システムを、
共に創る。

AIはHOWの実装だけではない。要件整理・設計レビュー・アーキテクチャ案比較・テスト設計・リスク洗い出しまで支援できる。人間は目的・制約・品質基準・最終判断を担い、AIは上流から下流を高速に反復する。

AIが生成するコードの質は、渡されるコンテキストの質で決まる。「何を・どんな前提で・どこまで」を構造的に整備できるエンジニアが生産性を制する。Garbage in, garbage out はAIにも等しく適用される。

AIは一度で完成形を出すものではない。Generate → Evaluate → Improve を高速で繰り返すことで品質が上がる。レビュー・テスト・実行結果をAIへ即座にフィードバックし、改善サイクルを短く回すことが生産性を決定づける。

AI駆動開発では、コードを書く能力よりコードベースを運営する能力が重要になる。Contextを作り・Ruleを整備し・Evalを設計し・Taskを分解する。「AIが書く」のではなく「AIが働きやすい環境を設計する」ことがエンジニアの価値になる。

プロジェクトルール・設計書・ADR・Issue・MCPなど、AIが判断に必要なコンテキストを継続的に整備する。一度整備すれば、チーム全員が「プロジェクトを理解したAI」と協働できる。個人スキルではなく組織資産として機能させる点が肝。

仕様 → 受け入れ条件 → 評価 → 実装 の順で進める。受け入れ条件が明確なほどAIの出力精度が上がり、「テストが通るまでAgentに回させる」サイクルが生産性を大きく引き上げる。最上流の仕様定義の精度が、最終的な品質を決める。

大きなタスクをコンテキストウィンドウに収まる単位に分解してAIに渡す。粒度が粗いほど出力が散漫になる。「どう分割するか」の設計力そのものが、AI駆動開発における開発者の差別化要因になる。

Unit Test・Integration Test・Static Analysis・Human Review・Benchmarkをまとめて「Evals」として設計し、CIに組み込む。AIの出力を継続的に検証する仕組みを持つことで、人間がすべてをレビューするボトルネックを排除し、品質担保を自動化する。