---
title: "SDLCにおけるAI：ソフトウェア開発の各フェーズをAIはどう変えるか"
description: "SDLCの各フェーズでAIは今どう使われているか。要件定義、設計、実装、テスト、レビュー、デプロイ、運用ごとに、AIの役割、人の役割、リスクを整理します。"
canonical: https://automo.build/ja/learn/ai-in-the-sdlc
last-updated: 2026-11-19
---
# SDLCにおけるAI：ソフトウェア開発の各フェーズをAIはどう変えるか

ソフトウェア開発ライフサイクルのどこでAIがすでに実務を担い、どこでまだ人の判断が必要か、そして誰も判断しなかったときに何が起きるかを、フェーズごとに整理した地図です。

SDLCにおけるAIとは、ソフトウェア開発ライフサイクルの各フェーズでAIモデルやエージェントを使うことです。要件の下書き、設計案の提示、コードの記述、テストの生成と実行、変更の事前レビュー、デプロイの準備、本番障害の診断まで担います。実装とテストではすでに作業量の大半をAIが担いますが、目的、アーキテクチャ、重要な変更の承認、出荷物への責任は人が持ち続けます。最大のリスクは、スピードがレビューを追い越すことです。

## この地図の読み方

従来のSDLCがなくなったわけではありません。要件定義、設計、実装、テスト、レビュー、デプロイ、運用は今も行われ、多くの場合その順番のままです。変わったのは、各フェーズの作業量を誰がこなすかです。AIモデルやコーディングエージェントは、人の手では追いつけない速さで下書き、生成、確認、診断を行います。その結果、人の仕事は作ることから、何が正しいかを決めることへ移っています。

各フェーズについて、今日AIが何をしているか、まだ人が必要なことは何か、そしてほかを何も変えずにそのフェーズへAIを導入したときに現れるリスク、の3点をまとめています。このページは、いま運用しているライフサイクルの中でのAI活用を扱います。AIエージェントを中心に組み直したライフサイクルの定義を知りたい場合は、[「AI SDLCとは」](/learn/what-is-an-ai-sdlc)から読んでください。

## 1. 計画と要件定義

AIが今していること: 曖昧な依頼、ヒアリングメモ、サポートチケットを受け入れ条件付きのユーザーストーリーに変え、抜けているエッジケースを見つけ、過去の似た作業から規模を見積もり、変更がシステムのどこに触れるかを示す計画を下書きします。

まだ人が必要なこと: 何を作る価値があるかを決め、ほかの仕事と比べて優先順位を付け、受け入れ条件がユーザーの本当のニーズを表しているかを確認することです。リスクは、自信に満ちた整った要件が誤った前提の上に成り立っていることです。読みやすい計画は、確認済みの計画と同じではありません。そして後続のすべてのフェーズがその誤りを引き継ぎます。

## 2. 設計とアーキテクチャ

AIが今していること: データモデル、APIの形、コンポーネント構成を提案し、選択肢をトレードオフとともに比較し、図やアーキテクチャ決定記録を下書きし、設計案をコードベースで既に使われているパターンと照らし合わせます。

まだ人が必要なこと: コスト、チームのスキル、コンプライアンス上の義務、ロードマップなど、モデルが持たない文脈を踏まえて選ぶことです。リスクは、入力補完によるアーキテクチャです。モデルは最もよくあるパターンを好み、自社の制約が求めるパターンを選ぶとは限りません。設計の誤りは、後から直すほど高くつきます。

## 3. 実装

AIが今していること: 最も成熟した活用領域です。コーディングエージェントはブランチ上で機能を最後まで実装し、リファクタリングし、スキーマのマイグレーションや連携コードを書き、見慣れないコードを説明します。導入したチームでは、数週間で変更量が何倍にもなることがよくあります。

まだ人が必要なこと: エージェントが従う計画に責任を持ち、認証、決済、データ削除のような重要な領域を明示的なルールの下に置き、ポリシーが指摘した差分を読むことです。リスクは、もっともらしいのに微妙に誤っているコード、検証されていない依存関係の追加、気づかないうちのアクセス権の拡大です。変更量がこのリスクを何倍にもします。誰も1行ずつ読み切れないほどの変更が生まれるからです。

## 4. テスト

AIが今していること: コードと受け入れ条件からユニットテストや統合テストを生成し、実際のユーザーフローをブラウザレベルでテストし、画面変更で壊れたテストを修復し、リリース前に一度ではなく変更のたびにテストを実行します。

まだ人が必要なこと: 絶対に壊れてはいけないものを決め、テストが正しい振る舞いを検証しているかを確かめ、リリース基準に責任を持つことです。リスクは、コードがあるべき姿ではなく、コードが今していることを記述しているせいで通ってしまうテストです。コードとテストの両方を書くエージェントは、自分の誤りを自分で追認できてしまいます。だからこそ受け入れ条件はコードではなく計画から導くべきです。

## 5. コードレビューとセキュリティ

AIが今していること: すべてのプルリクエストを事前レビューし、変更を要約し、危険なパターンを指摘し、静的解析と依存関係チェックを実行し、アクセスルールを検証します。たとえばAutomo Buildでは、レビュアーエージェントと[Guardrails](/platform/guardrails)がマージ前にすべての変更を平易な言葉で書かれたポリシーと照合し、保護された領域に触れる変更は記録付きの人の承認を待ちます。

まだ人が必要なこと: 影響の大きいマージを承認し、何が影響の大きい変更かを定義するポリシーを書き、ビジネスリスクを判断することです。リスクは、形だけの承認です。AIが書いたコードをAIがレビューすると、人のクリックが唯一の実質的な統制になり、変更量が増えるほどそのクリックは速く浅くなっていきます。

## 6. デプロイとリリース

AIが今していること: リリースノートを準備し、公開前のスモークチェックと公開後の検証を実行し、ロールアウト中の指標を見守り、何かが悪化したらロールバックを提案します。

まだ人が必要なこと: いつ、誰に向けて出すかを決め、規制対象や顧客向けのシステムで本番変更を承認し、ロールバックの判断を下すことです。リスクは、誰かが問題に気づくより速く公開してしまうパイプラインです。ロールバックは後付けではなく、テスト済みの日常的な操作であるべきです。

## 7. 保守と運用

AIが今していること: ログやトレースを読み、アラートを関連付け、根本原因を診断し、修正案を書き、依存関係を更新し、ドキュメントをコードと同期させます。

まだ人が必要なこと: 本番に触れる修正を承認し、インシデント時のコミュニケーションを担い、技術的負債と新しい仕事の優先順位を決めることです。リスクは、ほかの変更と同じレビューやテストを経ずに、AIの修正がそのまま本番に適用されることです。運用で見つかったことは、ライフサイクルを迂回せず、新しい依頼としてライフサイクルに戻すべきです。

## SDLCにおけるAI 早見表

同じ7つのフェーズを並べました。パターンは一貫しています。作業量はAIが担い、判断は人が持ち、リスクは判断がいつの間にか行われなくなった場所に生まれます。

| フェーズ | AIが今していること | 人の役割 | 主なリスク |
| --- | --- | --- | --- |
| 計画と要件定義 | ストーリー、受け入れ条件、計画を下書き | 何を作るかを決め、目的を確認 | 誤った前提の上に整った要件 |
| 設計 | データモデル、API、トレードオフを提案 | ビジネスとコンプライアンスの文脈で選択 | 制約を無視した定番パターン |
| 実装 | ブランチ上で機能、リファクタリング、マイグレーションを記述 | 計画と重要領域に責任を持つ | もっともらしいが誤ったコードの大量生産 |
| テスト | ユニット、統合、ブラウザテストを生成し実行 | 壊れてはいけないものを定義 | バグを追認するテスト |
| レビューとセキュリティ | 差分を事前レビューし、コードと依存関係をスキャン | 重要なマージを承認し、ポリシーを書く | 形だけの承認 |
| デプロイ | スモークチェック、ロールアウト監視、ロールバック提案 | いつ誰に出すかを決める | 問題に気づくより速い出荷 |
| 運用 | インシデント診断、修正案作成、依存関係更新 | 本番修正と優先順位を承認 | レビューを迂回する修正 |

## AI支援型SDLCからAIネイティブなSDLCへ

多くのチームは、フェーズごとにAIを足すところから始めます。エディタのコーディングアシスタント、プルリクエストのAIレビュアー、生成されたテストなどです。これがAI支援型のSDLCです。ライフサイクル自体は変わらず、統制点はすべて手作業のままなので、コーディングが速くなった瞬間にレビューとテストの処理能力がボトルネックになります。

AIネイティブなSDLCは、エージェントが全フェーズで作業することを前提に、引き継ぎではなくガバナンスを中心に組み直されています。ポリシーが自動マージの可否を決め、ポリシーが指摘したものを人が承認し、テストがすべての変更を関門で止め、監査証跡がプロンプトから本番までの経路を記録します。定義と段階は「AI SDLCとは」にまとめています。自社のチームが今どこにいるかは、[AI SDLC成熟度診断](/tools/ai-sdlc-maturity)で確認できます。

Automo Buildは後者のモデルの一例です。エージェントがコードを書いてテストし、レビュアーエージェントとGuardrailsがマージ前にすべての変更を確認し、公開前にスモークゲートが走ります。どのツールを選ぶにしても、役に立つ問いは同じです。各フェーズは既定で動き、証拠を残しているでしょうか。

## FAQ

**SDLCではAIはどのように使われていますか？**

すべてのフェーズで使われています。要件と計画の下書き、設計案の提示、コードの記述、テストの生成と実行、変更の事前レビューと脆弱性スキャン、デプロイの準備、本番障害の診断です。目的、アーキテクチャの判断、重要な変更の承認、出荷物への責任は人が持ちます。

**AIの恩恵が最も大きいSDLCのフェーズはどこですか？**

実装とテストです。この2つではすでにAIが作業量の大半を担っています。ただし、その効果はレビューとデプロイが同じペースで拡張できる場合に限られます。そうでなければ、ボトルネックがコードを書くことから確認することへ移るだけです。

**SDLCでAIは開発者を置き換えますか？**

置き換えません。役割が、目的の設定、計画のレビュー、指摘された変更の承認、アーキテクチャと成果への責任へと移ります。実装の量はエージェントが担い、出荷物への責任は人が持ち続けます。

**SDLCでAIを使う最大のリスクは何ですか？**

レビューされない大量の変更、自分のバグを追認するテスト、検証されていない依存関係、形だけの承認、監査時の証拠不足です。いずれもモデルではなくプロセスの穴であり、ポリシー、独立した受け入れ条件、スキャン、記録された承認、監査証跡という対策があります。

**SDLCにおけるAIとAI SDLCの違いは何ですか？**

SDLCにおけるAIは、いま運用しているライフサイクルにAIツールを加えることです。AI SDLCは、AIエージェントが作業する前提でライフサイクルを組み直し、ポリシーに基づくガバナンスと監査証跡を備えたものです。多くのチームは前者から後者へ、フェーズごとに少しずつ移行します。

## Related

- [AI SDLCとは?](https://automo.build/learn/what-is-an-ai-sdlc)
- [AIエージェント開発ライフサイクル](https://automo.build/learn/agent-development-lifecycle)
- [AI SDLCフレームワーク](https://automo.build/learn/ai-sdlc-framework)
- [AI SDLC成熟度診断](https://automo.build/tools/ai-sdlc-maturity)
- [Guardrails: 統治されたマージ](https://automo.build/platform/guardrails)
- [自動QA](https://automo.build/platform/qa)
- [Automo vs 従来型開発](https://automo.build/compare/traditional-software-development)
- [既存コードベースへのAI](https://automo.build/use-cases/existing-codebase-ai)

Canonical page: https://automo.build/ja/learn/ai-in-the-sdlc
Site overview for agents: https://automo.build/llms.txt
