AI-DLCの現在地──「Human in the loop」、「大幅なトークン消費」にどう向き合うか
AI-DLCの導入により、開発の現場では定量的・定性的な両面で大きな変化が生じている。定量的な効果として特筆すべきは、開発スピードの向上だ。顕著な事例としては、1時間の会議の中で4名ほどのチームがAIを用いて要件を議論している間に、会議が終了する頃にはすでにコードの実装からコミットまでが完了しているという。
従来であれば数週間から数ヶ月を要していた要件定義から実装までのサイクルが、わずか数時間というタイムスパンに短縮されることは、システム開発におけるパラダイムシフトと言っても過言ではない。また、レガシーシステムのモダナイゼーションにおいても、古い技術スタックを知る希少な専門家の時間を確保する必要がなくなり、構造的理解をAIに任せることで移行期間を大幅に削減した事例も報告されている。
一方、定性的な効果としては、組織内のコミュニケーションや役割分界線に根本的な変化が起きている。開発者以外のプロダクトマネージャーや業務部門の担当者がAIを用いて自らプロトタイプを作成し、それをベースにエンジニアと議論を交わすようになった。これにより、要件のすり合わせが極めてスムーズになり、「作ってみたがビジネスの要求と違った」という手戻りが著しく減少している。
しかし、この劇的なスピードアップの裏では、「Human-in-the-loop」の設計という新たな課題に直面していた。システム開発におけるAIの自律的な実行プロセスにおいて、人間をどこまで介入させるべきかという境界線の見極めである。導入初期は、AIの出力に対して人間が逐一確認や修正を行うアプローチが主流であったが、これではAI-DLC本来のマシンスピードを活かしきれない。現在もそのベストプラクティスは模索され続けている。
また、AIの推論コスト、すなわちAPIのトークン消費量の肥大化も避けて通れない技術的課題だ。これに対しては、すべての処理を単一の巨大な言語モデルに依存するのではなく、課題の性質に応じて「オープンウェイトモデル」を使い分ける適材適所のアプローチが有効とされている。オープンウェイトモデルとは、モデルの重みが公開され、自社環境で独自にファインチューニングや最適化が可能なAIモデルを指す。これらをエッジや自社インフラで活用することで、企業は高額なランニングコストを抑えつつ、ドメイン特化型の高精度な処理とパフォーマンスの最適化を実現できる。
