生成AI時代の
新しい開発フロー
「機能数 × 重み × 人月」で見積もりを出すSIerは時代遅れの開発観を持っている可能性があります。
AI駆動開発では企画案から数時間で実際に動くシステムを生成し、発注側は早期に意思決定できます。
⚠ 発注前に確認してほしいこと
見積書に「機能数 × 重み係数 × ○人月」と書いてある場合、そのSIerはAIをほぼ活用していない可能性が高いです。 現代の優秀なエンジニア1名は、生成AIを駆使することで従来の3〜5名分の開発速度を出せます。 人月単価計算のまま提示してくる会社には、AI活用の実績を具体的に聞いてみてください。
COMPARISON
従来型 vs AI駆動開発
従来のウォーターフォール型
要件定義→設計→実装の順に進み、発注側がシステムの動きを確認できるのは数ヶ月後
見積もりは「機能数×人月」で算出。エンジニアの頭数がそのままコストになる
仕様変更のたびに追加見積もりが発生し、最終的に予算超過になりやすい
テスト工程は人手で実施。スキルムラや見落としが発生しやすい
AI駆動開発（現代型）
企画案をAIに入力すると、仕様書・設計・動くシステムをほぼ即日生成できる
優秀なエンジニア1名＋AIで、従来の3〜5名規模の開発を実現。人月単価ではなく成果で評価
実際に動くシステムを見ながら要件を詰めるため、仕様ブレが最小化される
テストシナリオ・E2E実行もAIが担い、品質検証のコストと時間が大幅に短縮される
WORKFLOW
AI駆動開発の4ステップ
各フェーズをクリックすると詳細が展開されます
1
要件定義
企画案 → 仕様生成 → 論点抽出 → 意思決定
AIが実行すること：
企画案（箇条書き・メモレベルでよい）をプロンプトとして入力すると、AIがシステム仕様書・画面設計・DB設計・実際に動くプロトタイプを生成します。発注側は「実物を見ながら」要件を確認・修正できます。
企画案（箇条書き・メモレベルでよい）をプロンプトとして入力すると、AIがシステム仕様書・画面設計・DB設計・実際に動くプロトタイプを生成します。発注側は「実物を見ながら」要件を確認・修正できます。
論点リスト（Issues）の自動出力：
生成されたシステムに対してAIが「設計上の矛盾」「未定義の業務ルール」「リスクポイント」を論点リストとして出力します。発注側はこのリストに回答するだけで、要件定義が完成に近づきます。
生成されたシステムに対してAIが「設計上の矛盾」「未定義の業務ルール」「リスクポイント」を論点リストとして出力します。発注側はこのリストに回答するだけで、要件定義が完成に近づきます。
従来との違い：
従来型では発注側がExcelの要件定義書を何週間もかけてレビューし、実物を見るのはテスト工程以降でした。AI駆動ではDay1から実物ベースの議論ができます。
2
設計・実装・単体テスト
AIによるコード生成 → 論点対応 → 品質担保
実装の大部分をAIが担う：
仕様と設計が固まった後、AIがコードを生成します。エンジニアの役割は「AIへの指示の最適化」「生成コードのレビュー」「AIが苦手な複雑なドメイン知識の補完」にシフトします。
仕様と設計が固まった後、AIがコードを生成します。エンジニアの役割は「AIへの指示の最適化」「生成コードのレビュー」「AIが苦手な複雑なドメイン知識の補完」にシフトします。
論点への対応も並行して実施：
要件定義フェーズで出力された論点リストのうち、発注側の回答が得られたものから順次AIが実装に反映します。仕様確定と実装が並行して進むため、待ち時間が激減します。
要件定義フェーズで出力された論点リストのうち、発注側の回答が得られたものから順次AIが実装に反映します。仕様確定と実装が並行して進むため、待ち時間が激減します。
単体テストもAIが生成：
実装コードに対してAIがテストコードを自動生成します。カバレッジの高いテストが短時間で揃い、リグレッション検知を自動化できます。
実装コードに対してAIがテストコードを自動生成します。カバレッジの高いテストが短時間で揃い、リグレッション検知を自動化できます。
エンジニアの価値が変わった：
「コードを書く速さ」よりも「AIへの指示設計力」「アーキテクチャ判断力」「ビジネス理解」が重要になっています。人月で頭数を揃えるSIerより、AI活用に長けた少数精鋭チームが圧倒的に有利です。
3
結合テスト・E2Eテスト
シナリオ生成 → 自動実行 → 品質確認
テストシナリオ・ケース設計をAIが担う：
システム仕様書とコードをAIに渡すと、網羅的なテストシナリオとケース一覧を生成します。テスト設計の抜け漏れや属人化が解消されます。
システム仕様書とコードをAIに渡すと、網羅的なテストシナリオとケース一覧を生成します。テスト設計の抜け漏れや属人化が解消されます。
E2Eテストの自動実行（Playwright / Cypress との連携）：
AIが生成したシナリオをPlaywrightなどのE2Eテストフレームワークで実行することで、ブラウザ操作を含む結合テストを人手なしで繰り返せます。リリース前の回帰テストも自動化されます。
AIが生成したシナリオをPlaywrightなどのE2Eテストフレームワークで実行することで、ブラウザ操作を含む結合テストを人手なしで繰り返せます。リリース前の回帰テストも自動化されます。
従来との違い：
テスターを複数名アサインして手動実行していたテスト工程が、AI＋自動化ツールで大幅に短縮されます。ただしシステムの複雑度やUI依存度によって自動化できる範囲は異なります。
4
移行・リリース
データ移行 → 本番切り替え → 監視
小規模・新規単独サービスはAIに一任できる：
既存システムとの連携がなく、新規で立ち上げるサービスであれば、インフラ構成（IaC）・デプロイスクリプト・初期データ投入もAIが生成・実行できます。移行リスクがほぼゼロで本番稼働を開始できます。
既存システムとの連携がなく、新規で立ち上げるサービスであれば、インフラ構成（IaC）・デプロイスクリプト・初期データ投入もAIが生成・実行できます。移行リスクがほぼゼロで本番稼働を開始できます。
既存システムが絡む場合は従来と変わらない部分がある：
基幹系や外部システムとの大規模データ移行・連携テストは、旧来の移行計画・リハーサル・切り戻し手順が引き続き必要です。AIはその計画書作成・チェックリスト生成を支援できますが、移行判断そのものは人間が行うべきです。
本番監視もAI支援が可能：
ログ異常検知・アラート設定・ダッシュボード構築をAIが補助し、リリース後の安定稼働を支えます。
ログ異常検知・アラート設定・ダッシュボード構築をAIが補助し、リリース後の安定稼働を支えます。
FOR CLIENTS
発注前に確認すべき質問
「生成AIをどの工程でどう使っているか教えてください」
具体的なツール名（GitHub Copilot・Claude・Cursorなど）と適用工程を答えられない会社は、AI活用が表面的にとどまっている可能性があります。
「見積もりの根拠を教えてください」
「機能数×重み×人月」のExcelを出してくる場合は要注意。AI活用会社は成果物ベースまたはスプリント単位での見積もりを提示することが多いです。
「企画段階でプロトタイプを見せてもらえますか？」
AI駆動開発が浸透している会社は、要件定義の早い段階で実際に動くプロトタイプを提示できます。「設計書ができてから」という回答はウォーターフォール型のシグナルです。
「テストはどこまで自動化されていますか？」
E2Eテスト自動化・CI/CDパイプラインの有無を確認してください。自動化されている会社はリグレッション検知が速く、品質コストが低い傾向にあります。
⚠ AI駆動開発がすべてを解決するわけではない
AI駆動開発は、明確に言語化できる仕様・Webベースのシステム・小〜中規模の新規開発で最も効果を発揮します。
一方、高度なドメイン知識が必要な基幹系・ハードウェア制御・法規制の厳しい領域・大規模なレガシーマイグレーションでは、
熟練エンジニアの判断と旧来の工程管理が依然として重要です。
「AIで何でもできる」と主張する会社も、「AIを使っていない」と言い切る会社も、どちらも現実を正確に把握していない可能性があります。