こんにちは。Yahoo! JAPANアプリの開発エンジニアの水俣です。
2026年8月に開催された AIDD(AI-Driven Development:AI駆動開発) Workshop in Fukuoka に参加し、Yahoo! JAPANのトップページに関わるきせかえテーマ一覧機能を題材に、1日でAIDDを実践しました。
今回のワークショップで試したかったのは、長く運用されてきた既存機能の改善を題材に、AIを使いながら要件定義、設計、実装をどこまで前に進められるかを確かめることです。あわせて、その過程で人間の役割がどう変わるのかも見たいと考えていました。
結論から言うと、今回のワークショップで強く感じたのは、手戻りを減らすには要件を明確にし、人間が適切な段階でレビューすることが重要だという点です。

この記事で伝えたいこと
この記事で伝えたいことは、大きく3つあります。
- AIDDでは、曖昧な要件をそのまま進めるのではなく、対話を通じて解釈のずれを早い段階で解消することが重要だったこと
- その結果として、手戻りや遅れを抑えながら前に進められたこと
- 一方で、UI仕様、技術選定、工程遵守、あらかじめ定められたルールへの適合では、人間のレビューと判断が最後まで不可欠だったこと
この記事では、長く運用されてきた既存機能にAIDDを適用したときに、どこで前に進みやすくなり、どこで人間の役割が残るのかを整理します。
今回扱った課題
今回の題材は、Yahoo! JAPANのトップページに関わるきせかえテーマ一覧機能です。
この一覧ではきせかえテーマが並んでおり、ユーザーは自分の 好みに合うテーマを一覧から探すことができますが、「キャラクター系」「季節・イベント系」「アニメ系」といったカテゴリで絞り込みながらテーマを探すことができませんでした。
そこで今回のワークショップでは、一覧の上部にカテゴリタブを追加し、カテゴリごとにきせかえテーマを表示できるようにする案を題材にしました。ここで扱ったのは、あくまでワークショップ内で検討・試作したプロトタイプです。
この改善は、一見するとシンプルに見えます。しかし、着手するとすぐに複数の論点が出てきます。
- カテゴリを誰がどう定義するのか
- 既存のきせかえテーマをどう分類するのか
- 1つのテーマは複数カテゴリに属せるのか
- 初期表示は全件にするのか、カテゴリで絞り込むのか
- 既存の検索や並び順とどう共存させるのか
- ワークショップの中ではどこまでをスコープにし、何を持ち帰りにするのか
- UIだけの改修で済むのか、それとも関連するデータの持ち方まで影響が及ぶのか
要件解釈、情報設計、将来拡張、影響範囲の切り分けが密接に絡むため、AIDDが本当に役立つのかを見るには、ちょうどよい題材だったと感じています。
なぜこの題材が難しかったのか
AIを使う前から、開発の難しさはコードを書くことだけにはないと感じていました。特に既存機能の改善では、その難しさがより強く表れます。
長く運用されている機能には、現在のUIやコードだけでは読み切れない前提があります。なぜその形になっているのか。どの判断がどの事情を踏まえたものなのか。どこまで触ると影響が広がるのか。こうした文脈は、仕様書、コード、過去のやり取り、運用知識、人の記憶に分散しています。
既存機能の改善では、関連する要素が複数にまたがることも少なくありません。そのため、単一のコードベースだけでは全体像をつかみにくい場面があります。最初にどこまで確認すればよいのか自体が、判断の対象になります。
今回のボトルネックは、「何を作るか」の認識をそろえることでした。ワークショップを通じて、実装に入る前の要件整理に時間がかかることを改めて実感しました。
当日の進め方
今回のワークショップでは、AIの進行に沿って大きく2つの流れで作業を進めました。
前半は、既存システムを理解しながら要件を整理していく流れです。
- 現状把握
- 既存仕様の調査
- Requirements Analysis
- User Stories
- Workflow Planning
- Application Design
- Units Generation
後半は、設計から実装へ落としていく流れです。
- Functional Design
- Non-Functional Requirements
- Non-Functional Design
- Infrastructure Design
- Code Generation
- Build and Test
この流れに沿うことで、単にコード生成から入るのではなく、既存システムの理解から設計、実装までを一つの連続した流れとして扱えたのは良かった点でした。
一方で、今回の学びとして大きかったのは、後半のコード生成そのものよりも、前半で要件をどれだけ一意にできるかという点でした。
AIDDで前に進みやすかったこと
1. 曖昧さを早い段階で顕在化でき た
AIと進める中でまず印象的だったのは、曖昧な要件をそのまま進めるのではなく、不確定要素を確認事項として返してきたことです。
要件整理の段階では、こちらが暗黙の前提として持っていることでも、AIにとっては明文化されていなければ未確定です。そのため、「これはどちらなのか」「ここはどう扱うのか」といった確認が増え、対話のラリー回数は自然と多くなりました。
最初は、このラリーの多さを少し遠回りに感じる場面もありました。しかし振り返ると、このやり取りがあったことで、曖昧なまま進んで後工程で差し戻されるリスクをかなり減らせていたと思います。
AIとの対話を通じて要件を具体化すると、解釈のずれは減ります。曖昧さを残すと、そのまま出力に現れます。
結果として、手戻りや遅れを抑えながら前に進められたと感じています。それは、AIが特別に優秀だったというわけではなく、要件の曖昧さを早い段階で対話に乗せて処理できたことが大きな要因だったと思います。
2. 何を今回決めて、何を持ち帰るかを分けやすかった
AIDDを前に進めるうえで重要だったのは、今回のワークショップで決めることと、今後に持ち帰ることを切り分けることでした。
たとえばカテゴリ定義について、私たちは人手で分類ルールを整理する方法を選びませんでした。代わりに、既存データを分類するための仕組みを用意し、カテゴリ情報を扱える形に整理したうえで、AIによる分類結果を反映する形を取りました。
また、1つのテーマが複数カテゴリに属する可能性もあります。し かし今回は、まず単一カテゴリに絞りました。初期表示は全件表示を採用し、既存の検索や並び順との共存はスコープ外としました。
このように切り分けたことで、1日という短い時間でも、要件、設計、実装を前に進めやすくなったと感じています。
要件定義で実際に詰めたこと
今回のテーマでは、要件定義の段階で特に次の論点を詰めました。
カテゴリ定義をどう扱うか
カテゴリ定義は、人手で一つずつ決めるのではなく、既存データを分類するための仕組みを用意し、カテゴリ情報を扱える形に整理したうえで、AIによる分類結果を反映する形にしました。
複数カテゴリ対応をどうするか
1つのテーマが複数カテゴリに属する可能性はあります。しかし今回は、まず単一カテゴリに絞りました。実務では複数カテゴリ対応もあり得ますが、まずはワークショップの中で前に進むことを優先しました。
初期表示とスコープをどう置くか
初期表示は全件表示を採用し、既存の検索や並び順との共存は検討対象から外しました。AIDDだからといって、一度に全部を整理できるわけではありません。今回扱う問題を意識的に狭めることが必要でした。
影響範囲をどう見るか
ワークショップ中の実装はWeb UIとデータの整理を中心に進めました。しかし、本格的に対応するなら、Web UIだけでなく周辺の仕組みにまで影響が広がる可能性がある、というところまでは見えていました。
要件 定義で大事だったのは、完全な未来像を最初から作ることではありません。今この場で一意に決めるものは何かをそろえることでした。
1日で実際に残った成果物
1日という限られた時間でも、成果物はかなり残りました。
要件定義の成果物
AIによって要件定義書が画像として出力されました。そこには、簡易的な画面設計や情報整理の内容が含まれていました。既存機能の改善では、議論のたたき台をゼロから人間だけで起こすのに時間がかかりがちです。そこを短時間で形にできたことは大きかったです。
特に良かったのは、要求分析フェーズで追加質問に対して選択肢が提示されることでした。人間側も「何を考えるべきか」が見えやすく、要件整理の初速を出しやすかったと思います。要件サマリーがまとまっている点も、全体像をつかむ助けになりました。
実装の成果物
実装面では、プロトタイプレベルの成果物まで進めることができました。
現行版のきせかえテーマが一覧表示されるギャラリーに対して、カテゴリ分類や検索を試せるプロトタイプにまで落とし込むことができました。

それでも、人間のレビューは不可欠だった
AIの助けで前に進んだ場面が多かった一方で、人間の確認が必要な場面もはっきりしていました。
1. 工程の抜け漏れは人間が見ないと気づけない
最も印象に残っているのは、AIが途中の手順を一つ飛ばして進めていた場面です。確認すると、複雑な理由があったわけではありませんでした。単純にその工程を失念していたことが分かりました。
この出来事は、AIがもっともらしい出力を返していても、プロセスの正しさや工程遵守までは自動で保証してくれないことを示していました。人間は途中で立ち止まり、「本来やるべき手順を踏めているか」を見る必要があります。

2. 技術選定は比較材料が足りないと判断しづらい
技術選定でも課題がありました。今回は、こちらが十分な入力を与えられていなかった面もあります。しかし、AIから提示された選択肢は少なく、人間が比較検討するには材料が不足していました。
実務で使うなら、単一案を出すのではなく、複数案とそれぞれのリスク、技術負債、採用理由まで並べて比較できる形の方が望ましいと感じました。
3. ガイドラインやテンプレートへの適合は自動では担保されない
出力された要件定義は、そのままではあらかじめ定められた記述ルールや形式に沿ったものにはなっていませんでした。今回はワークショップなので修正まではしませんでした 。しかし、実務で使うなら、利用する場に応じた記述ルールや形式を踏まえた出力が必要です。
4. UI仕様の不足はあとから認識差になりやすい
要件整理の段階で、UI仕様まで機能要件として明示されていてほしかった、という不足もありました。AIが要件を広げたりまとめたりすることは得意です。しかし、実務で必要な観点を漏れなくそろえるには、人間が不足を見つけて補う必要があります。
まとめ
今回、長く運用されてきた既存機能の改善を題材にAIDDを試してみて分かったのは、AIが開発を前に進める力を持っていても、その成果を左右するのはAIの出力そのものではないということでした。重要だったのは、要件をどれだけ一意にできるか、そして人間がどこでレビューと判断を担うかでした。
曖昧さが残っていると、AIは確認を返してきます。そのラリーは一見すると非効率に見えます。しかし実際には、解釈ずれを前倒しで解消し、後工程の手戻りを減らす助けになります。
一方で、工程の抜け漏れ確認、利用する場に応じたルールへの適合、UI仕様の明示、技術選定の妥当性判断といった部分は、最後まで人間の役割として残ります。AIDDは、人間の判断を不要にするものではありません。むしろ、どこをAIに任せ、どこを人間が責任を持って見るべきかを、これまで以上にはっきりさせるものだと感じました。
長く運用されてきた既存機能の改善で手戻りを減らしたいなら、その鍵はAIの賢さだけではありません。要件の一意性と人間のレビューにあります。今回のワークショップは、そのことを強く 実感する1日でした。


