AI開発で6時間半かかった原因は「要件の出し方」だった──実践から学ぶ効率的な指示設計

「この検証、終わってたっけ?」という軽い確認から始まった金曜の夕方。実装計画のドキュメントを書き上げて終わったのは夜9時半──所要時間6時間30分。使っていたのは2026年リリースの最先端AIでした。

この事例が示唆するのは、AI開発における本質的な課題です。多くの開発者が「AIがもっと賢くなれば生産性が上がる」と考えがちですが、実際のボトルネックは別のところにあります。

投稿者の実体験によれば、作業が長引いた原因は**AIの性能不足ではなく、要件の出し方**にありました。在庫管理システムという具体的なドメインに置き換えられていますが、この構造は業種を問わず普遍的です。

典型的な失敗パターンは以下の通りです:

これらの問題は、AIが賢くなっても解決しません。むしろ、AIが高性能であるほど、曖昧な指示に対して「それらしい答え」を返してしまい、本質的な要件のずれに気づきにくくなります。

人間同士のコミュニケーションとの違い

従来、開発チームでは要件が曖昧でも「あの件ですよね?」「先週話していた仕様のことですか?」と確認し合えました。人間は文脈を補完する能力が高く、暗黙の了解も通用します。

しかしAIとのやり取りでは、**明示されていない情報は存在しないも同然**です。ChatGPT、Claude、GitHub Copilotなど、どのツールを使っても同じです。AIは「察する」ことはできません。

メリット:再現性と一貫性

一方で、要件を正しく定義できれば、AIは驚くほど一貫した品質で出力を返します。人間なら疲労や気分に左右される作業も、AIは同じ精度で繰り返します。この特性を活かすには、**投資すべきは「最初の要件定義」**です。

注意点:「対話的改善」の罠

AIツールの多くは対話型UIを採用しています。これが「とりあえず聞いてみて、後から修正すればいい」という姿勢を生みがちです。しかし実際には:

適用範囲:どんな場面で特に重要か

この「要件定義ファースト」のアプローチは、以下のケースで特に効果を発揮します:

逆に、単発の簡単なコード生成や、試行錯誤が前提の探索的タスクでは、対話的に進める方が効率的な場合もあります。

1. 「5W1Hチェックリスト」を作る

AIに指示を出す前に、以下を明文化してください:

これを箇条書きで整理するだけで、AIへの指示が劇的に明確になります。

2. 「テンプレート駆動」で一貫性を確保する

繰り返し発生するタスクには、プロンプトテンプレートを用意しましょう:

# 実装計画書作成依頼

## 背景
[プロジェクトの文脈]

## 要件
- 機能要件:[具体的に列挙]
- 非機能要件:[性能、セキュリティ等]

## 制約条件
- 技術スタック:[言語、FW等]
- 既存資産:[変更不可な部分]

## 期待する出力
- フォーマット:[Markdown/PlantUML等]
- 含めるべき項目:[アーキテクチャ図、データフロー等]

このテンプレートに毎回埋めていくことで、「言い忘れ」を防ぎます。

3. 「段階的詳細化」ではなく「一括定義→検証→実行」のフロー

従来の開発では要件を段階的に詳細化しましたが、AI活用では逆です:

1. **一括定義フェーズ**(15分):すべての要件を洗い出し、構造化

2. **検証フェーズ**(5分):AIに要件を投げる前に自分で読み返し、矛盾や抜けをチェック

3. **実行フェーズ**(5分):AIに指示を出し、出力を受け取る

4. **評価フェーズ**(10分):出力が要件を満たしているか確認

最初の15分を惜しむと、後で6時間失います。この時間配分の逆転が、AI時代の生産性を左右します。

AIがどれだけ賢くなっても、**何を作るべきかを定義するのは人間の役割**です。今回の事例が示すのは、「AI性能の限界」ではなく「要件定義スキルの重要性」です。

6時間半かかった作業は、おそらく適切な要件定義があれば30分で終わっていたでしょう。この差分の5時間は、AIの学習でもハードウェアの進化でも埋められません。

明日から、AIに指示を出す前の15分を大切にしてください。その投資が、あなたの開発生産性を10倍にします。

この情報は @ishizakahiroshi さんの投稿を参考にしています。