近年、ChatGPTをはじめとする生成AI技術の急速な普及を背景に、ITシステム開発の現場でも生成AIの活用が急速に広がっています。コーディングの自動補完から要件定義の効率化まで、開発工程全体に生成AIが組み込まれるようになり、従来の開発手法が大きく変わりつつあります。

本記事では、生成AIを活用したシステム開発の基本的な概念から、具体的な進め方・代表ツール・国内企業の先行事例まで、実務担当者が押さえておくべきポイントをわかりやすく解説します。生成AIの開発活用を検討する際の参考にしてください。

生成AIとは何か、なぜシステム開発に使われるのか

生成AI（Generative AI）とは、テキスト・画像・コードなどのコンテンツを自律的に生成できるAI技術の総称です。大規模言語モデル（LLM）を基盤とし、自然言語での指示（プロンプト）に対して人間が作成したかのような出力を返す点が特徴です。

システム開発への活用が進む背景には、経済産業省が2030年に最大約79万人と試算するIT人材不足があります。（出典：－ IT 人材需給に関する調査 － 調査報告書）

加えて、ソフトウェアの複雑化・開発スピードの短縮化への要求も高まっており、人手だけでは対応しきれない状況です。生成AIはこうした課題を解消する手段として、開発現場から強い注目を集めています。

従来のシステム開発と生成AIを使った開発の違い

従来のシステム開発では、要件定義・設計・コーディング・テスト・運用の各工程を人間のエンジニアが中心となって進めていました。設計書の作成もレビューも、長年の経験を持つ有識者に依存する部分が大きく、ノウハウの属人化や工数の偏りが課題とされてきました。

生成AIを活用した開発では、こうした工程の多くをAIが補助・代替することで、エンジニアの作業負担を大幅に削減できます。たとえば、コーディングではAIがコードを自動補完し、ドキュメント作成ではAIが初稿を生成するため、エンジニアは設計判断や品質確認といった高付加価値業務に集中できるようになります。

一方で、生成AIはあくまで「人との協働が前提」であることも重要です。AI出力の正確性を人が検証するプロセスを設けないと、ハルシネーション（誤情報の生成）やセキュリティリスクを見落とす危険があります。生成AI活用の本質は、人とAIの役割分担を適切に設計することにあります。

生成AIを活用したシステム開発の進め方

生成AIをシステム開発に導入する際は、明確なステップを意識しましょう。ツールを導入するだけでは効果が出にくく、目的の設定から社内ルールの整備、小規模検証を経た本格展開まで、段階的に進める必要があります。

代表的な導入ステップは以下の4つです。

• STEP1　目的・スコープの明確化とAI適用範囲の設定
• STEP2　ツール選定と社内ルール・セキュリティポリシーの整備
• STEP3　プロンプト設計と小規模PoC（概念実証）の実施
• STEP4　本格導入と継続的な改善・人材育成

STEP1　目的・スコープの明確化とAI適用範囲の設定

生成AI活用を始める前に、「何のために」「どの工程に」導入するかを明確にする必要があります。コーディングの効率化なのか、設計書レビューの品質向上なのかによって、適切なツールや体制が変わるためです。

全工程への一括適用は効果測定が難しく、課題発生時の原因特定も困難になるため、失敗リスクが高い進め方です。まずは、現場で最も工数がかかっている工程や、品質上の課題が明確な工程を1〜2つ選び、そこから着手することが重要です。

スコープを絞った初期設定により、導入効果を定量的に確認しやすくなります。また、現場のエンジニアに「やらされ感」を与えず、自発的な活用につなげるためにも、パイロット対象となる工程と担当者を事前に明確にしておくことが大切です。

STEP2　ツール選定と社内ルール・セキュリティポリシーの整備

ツール選定では、開発言語との相性・価格・セキュリティ要件を軸に比較します。コーディング支援にはGitHub Copilot、ドキュメント作成・要件整理にはChatGPTやClaudeが代表的な選択肢です。ツールを選ぶ前に、自社の開発環境と照合することが前提となります。

外部の生成AIサービスを利用する際にとくに注意が必要なのが、機密情報の管理です。ソースコードや設計書をそのままクラウドのAIに入力すると、機密情報が学習データとして利用されるリスクがあるため、入力可能な情報の範囲を社内ルールとして明文化する必要があります。

セキュリティポリシーの策定は、ツール導入と並行ではなく、導入前に完了させるのが原則です。情報セキュリティ部門・法務部門・開発部門が連携して、利用ガイドラインを整備する体制が求められます。

STEP3　プロンプト設計と小規模PoC（概念実証）の実施

生成AIの出力品質は、プロンプト（指示文）の設計によって大きく変わります。目的・制約条件・出力形式を明確に記述したプロンプトを用意することで、AI出力の再現性と精度が高まります。同じ問いかけをしても、指示の粒度によって出力内容が異なるため、プロンプトのテンプレート化と共有が重要です。

PoCは、選定した1〜2工程に限定した小規模な検証として実施します。この段階でAI出力の品質チェック体制、つまり「誰が・どの基準で・どのタイミングでレビューするか」を定めておくことが、本格導入後の品質維持に直結します。

PoCの結果は定量的な指標（工数削減率・誤り検出率など）で評価します。効果が確認できた工程は横展開し、効果が薄かった工程はプロンプトの見直しや別ツールの検討につなげます。

STEP4　本格導入と継続的な改善・人材育成

PoCで有効性を確認したあとから、本格的な展開を進めます。段階的に対象工程・チームを広げながら、現場フィードバックをもとにプロンプトやワークフローを継続的に改善することが重要です。生成AIは一度設定すれば完了ではなく、モデルのアップデートや業務変化に合わせた継続的なチューニングが必要です。

また、生成AIを使いこなすためのスキル育成も欠かせません。プロンプト設計・出力評価・ハルシネーション対処といった実践的なスキルを、研修やナレッジ共有の場を通じてチーム全体に広げる体制を構築します。

とくに重要なのは、「AIへの依存」と「AIとの協働」を区別する視点です。AI出力を無批判に採用する文化が根付くと、品質リスクが高まります。最終的な判断責任は人が担うという原則を、組織全体に浸透させることが本格導入成功の条件です。

生成AIを活用したシステム開発の主なツール

生成AIを活用したシステム開発では、用途に応じた適切なツール選びが成否を左右します。コーディング支援・ドキュメント作成・社内知識の活用など、工程ごとに適したツールが存在するため、自社の開発課題と照らし合わせて選定することが重要です。

現時点で開発現場への実装が進んでいる主なツールの種類は以下の3つです。

• AIコーディング支援ツール（GitHub Copilot など）
• 汎用生成AIチャット（ChatGPT・Claude など）
• RAGを活用した社内知識連携型AIシステム

AIコーディング支援ツール（GitHub Copilot など）

AIコーディング支援ツールは、エディタに統合してリアルタイムでコード補完・自動生成をおこなうツールです。GitHub Copilotが代表的で、関数の説明コメントを入力するだけで実装コードの候補を提示するなど、コーディング作業を大幅に効率化できます。現時点で生成AIの開発活用が最も実用化されている領域です。

たとえば、サイバーエージェントでは500名以上のエンジニアにGitHub Copilotを導入し、コーディング時間を削減する効果を確認しています。また同社の調査では、AIが提案したコードの採用率（Accept Rate）は32.1%に達し、エンジニアの生産性向上に具体的な貢献をしていることが示されています。（出典：サイバーエージェントのGitHub CopilotのAnalyticsデータを公開！利用開始から約3ヶ月でエンジニアの生産性は向上したのか？ | CyberAgent Developers Blog）

コーディング支援ツールは単純なコード補完にとどまらず、テストコードの自動生成やコードレビューコメントの提案にも活用できます。既存コードベースの品質維持や、経験の浅いエンジニアのスキルアップにも有効な手段です。

汎用生成AIチャット（ChatGPT・Claude など）

ChatGPTやClaudeなどの汎用生成AIチャットは、コーディング以外の多様な工程で活用できるツールです。要件整理の際の論点整理、会議・打ち合わせの議事録作成、設計書や仕様書のドラフト生成、レビューコメントの文章化など、幅広い業務で人の作業を補助します。

さらに、仕様の不整合チェックやドキュメントの品質レビューにも応用できます。たとえば、仕様書をAIに読み込ませて「論理的な矛盾がないか確認してください」と指示するだけで、見落としがちな矛盾点を指摘させることが可能です。

ただし、汎用AIチャットは出力品質がプロンプト設計の質に大きく左右されます。目的・条件・出力形式を明確に指定したプロンプトテンプレートを整備し、チーム内で共有することで、個人差なく安定した品質のアウトプットを得られます。

RAGを活用した社内知識連携型AIシステム

RAG（Retrieval-Augmented Generation）とは、自社の設計書・仕様書・過去のプロジェクトドキュメントなどをデータベース化し、LLMが回答を生成する際に関連情報を動的に取得・参照させる手法です。汎用AIチャットとの違いは、社内固有の業務知識や過去の開発ノウハウをベースにした回答が得られる点にあります。

たとえば、「このシステムの認証処理は過去の設計書ではどのように実装されていたか」という問いかけに対して、過去ドキュメントを参照した具体的な回答を返すことができます。また、有識者のレビュー観点をデータとして蓄積しておくことで、AIが設計書の抜け漏れを自動検出する仕組みも構築できます。

RAGはとくに要件定義工程と保守工程での活用に有効で、属人化しがちな業務知識をAIを通じて組織全体で活用できるようになります。導入には社内ドキュメントの整備と蓄積が前提となるため、ドキュメント管理体制の見直しと並行して進めることが重要です。

生成AIシステム開発の国内企業事例

生成AIのシステム開発活用は、大手IT企業・金融機関を中心に実証段階から本格展開の段階へと移行しつつあります。

ここでは、国内の先進的な取り組みを代表する3つの事例を紹介します。

• 電通総研：AIエージェントで上流工程を半自動化、生産性30%向上
• NTTデータグループ：「AIネイティブ開発」で全工程への生成AI適用を推進
• みずほFG・富士通：生成AIで設計書の記載漏れ・誤りを自動検出

電通総研：AIエージェントで上流工程を半自動化、生産性30%向上

電通総研は2025年10月、生成AIを活用してシステム開発の上流工程を半自動化する独自のAIエージェントを開発し、本格運用を開始しました。このシステムは、要件定義・基本設計・アーキテクチャ設計の作業をプロジェクトメンバーとの対話をベースに進めるもので、設計情報を内部データベースに蓄積して案件のライフサイクル全体で継続活用できます。

2025年6月に実施した検証では、従来手法と比べて要件定義や基本設計工程で30%の生産性向上が確認されました。仕様変更が発生した場合も、AIエージェントが影響範囲や修正案を提示し設計書を自動修正するため、手動編集による抜け漏れリスクを低減できます。

電通総研は2027年までに全新規開発案件へ本AIエージェントを展開する予定です。上流工程という、これまで人の判断が最も必要とされてきた領域への生成AI適用は、開発業界全体に示唆を与える先行事例です。

出典：生成AIでシステム開発の上流工程を半自動化するAIエージェントを開発し、本格運用を開始 | 電通総研

NTTデータグループ：「AIネイティブ開発」で全工程への生成AI適用を推進

NTTデータグループは2025年12月、2026年度中にITシステム開発をほぼ生成AIが担う「AIネイティブ開発」体制の構築を目指すことを発表しました。要件定義・設計・コーディング・テストまでの全工程を、人間ではなく生成AIに適した形に最適化し、人による作業を大幅に削減することが目標です。

既に製造工程での実証では大幅な合理化を達成しており、2026年4月からはエージェント型AIの開発基盤「LITRON Builder」の提供も開始します。また、社員約20万人を対象とした生成AI人材育成フレームワークも整備されており、2025年10月時点で実践研修修了者が7万人を超えるなど、全社規模での推進体制が構築されています。

AIネイティブ開発は単なる効率化にとどまらず、従来の「人月型」開発から成果価値型への事業モデル転換も視野に入れた、業界構造そのものへの挑戦です。人手不足の深刻化を背景に、生成AI主導の開発への移行がどこまで進むか、業界全体の注目を集めています。

出典：生成AIがシステム丸ごと開発 NTTデータ、IT人材不足に抜本策 | 日本経済新聞

みずほFG・富士通：生成AIで設計書の記載漏れ・誤りを自動検出

みずほフィナンシャルグループと富士通は2023年6月、システム開発・保守フェーズに生成AIを活用する共同実証実験を開始しました。具体的には、過去の設計書レビュー記録や観点データを生成AIに読み込ませ、新たな設計書の記載間違いや抜け漏れを自動検出する仕組みを構築するものです。

勘定系システム「MINORI」の一部商品を対象に、既存設計書と過去レビューの知見をプロンプトに組み込み、「入力値の上限値が設定されていない」といった設計上の記載漏れの検出精度を検証しました。さらに、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共同開発も進めており、開発工程全体の品質向上を目指しています。

この取り組みは、有識者のナレッジをAIに継承させることで、レビューの正確性・網羅性を高めるというRAGの実践的活用として、金融システム開発の品質管理に新たな視点を示しています。

出典：〈みずほ〉と富士通、システム開発・保守に生成AIを活用する共同実証実験を開始 | みずほFG

まとめ

生成AIを活用したシステム開発は、コーディング支援から要件定義の自動化まで、開発工程全体に変化をもたらしています。IT人材不足が深刻化するなか、生成AIの活用は単なる効率化手段にとどまらず、開発体制そのものを見直す機会でもあります。

導入を成功させるには、目的とスコープを明確にした段階的な進め方と、セキュリティポリシーや社内ルールの事前整備が不可欠です。電通総研・NTTデータ・みずほFGの国内事例が示すように、上流工程から保守まで、あらゆる場面で生成AIが実務に貢献できることが明らかになっています。

生成AIはツールを導入して終わりではなく、継続的なチューニングと人材育成を組み合わせることで、はじめて組織全体の開発力向上につながります。自社の開発課題に合わせた段階的な活用を検討してみてください。