WRITING
AI駆動開発で、システム開発の「施工」が機械化される——建設会社が発注者として変えるべきこと
AIが要件定義からテストまでを担う「AI駆動開発」が、国内のシステム開発会社で急速に広がっています。2026年には「やらなければ立ち行かない」とまで言われ始めました。一方、海外の実証研究は、効果には明確な条件があることを示しています。建設会社の多くは、基幹システムや現場アプリを外部に委託して作る「発注者」です。作り方が変わるなら、頼み方も変えなければなりません。
「書く人」から「決める人」へ
AI駆動開発とは、生成AIを開発のあちこちで使う、という意味ではありません。開発の工程そのものを、AIが作業することを前提に組み直すやり方を指します。人が要件を決め、指示を出し、結果を確かめて判断します。AIは設計書やコード、テスト、文書の下書きを高速に作ります。この分担が、要件定義から運用までの全工程に及びます。
ここ1年で変わったのは、AIの自律性です。少し前までのAIは、エンジニアが書くコードの続きを補う程度でした。今は、自然言語で目的を伝えると、AIが複数のファイルにまたがってコードを書き直し、テストの実行まで進めます。設計書を渡せば、プログラムの生成から動作確認までを1人のエンジニアのようにこなす自律型の開発エージェントも実用段階に入りました。
従来の開発との違いは、人員配分の逆転に集約される
国内の解説記事や業界紙の特集を読み比べると、違いは次の4点に集約できます。
| 観点 | 従来の開発 | AI駆動開発 |
|---|---|---|
| 人員配分 | 少数の熟練者が上流を担い、実装に多数のプログラマーを動員する | 人の大半を要件定義・設計に投入し、実装はAIが担う |
| 工程の進め方 | 工程を順番に進め、完成品を最後に見せる | 動くものを早く作ってユーザーに触ってもらい、仕様を直しながら進める |
| 求められる力 | コードを書く力 | AIに正しく指示する力と、出力を検証する力 |
| 契約・価格 | 人月(投入人数×期間)で見積もる | 工数が激減し、人月モデルそのものが成り立ちにくくなる |
表1 従来の開発とAI駆動開発の違い。国内の解説記事・業界紙の特集をもとに筆者が整理
このうち最も大きいのは、人員配分の逆転です。2026年5月の業界紙の特集では、AIネイティブを掲げる新興SIerの経営者が、今後は人的リソースの9割方を要件定義と設計に投じることになるとの見方を示しています。これまで一部の上流担当者にだけ求められていたヒアリング力や業務理解が、チーム全員に必要になります。
| 要件定義・設計 | 実装 | テスト/検証 | |
|---|---|---|---|
| 従来の開発 | 少数の熟練者 | 多数のプログラマー(工数の大半) | テスト担当 |
| AI駆動開発 | 人の大半(工数の大半) | AI(自律型エージェント) | 検証担当 |
図1 人員配分の逆転(概念図)。人が手を動かす場所が、実装から「決めること」と「確かめること」へ移ります
国内で語られる効果は、売る側の数字が多い
国内の記事でよく挙がる効果は4つあります。1つ目は速度です。コードやテストケースの自動生成で、リリースまでの期間が縮みます。2つ目は品質の均質化で、担当者ごとの書き方の癖によるばらつきが減り、命名の不統一や重複コードも早い段階で見つかります。3つ目は、古いシステムの解析です。担当者の異動や退職で中身が分からなくなったシステムについて、コードやデータベースの構造、改修の影響範囲の調査が、数週間がかりの作業から大幅に短縮されたという事例があります。4つ目はテストで、テスト工数を3割減らした事例なども紹介されています。
ただし、これらの数字の多くは、AI駆動開発を売る側の発信です。事例の出典が匿名のものも多いです。効果がないとは言いませんが、自社の判断にそのまま使う数字ではありません。
数字の読み方 「テスト工数3割削減」「開発速度2倍」という数字は、どの工程で、どの種類のシステムで計測したかによって大きく変わります。定型的で範囲が明確な新規開発と、長く使い込まれた基幹系の改修では、同じAIを使っても結果が逆になることがあります。
海外の実証研究は「条件次第」と言っている
海外では、第三者による大規模な調査や実験が積み上がりつつあります。結論を先に言えば、AIは開発を一律に速くする道具ではなく、組織の地力をそのまま増幅する道具です。
AIは「増幅器」である
ソフトウェア開発の生産性を長年追ってきた研究プログラムDORAは、2025年に約5,000人の開発者を調査した報告書を出しました。回答者の9割がAIを仕事で使い、8割超が生産性が上がったと感じています。しかし報告書の中心的な結論は、AIはチームを直すのではなく、もともとある強みも弱みも増幅する、というものでした。AIの利用が多いほど開発の処理量は増えますが、同時にリリース後の不具合や手戻りといった「不安定さ」も増える傾向が続いています。書く時間は減っても、その分が出力の確認に回っている、という指摘もあります。
体感は「速くなった」、実測は「遅くなった」
最も話題になったのは、非営利の研究機関METRが2025年に行った無作為化比較試験です。熟練した開発者16人が、自分がよく知る大規模なソフトウェアで実際の改修作業246件に取り組み、AIを使える場合と使えない場合で作業時間を比べました。結果は、AIを使うと作業時間が19%長くなったというものでした。しかも開発者たちは事前に24%速くなると予想し、終わった後も20%速くなったと答えていました。
この結果は条件付きで読む必要があります。対象は、コードを知り尽くした熟練者が、複雑で成熟したソフトウェアを直す場面です。METR自身も、この結果はすでに現在のツールを反映しない「過去の記録」だと位置づけています。それでも、本人の体感と実測が逆を向いていたという事実は重いものがあります。
個人は速くなっても、組織は速くならない
開発の稼働データを1万人規模で分析した海外の調査では、AIを使う開発者は完了させた作業が21%、取り込まれた変更が98%増えました。一方で、組織全体のリリースの指標はほとんど動きませんでした。個人がコードを速く書いても、レビューや結合、承認の工程が詰まれば、全体の速さは変わらないのです。
実証研究から読み取れること 効果が出やすいのは、新しく作るもの、定型的なもの、範囲がはっきりした作業です。逆に、長年使い込まれた複雑なシステムの改修では、効果が出にくいか、かえって遅くなることがあります。そして、効果が出るかどうかを決めるのは、ツールより先に、仕様の明確さ・確認の体制・工程の流れといった組織の側の条件です。
「施工が機械化された」と建設業の人なら分かりやすい
ここまでの話は、建設業の言葉に置き換えると理解しやすいです。従来のシステム開発は、元請が少数の技術者で設計と管理を担い、多数の協力会社の人手で施工する構造とよく似ていました。AI駆動開発は、このうちの「施工」が一気に機械化される話だと言えます。
施工が機械化されると、何が品質を決めるのでしょうか。建設業の人ならその答えをご存知のはずです。設計図と仕様書の精度、そして出来形・品質の検査です。図面があいまいなら、どれほど優秀な機械でも正しいものは造れません。検査をしなければ、造られたものが正しいかは分からないのです。業界紙の特集でも、AIに安定した品質で作らせるには、設計書の書き方や実行環境の指定まで細かく決めた共通の手引きが欠かせないとされています。
METRの実験で熟練者の体感と実測が食い違ったことも、この文脈で読めます。施工が速く見えても、手直しや確認に時間を取られていれば、工期は縮まりません。建設業が長年、出来高を感覚ではなく計測で管理してきたのと同じことが、AI駆動開発にも求められています。
発注者として変えるべきことは4つある
1. 人月で見積もらせない
人月の単価と工数で見積もる契約は、AI駆動開発とかみ合いません。開発側が生産性を上げるほど売上が減る構造になるからです。大手SIerの中には生産性の大幅な向上を目標に掲げる企業もあり、発注者には価格交渉の余地が生まれています。ただ、安くさせることより、成果物と品質の基準で契約する形へ切り替えるほうが本質的です。何人を何か月投入するかではなく、何をどの水準で納めるかを契約の軸に置くことをお勧めします。
2. 要件定義に自社の人を出す
開発の重心が上流に移るということは、要件定義の質がそのまま成果物の質になるということです。現場の業務を知っているのは発注者の側であり、ここを委託先任せにすると、AIは間違った要件を高速に形にします。現場の担当者と情報システムの担当者が、要件定義の場に時間を割く体制を先に確保しておきましょう。
3. 検収を「検査」にする
AIが作ったものは、量が多く、速く届きます。受け取る側が画面を触って終わりにしていては、不具合が本番で見つかります。テストの観点や合格基準を発注者側でも持ち、出来形検査のように確かめる手順を契約の段階で決めておきましょう。完成品を最後に見るのではなく、動くものを早い段階で現場の人に触ってもらう進め方も、AI駆動開発なら組み込みやすいです。
4. 向く領域から始める
業界紙の取材でも、24時間止められず何十年も保守が続く大規模な基幹系は、ベテランの技術者でも難しい領域であり、AIにとっても難しいとされています。建設会社で言えば、原価管理や工事台帳のような基幹系の刷新は、効果の条件を見極めてからでよいでしょう。
| 領域 | 向く | 条件付き | 慎重に |
|---|---|---|---|
| 現場ツール | 日報・点検記録などの入力アプリ、社内向けの集計ツール | — | — |
| 古い自社システム | 中身が分からなくなったシステムの解析・文書化 | 解析結果をもとにした作り直し | — |
| 業務システム | — | 安全書類・写真管理など、範囲がはっきりした周辺システム | — |
| 基幹システム | — | — | 原価管理・工事台帳・会計連携など、止められず長く使うもの |
図2 建設会社のシステムとAI駆動開発の相性(筆者の整理)。新しく小さく作るものほど向き、長く使い込むものほど慎重さが要ります
見落とされがちなのが、古い自社システムの解析です。長年の改修で中身が分からなくなり、作り直したくても調査の費用がかさんで手を付けられないシステムは、建設会社にも少なくありません。AIで解析の費用が下がれば、塩漬けになっていた刷新計画を動かすきっかけになります。いきなり作り直しをAIに任せるのではなく、まず「今のシステムが何をしているか」を明らかにする用途から試すのが、リスクの小さい入り方です。
始め方 最初に試すシステムは「新しく、小さく、範囲がはっきりしたもの」を選びましょう。日報アプリや点検記録の入力ツールが候補になります。成果物と品質基準を契約に盛り込み、動くものを現場に触ってもらう段階を設けてから、より複雑な領域へ広げていきましょう。
変わるのは、作り方より頼み方だ
AI駆動開発は、開発会社だけの話ではありません。実装の手間が消えていくほど、何を作るかを決める力と、作られたものを確かめる力の価値が上がります。その2つは、本来は発注者が持つべきものです。
建設業は、設計と施工を分け、仕様書で品質を定め、検査で確かめる文化を持つ産業です。システム開発がその形に近づいているのなら、建設会社は不利どころか、有利な位置にいます。問われているのは、その文化を自社のシステムの発注にも持ち込めるかどうかです。