向上にとどまらず、品質面や人材戦略面にも複合的なメリットをもたらします。自社の開発体制や課題に照らして、どのメリットが効果的かを整理してから導入を検討することが重要です。ここでは、代表的な3つのメリットを解説します。

• 開発スピードの向上とコスト削減
• 品質の安定化とヒューマンエラーの低減
• エンジニア不足への対応と内製化の促進

開発スピードの向上とコスト削減

AIを活用することで、コード生成・テストケース作成・ドキュメント作成といった反復的な作業の工数を大幅に圧縮できます。GitHub社の調査では、Copilotを使用する開発者の88%が「コーディング速度が向上した」と回答しており、タスク完了時間が最大55%短縮されたケースも報告されています。

コーディング工数の削減は、開発コスト全体の低減にも直結します。とくに規模の大きなプロジェクトでは、テストコードの自動生成や設計書のドラフト生成によって、単純工数が積み重なる作業の効率化効果が顕著です。また、AIが24時間対応できるため、夜間や休日のバッチ処理確認など、タイムラグが生じやすい作業のスループットも向上します。

加えて、開発スピードが上がることで市場投入のリードタイムが短縮され、ビジネス機会の損失を防ぐ効果も期待できます。コスト削減と速度向上を同時に実現できる点は、AI活用の最も直接的なメリットといえます。

品質の安定化とヒューマンエラーの低減

AIは設計書の記載漏れや矛盾の自動検出、コードレビュー支援を通じて、人的ミスが発生しやすい工程を補完します。富士通がみずほFGと共同で開発した「設計書レビュー支援システム」は、設計書の記載ミスや漏れを自動検出できる仕組みで、将来的には生成AIにより改善された設計書からテスト仕様書を自動生成する技術の開発も計画されています。

人によるレビューは疲労や経験差によってチェック精度がばらつきやすいという課題があります。AIは一定の基準で機械的にチェックするため、品質の均一化に貢献します。また、複数のエンジニアが作成した要件定義書をAIが統一基準でレビューすることで、担当者による判断のばらつきを抑えることも可能です。

さらに、AIがコードのセキュリティ脆弱性を提案段階で検出する機能も実用化されています。SQLインジェクションなど危険なコードパターンを生成前に遮断することで、セキュリティ品質の底上げにもつながります。

エンジニア不足への対応と内製化の促進

AIのコーディング支援により、経験の浅いエンジニアが短期間で戦力化しやすくなります。また、ノーコード・ローコード開発ツールとAIの組み合わせにより、非エンジニアでもプロトタイプを作成できる環境が整いつつあります。人材不足のなかでも、開発体制を維持・拡張できる可能性が広がっています。

とくに中小企業やIT内製化を推進する事業会社にとって、AIは「エンジニアの頭数を補う手段」として機能します。外部ベンダーへの委託に頼らず、社内でシステムを開発・改修できる体制を整えることは、コスト削減だけでなくスピードと柔軟性の確保にもつながります。

また、AIが生成したコードを読み解き、修正・改善できる人材の育成は、今後の内製化推進において重要な課題です。AIを活用しながら開発に参加することで、若手エンジニアがより高度な技術知識を実務で習得する機会も増えています。

AIを活用したシステム開発で注意すべきポイント

AIの活用にはメリットがある一方、事前に理解しておくべきリスクや制約も存在します。導入後に想定外のトラブルを避けるために、よくある落とし穴を把握したうえで取り組むことが重要です。ここでは、とくに注意が必要な3つのポイントを整理します。

• AI出力の品質確認は人が担う必要がある
• 情報セキュリティと機密データの管理
• AIに向いているシステム・向いていないシステムがある

AI出力の品質確認は人が担う必要がある

AIの生成物はハルシネーション（事実と異なる内容の生成）、セキュリティ上の脆弱性、業務ロジックの誤解釈といったリスクをはらんでいます。AIが出力するコードや設計書のドラフトは、そのまま本番に適用できる完成品ではなく、人がレビュー・検証したうえで使用することが前提です。

実際、ラクスのエンジニアからも「精度が高いがゆえに、自動出力されたギリギリ要件を満たさないコードを見抜くのが難しい」という課題が報告されています。AIの提案を鵜呑みにせず、批判的に確認できるスキルがエンジニアに求められます。また、AIが生成したテストコードも同様で、テストが通過したからといって仕様を完全に満たしているとは限りません。

こうしたリスクへの対策として、AI利用に関する社内ガイドラインの整備や、AI出力を人がダブルチェックする体制の構築が重要です。「AIに任せる範囲」と「人が判断する範囲」を明確に定めることが、品質を担保しながらAIを活用するための基本姿勢です。

情報セキュリティと機密データの管理

外部のAIサービスを利用する場合、入力した情報がAIのモデル学習に使用されるリスクや、クラウド経由でのデータ漏洩リスクに注意が必要です。設計書やソースコードには機密性の高い業務ロジックや顧客データが含まれる場合があるため、何をAIに入力してよいかを社内ルールとして明確化することが求められます。

多くの企業でGitHub Copilotを導入する際に、セキュリティポリシーの策定を最初のステップとしている点からも、この課題の重要性が伝わります。外部AIサービスを利用する場合は、各ツールのデータ利用規約を確認したうえで、入力情報の範囲を定めたガイドラインを整備しなければなりません。

また、機密性の高いシステムを扱う企業では、オンプレミス型のAI環境の構築や、クローズドな社内ネットワーク内でLLMを運用する選択肢も検討に値します。セキュリティとAI活用のメリットを天秤にかけ、自社リスク許容度に合わせた導入方式を選ぶことが重要です。

AIに向いているシステム・向いていないシステムがある

AIのコーディング支援はすべての開発領域で同等の効果を発揮するわけではない点に注意しましょう。

汎用的な処理やシンプルな要件のシステムではAIとの相性がよい一方で、業務固有の複雑なロジックや、厳格なセキュリティ要件が求められるシステムでは、AI活用の適用範囲を限定する必要があります。

たとえば、金融システムや医療系システムなど、法規制への準拠や高い信頼性が求められる領域では、AIが生成した成果物への依存度を慎重にコントロールすることが求められます。また、既存の大規模レガシーシステムの改修では、システム全体の文脈をAIが正確に把握しきれないケースも多く、コンテキスト理解の限界が品質リスクにつながります。

AI活用の効果を最大化するためには、「この工程のこの作業にAIを使う」という具体的な適用範囲を定めて段階的に拡大するステップを踏みましょう。一度にすべてをAIに任せようとするのではなく、効果が出やすい工程から試行し、社内にノウハウを蓄積することが成功の鍵となります。

まとめ

AIを活用したシステム開発は、コーディング支援やテスト自動化を中心に実用化が進んでおり、開発スピードの向上・品質の安定化・人材不足への対応という多面的なメリットをもたらします。要件定義から運用保守まで、工程ごとに活用できる場面は異なるため、自社の開発プロセスと照らし合わせながら適切な活用箇所を見極めることが重要です。

一方で、AIの生成物には必ず人によるレビューが必要であり、情報セキュリティ対策や適用範囲の見極めも欠かせません。「AIに任せる範囲」と「人が判断する範囲」を明確に定めた社内ガイドラインを整備してから導入を進めることが、リスクを抑えながら効果を引き出す基本姿勢です。

効果が出やすい工程から試行し、ノウハウを蓄積しながら段階的に活用範囲を広げていく取り組みが、AIを活用したシステム開発を成功に導く道筋になるはずです。