Claudeで実践するAI駆動開発（AIDD）—— gaipackが目指す超高速改善ループ

gaipackでは、要件定義からリリースまでをClaudeとスキルで一気通貫に支援する「AI駆動開発（AIDD）」に取り組んでいます。本記事では、そのプロセス全体と、開発を支える技術構成を紹介します。結論からお伝えすると、gaipackが目指しているのは「超高速改善ループ」を回すことです。

---

AI駆動開発（AIDD）に取り組む背景

システム開発をもっと早く、もっと安く進めたい。そう考えるお客様は多い一方で、「AI活用を進め方も人材もない」「開発スピードやコストに課題がある」「企画から運用まで任せられる相手がいない」といった悩みも根強くあります。

gaipackは、AIでビジネスの意思決定・開発スピード（BS）を加速させることを掲げ、様々なソリューションを組み合わせながら企画から運用まで一気通貫でサポートするスキームです。gaipackに単体の「機能」はなく、要件定義・設計・実装・テスト・リリースという開発の各フェーズに対応したスキルと、それらを支えるプロセス全体が価値の中心になっています。

全員が同じ目線に立つための研修体制

AIDDはいきなり実案件から始めません。まずAI研修（初級・上級、必要に応じて発展的な内容もオプションで用意）を全員が受講し、進め方の目線を揃えてから実案件に入る、という順序を徹底しています。

研修はテンプレート化されており、エンジニアか非エンジニアかを問わず全員が同じ内容を受講します。その後、gaipack担当者が実案件でAI駆動開発の進め方を実演し、非エンジニアのメンバーもプロセス全体を理解した上で実務に入れるようにしています。

支える技術構成

開発環境・基盤

環境基盤としては、Chrome Enterprise、GitHub Projects、Codespaces（devcontainer）、VS Code、Claude Codeを組み合わせて使用しています。スキルを配布・管理する仕組み（スキルマーケットプレイスと、スキルの作成・配布を担うツール）も用意し、エージェント向けにスキルを配布できる体制を整えています。

リポジトリは「要件定義用リポジトリ」と「開発用リポジトリ」の2本立てで管理します。非エンジニアもChromeブラウザからVS Code Codespaceを起動して要件定義のブラッシュアップやUI作成に参加でき、タスクはGitHub Projects上で一元管理するため、複数人チームでの開発でも同じ基盤で進捗を把握できます。要件定義書や基本設計書はMarkdownで作成し、そのまま納品物としても活用可能です。お客様との共有には、AWS AmplifyやGitHub Pagesを使ってホスティングしています。

なるべく多くの工程をGitHub上で完結させることも意識しているポイントです。複数のSaaSをまたぐより、GitHub上で要件定義からリリースまで完結できる方が運用がシンプルになる、という考え方に基づいています。

AIオーケストレーション基盤

要件定義・実装など各フェーズで必要なスキルをプラグインとして配布し、配布後の評価・改善もできる限り自動化しています。具体的には、誰がいつどのモデルでどんなプロンプトを実行したかをOpenTelemetryで収集し、Databricksに集約。プロンプトの管理と評価にはLangfuseを使い、LLM-as-a-Judge機能でスキルの品質を継続的に評価・改善するループを回しています。

要件定義からリリースまでの7フェーズ

1. 要件定義フェーズ

お客様とのオンラインミーティングを録画・文字起こしし、AIが議事録化します。議事録からMarkdownで提案書を作成し、そこからPRD／FAQ形式で要件定義に落とし込みます。要件をもとに実際に動くデモアプリを作成した上で提案ミーティングに臨み、その場での反応をもとにプロジェクト計画書を作成してPMへ引き継ぐ、という流れです。

引き継ぎ後は開発用リポジトリ側でPRDの分解やUIコンポーネントの作成を進めます。ここでは複数のサブエージェントを並列で動かし、1人が1タスクではなく複数タスクを同時に進められるようにしている点がポイントです。

2. デザインモック

UIデザインについては、当初「Figma Make」の活用を検討しました。プロンプトを打てばリアルタイムに近い形でデザインが生成できる点は魅力でしたが、ライセンスや利用上限の制約があったため、要件定義から必要なUIコンポーネントをVS Code Codespace上で生成し、Figma Makeと同等の画面を作る構成に切り替えています。生成したUIはAWS AmplifyやGitHub Pagesにデプロイし、ブランチがマージされるたびに該当機能のデモをすぐに確認できるようにしています。

3. 設計フェーズ

要件定義とUIがある程度固まった段階で、いきなり実装に入らず、アーキテクチャ・DB設計・API・インフラ設計を先に固めることを徹底しています。これは手戻りを減らすことに加え、チーム開発時に起きやすいコンフリクトやタスクのバッティングを未然に防ぐための方針です。

4. 仕様策定フェーズ

要件定義・UI・設計が出そろった段階で、仕様書とテストシナリオを同時に生成します。用意するのは「スペックMD」と呼ばれる仕様書と、Gherkin形式で書かれたE2Eテストシナリオです。このスペックMDをもとに実装計画書（プランMD）を作成し、そこからAIに渡すためのタスクリストへ分解します。実装に入る前には必ず人間が計画を承認するプロセスを挟んでおり、仕様駆動開発・振る舞い駆動開発の考え方を取り入れたフェーズになっています。

5. 実装フェーズ

実装・テストコードの生成も、できる限りAIに任せています。ここでも1タスクに1エージェントではなく、複数のサブエージェントを並列で起動することで所要時間を短縮しています。

6. テスト・品質ゲートフェーズ

実装後はAIがテストを実行し、失敗した場合は自動で修正をかけます。コミット・プッシュの前にはリンター、フォーマッター、タイプチェックも実行します。加えて、ERDや基本設計書といったMarkdownの内容と、実際に実装されたコードとの間にズレがないかを検証する「整合性駆動開発」も取り入れており、抜け漏れがない状態でプルリクエストを作成する運用にしています。

7. リリースフェーズ

プルリクエストの作成にもスキルを用意しており、案件に応じてGitHub ActionsやClaude Code Actionsを活用します。本番・ステージング環境への直接プッシュは行わず、必ずレビューを挟んでからマージする運用を徹底しています。

ループエンジニアリングという考え方

AIエージェント活用の初期は、個々のプロンプトを磨き込む「プロンプトエンジニアリング」が中心でした。そこから、AIを動かすための仕組みや足場を整える「ハーネスエンジニアリング」へと重心が移り、現在はAIが自律的に試行錯誤しながら学習していく「ループ」そのものを設計する「ループエンジニアリング」が注目されるようになっています。

gaipackでも、失敗から自己学習して制約や条件を定義し直し、次回の品質を上げていくという考え方をスキル運用に取り入れています。ハーネスを整える前段階として、AIになるべく自律的にループを回させる土台を作ることを意識しており、スキルの評価・改善サイクルもこの延長線上にあります。

品質を平準化する仕組み

AI駆動開発を組織的に展開する上で意識しているのは、「誰が依頼しても同じ水準のアウトプットになること」です。これをスキル・ハーネス・ループの3層で担保しています。

また、AI活用を組織全体に定着させるため、社内向けの業務ウェビナーも開催しています。リアルタイムで視聴できない場合でも、後日アーカイブで確認できるようにすることで、日々の業務に追われるメンバーでも無理なくキャッチアップできる仕組みにしています。

実例:2日で作った業務デモアプリ

実際にgaipackで構築した事例の一つに、番組の進行を管理するデモアプリがあります。要件定義からリリースまでの一連の流れを踏んだ上で、開発期間はおよそ2日でした。開発のタイムスパンを短縮して提供できることは、AIDDの大きなメリットの一つです。

まとめ

超高速改善ループを実施すること——これがgaipackのAI駆動開発が目指すゴールです。システム開発をもっと早く安くしたい、AI活用を進めたいが進め方も人材もいない、開発スピードやコストに課題がある、企画から運用まで任せたい。そうした課題をお持ちの方は、ぜひgaipackにご相談ください。

お気軽にKDDIアイレットへお問い合わせください！