AI駆動開発と仕様駆動開発の違いとは?選定基準・使い分け方を実務視点で解説

「AI駆動開発と仕様駆動開発、自社のプロジェクトにはどちらが合うのか」。AI活用が開発現場に浸透するにつれ、この問いに直面する企業が増えています。
しかし、この問い自体に落とし穴があります。両者は「どちらかを選ぶ」ものではなく、プロジェクトの不確実性に応じて使い分けるものだからです。
AI駆動開発はプロトタイプを先に作り、フィードバックを通じて仕様を後から固めていくアプローチ。仕様駆動開発は仕様書を先に確定させ、その仕様に基づいてAIにコードを生成させるアプローチ。両者の違いは「AIを使うかどうか」ではなく、「仕様をいつ確定させるか」という設計思想にあります。
本記事では、5つの比較軸による構造的な違いの整理から、自社プロジェクトへの適用判断に使える3つの診断条件、業界別の傾向マップ、そしてフェーズごとの使い分け方と切り替えタイミングの見極め方まで、実務で使える判断基準を体系的にまとめました。
AI駆動開発と仕様駆動開発は「何が」違うのか
この2つの開発手法は、「AIを使うかどうか」ではなく、「仕様をいつ確定させるか」という設計思想の違いで分かれます。

違いの構造を理解するために、以下の4つの観点で整理します。
- AI駆動開発の定義と、ありがちな誤解
- 仕様駆動開発の基本構造
- AI駆動開発の基本構造
- 5つの軸で見る比較表
そもそもAI駆動開発とは?AIがコードを書く開発”ではない”
AI駆動開発(AI-Driven Development)とは、AIエージェントを開発プロセスの中核に組み込み、人間とAIが役割を分担しながらソフトウェアを構築する手法です。
ここで最初に排除すべき誤解が1つあります。「AI駆動開発=AIがコードを自動生成する開発」という理解です。
コードの自動生成は、AI駆動開発を構成する機能の一部にすぎません。AI駆動開発の本質は、開発サイクルそのものの設計思想にあります。つまり、「何を作るか」が曖昧な状態からスタートし、プロトタイプとフィードバックの反復を通じて仕様を収束させていくプロセス設計そのものを指しています。
2025年にOpenAI共同創業者のAndrej Karpathyが提唱した「バイブコーディング」は、自然言語でAIに意図を伝えて即興的にコードを生成するスタイルでした。
AI駆動開発はその延長線上にありますが、決定的に異なるのは開発者がコードと成果物に対して責任を持つという前提です。AIが生成したコードを人間がレビューし、アーキテクチャの意思決定は人間が行う。この責任分界点の有無が、バイブコーディングとAI駆動開発を分ける境界線になります。
現在のAI駆動開発は、以下の3階層に整理できます。
| 階層 | 概要 | 代表ツール |
|---|---|---|
| バイブコーディング | 自然言語で指示し、AIが即座にコード生成。開発者はコードを読まず、実行結果で判断する | Cursor(Vibeモード)、Bolt |
| エージェンティックコーディング | AIがコードの生成・修正・テストを自律実行するが、開発者がレビューし責任を持つ | Devin、Claude Code、Cursor Agent |
| 仕様駆動開発(SDD) | AIを活用して仕様書を先に生成し、その仕様に基づいてコードを実装する | AWS Kiro(Specモード)、GitHub Spec Kit |
この記事で扱う「AI駆動開発」は、主に上2つの階層、バイブコーディングとエージェンティックコーディングを含むプロトタイプ先行型のアプローチを指します。そして「仕様駆動開発」は3つ目の階層であり、仕様書を起点とするアプローチです。
両者はAIを活用するという点では共通していますが、開発プロセスにおける「出発点」がまるで逆になります。
仕様駆動開発の基本構造|要件定義→設計→実装→テストの一方通行
仕様駆動開発(Spec-Driven Development / SDD)の骨格は、「仕様書を唯一の真実(Single Source of Truth)として扱い、その仕様に基づいてAIにコードを生成させる」という一点に集約されます。
プロセスの流れは以下の通りです。
まず、自然言語のプロンプトから、AIがユーザーストーリーと受け入れ条件を自動生成します。AWS Kiroの場合、EARS記法(Easy Approach to Requirements Syntax)に基づいて要件を形式化していきます。
次に、要件からAPI設計、データモデル、画面遷移図などの技術設計書をAIが自動生成。この段階で人間がレビューし、仕様を確定させます。
仕様が確定したら、その仕様書をコンテキストとしてAIに渡し、コードを生成。各成果物は「どの仕様に基づいて作られたか」というトレーサビリティ(つまり、要件と実装の対応関係を追跡できる状態)を保持します。
最後に、仕様書の受け入れ条件に基づいてテストケースを自動生成し、検証を実施。
このプロセスの特徴は、「設計が完了するまで実装に入らない」という原則を厳守する点にあります。従来のウォーターフォール開発と構造上は似ていますが、仕様書の作成・更新にAIを活用することで、設計工数を圧縮しつつ一貫性を担保できるという点が決定的に異なります。
ただし、このプロセスにはトレードオフがあります。仕様の精度が開発の品質を直接規定するため、「仕様の誤りが発覚した時点で、手戻りコストが一気に拡大する」というリスクを構造的に内包しています。仕様駆動開発が機能するのは、「何を作るべきか」が事前に言語化できるプロジェクトに限定される、というのが実務上の制約です。
AI駆動開発の基本構造|プロトタイプを起点に仕様が後から固まる
AI駆動開発のプロセスは、仕様駆動開発とは逆の順序をたどります。
まず、自然言語で「こういうものが欲しい」と伝え、AIが動くプロトタイプを数時間〜数日で生成します。この段階では仕様書は存在しません。
次に、ステークホルダーがプロトタイプを操作し、「ここが違う」「この機能は不要」というフィードバックを返します。AIがそのフィードバックを反映してプロトタイプを修正するサイクルを繰り返していきます。
プロトタイプが一定の精度に達した時点で、動いているコードから仕様書を逆生成。ここで初めて「何を作ったか」が文書化されます。
最後に、確定した仕様に基づいてコードのリファクタリング(つまり、動作を変えずにコードの構造を改善する作業)とテストの追加を実施します。
このプロセスが有効に機能する前提条件は、「要件が不確実であること」です。新規事業やPoC(概念実証)のように、「何を作るか」自体がまだ決まっていない局面では、仕様書を先に書くこと自体が不可能か、書いたとしても高確率で書き直しが発生することでしょう。
AI駆動開発のリスクは、仕様駆動開発とは逆の場所に発生します。プロトタイプの速度に依存するあまり、アーキテクチャの一貫性が崩壊するという問題です。フィードバックのたびに場当たり的な修正を重ねた結果、技術的負債が蓄積し、ある時点で「作り直したほうが早い」という状態に陥る。これがAI駆動開発における最大の構造的リスクになります。
比較表で見る5つの違い|プロセス・成果物・役割分担・コスト発生・リスクの所在
| 比較軸 | AI駆動開発 | 仕様駆動開発(SDD) |
|---|---|---|
| プロセスの起点 | 動くプロトタイプ → 仕様は後から確定 | 仕様書 → 仕様に基づいて実装 |
| 主な成果物 | プロトタイプ → コード → 事後的な仕様書 | 仕様書(SSOT) → コード → テスト結果 |
| 人間の役割 | フィードバック提供、アーキテクチャ判断、コードレビュー | 要件の言語化、仕様のレビュー・承認、品質検証 |
| コスト発生のパターン | 初期コストが低く、反復のたびに増加。仕様変更コストは低いが、技術的負債の返済コストが後半に集中 | 初期の設計コストが高い。仕様確定後の変更コストが高額。ただし、仕様通りに進めば後半のコストは安定 |
| リスクの所在 | アーキテクチャの一貫性崩壊、技術的負債の蓄積、「動くが保守できない」コードの増殖 | 仕様の誤り・漏れが後工程で発覚した際の手戻りコスト、要件変更への対応硬直性 |
この表から読み取れるのは、「どちらが優れているか」ではなく、「プロジェクトが抱える不確実性の種類によって、リスクの発生箇所が変わる」という構造です。
要件が明確なら、仕様駆動開発のほうがコストの予測可能性が高くなります。要件が不確実なら、AI駆動開発のほうが手戻りコストを抑えられるでしょう。この判断基準を具体的にどう適用するかは、次章で詳しく整理します。
AI駆動開発と仕様駆動開発|選定で迷ったときに確認すべき3つの条件
手法の違いを理解しても、自社のプロジェクトにどちらを適用すべきかは判断できません。選定の精度を上げるには、プロジェクトの性質を「3つの条件」で診断する必要があります。
具体的には、以下の3点です。
- 要件の言語化可能性
- 仕様変更の発生頻度
- 初期成果物に求められる完成度
条件①:要件は今の時点で言語化できるか
最初に確認すべきは、「作りたいものを、開発着手前に仕様書として書き切れるか」という問いです。
この問いに対する回答は、3段階に分かれます。
| 言語化の度合い | 状態の定義 | 適合する手法 |
|---|---|---|
| 完全に言語化可能 | 業務フロー、入出力仕様、画面遷移、例外処理をすべて文書化できる | 仕様駆動開発 |
| 部分的に言語化可能 | 主要機能の方向性は決まっているが、細部の仕様は未確定 | AI駆動開発(探索)→ 仕様駆動開発(収束)のハイブリッド |
| 言語化が困難 | 「何を作るか」自体がまだ仮説段階。ユーザーの反応を見て方向性を決めたい | AI駆動開発 |
実務で見落とされがちなのは、「言語化できているつもり」の状態です。発注側が「要件は固まっている」と主張していても、開発に入ると「画面Aからの遷移先が未定義」「エラー時の挙動が決まっていない」といった未定義項目が次々と発覚する。
これは要件が固まっているのではなく、要件の解像度が粗いまま「固まった」と認識されているにすぎません。
この見極めに使える実務的な指標が1つあります。「例外処理とエッジケースの定義率」です。
主要な業務フローだけでなく、「入力値が不正だった場合」「外部APIがタイムアウトした場合」「同時アクセスが集中した場合」といった例外パターンまで記述できているかどうか。ここが埋まっていなければ、要件は「言語化できていない」と判断すべきでしょう。
条件②:リリースまでに仕様変更は何回起きそうか
2つ目の条件は、プロジェクト期間中に仕様変更が何回発生するかの見込みです。

仕様変更の発生頻度は、手法選定に対して以下のように作用します。
| 仕様変更の頻度 | 仕様駆動開発への影響 | AI駆動開発への影響 |
|---|---|---|
| 月0〜1回 | 影響は軽微。変更管理プロセスで吸収可能 | AI駆動開発を選ぶメリットが薄い。設計の一貫性が保てる仕様駆動のほうが合理的 |
| 月2〜4回 | 変更のたびに仕様書の改訂→影響範囲の再検証が発生。工数が膨張しやすい | AI駆動開発の機動性が活きる。プロトタイプの修正サイクルで吸収できる |
| 月5回以上 | 仕様書の信頼性が維持できない。「仕様書と実装の乖離」が常態化する | AI駆動開発が前提となる。ただし、アーキテクチャの崩壊リスクへの対策が必須 |
ここで注意すべきは、「仕様変更の回数」と「仕様変更のコスト」は比例しないという点です。
仕様駆動開発における仕様変更コストは、プロジェクトの進行度に対して指数関数的に増加します。要件定義フェーズでの変更コストを1とした場合、設計フェーズでは3〜5倍、実装フェーズでは10〜20倍、テストフェーズでは30〜50倍に膨れ上がるというのが、ソフトウェア工学における一般的な知見です。
一方、AI駆動開発では、プロトタイプの修正コストは比較的フラットに推移します。ただし、これはアーキテクチャが健全に保たれている場合に限った話です。技術的負債が蓄積した状態で仕様変更が重なると、AI駆動開発でも修正コストは急激に跳ね上がります。
つまり、どちらの手法を選んでも、仕様変更コストの爆発を回避する仕組みが別途必要になるということです。
条件③:「まず動くもの」と「完成品」、先に必要なのはどちらか
3つ目の条件は、プロジェクトの初期段階で求められるアウトプットの性質です。
この問いは、ステークホルダーの期待値と直結します。
| 初期に求められるもの | 具体的な状況 | 適合する手法 |
|---|---|---|
| 動くプロトタイプ | 経営層への投資判断材料、ユーザーテスト用のMVP、社内稟議を通すためのデモ | AI駆動開発 |
| 仕様書・設計書 | 監査法人への提出書類、規制当局への申請資料、RFP(提案依頼書)への回答 | 仕様駆動開発 |
| 品質保証された完成品 | 基幹システムのリプレース、医療機器のソフトウェア、金融取引システム | 仕様駆動開発 |
見落とされがちなのは、「誰が」初期成果物を評価するかという変数です。
評価者が技術者であれば、コードの品質やアーキテクチャの合理性が判断基準になるため、仕様駆動開発で作られた設計書が有効に機能します。
一方、評価者が経営層や非技術者の場合、仕様書を渡されても判断材料にはなりません。「画面を触って動きを確認したい」という要求が出る局面では、AI駆動開発でプロトタイプを先に見せるほうが、意思決定の速度が上がるでしょう。
つまり、手法の選定は技術的な要件だけでなく、プロジェクトにおける意思決定構造によっても左右されるということです。
あなたのプロジェクトはどのパターンに当てはまるか
3つの条件を組み合わせると、プロジェクトは以下の4パターンに分類できます。

| パターン | 要件の言語化 | 仕様変更の頻度 | 初期成果物 | 推奨手法 |
|---|---|---|---|---|
| A 探索型 | 困難 | 月5回以上 | 動くプロトタイプ | AI駆動開発 |
| B 段階型 | 部分的に可能 | 月2〜4回 | 動くプロトタイプ → 仕様書 | AI駆動 → 仕様駆動のハイブリッド |
| C 計画型 | 完全に可能 | 月0〜1回 | 仕様書・設計書 | 仕様駆動開発 |
| D 規制型 | 完全に可能 | 月0〜1回 | 品質保証された完成品 | 仕様駆動開発(第三者検証付き) |
多くの企業が陥りやすいのは、自社のプロジェクトがパターンBに該当するにもかかわらず、パターンCの手法を選んでしまうケースです。
「要件はだいたい固まっている」という主観的な判断で仕様駆動開発を選び、プロジェクト中盤で仕様変更が頻発し、スケジュールが崩壊する。この構図は開発手法の問題ではなく、自社プロジェクトの不確実性を過小評価した結果として発生します。
逆のパターンも存在します。パターンDに該当する規制領域のプロジェクトでAI駆動開発を採用し、「動くものはできたが、監査に通らない」という事態に陥るケースです。どちらの失敗も、手法そのものの欠陥ではなく、条件の診断精度が不足していることに起因しています。
AI駆動開発が効く現場、仕様駆動開発を崩せない現場
前章で整理した3条件は、プロジェクト単位の判断基準でした。ここからは視点を「業界・現場の特性」に移し、どの領域でどちらの手法が構造的に適合するかを整理します。
具体的には、以下の3点です。
- AI駆動開発が効果を発揮する4つの現場類型
- 仕様駆動開発を崩せない4つの領域とその理由
- 業界別の傾向マップ
AI駆動が効く現場【新規事業・PoC・社内ツール・MVP検証】
AI駆動開発が構造的に適合するのは、**「正解が存在しない状態で、試行錯誤を通じて正解を見つけに行く」**現場です。
| 現場類型 | AI駆動開発が効く理由 | 具体的な活用場面 |
|---|---|---|
| 新規事業開発 | 市場ニーズが仮説段階のため、仕様を事前に確定させること自体がリスク。プロトタイプでユーザーの反応を検証し、仕様を後から固めるプロセスが合理的 | 新規SaaSのコンセプト検証、社内新規事業の初期フェーズ |
| PoC(概念実証) | 目的が「技術的に実現可能かどうか」の検証であり、品質保証や運用設計は後工程。動くものを最短で作ることが唯一の評価指標 | AI画像認識の精度検証、外部API連携の技術検証 |
| 社内ツール | ユーザーが社内メンバーに限定されるため、セキュリティ要件や法規制の制約が外部向けプロダクトより低い。フィードバックサイクルも短く回せる | 業務効率化ダッシュボード、社内FAQ検索ツール、データ集計の自動化 |
| MVP検証 | Minimum Viable Productの目的は、最小機能で市場の反応を測ること。完成品ではなく「検証可能な最小単位」を最速で市場に出すことが優先される | toC向けアプリのβ版、サブスクリプションサービスの初期リリース |
これら4つの類型に共通しているのは、「仕様の確定よりも、学習の速度が優先される」という構造です。
ここで実務上の注意点を1つ挙げておきます。AI駆動開発が効く現場であっても、「PoCの成果物をそのまま本番環境に移行する」という判断は、ほぼ確実に失敗します。
PoCで生成されたコードは、速度を優先して技術的負債を意図的に許容した状態で書かれているためです。本番移行の際には、アーキテクチャの再設計とコードのリファクタリングが避けられません。この工程を省略してしまうと、「動くが壊れやすいシステム」が本番に載ることになります。
EPICsが手がけるAI駆動開発では、PoC完了後に「本番移行判定」というゲートを設け、アーキテクチャレビューとセキュリティ監査を通過した機能のみを本番環境に移行するプロセスを採用しています。PoCと本番の境界を曖昧にしないことが、AI駆動開発を事業成果につなげるための前提条件です。
仕様駆動を崩せない現場【医療・金融・基幹システム・法規制領域】
一方、仕様駆動開発を「崩せない」現場が存在します。ここで「崩せない」と表現するのは、手法の優劣ではなく、外部制約によってプロセスの順序が強制されるためです。
| 領域 | 仕様駆動が不可欠な理由 | 外部制約の具体例 |
|---|---|---|
| 医療機器ソフトウェア | 薬機法(医薬品医療機器等法)により、ソフトウェアの設計・検証プロセスが法的に規定されている。「動くものを作ってから仕様を書く」というプロセスは、法的に認められない | IEC 62304(医療機器ソフトウェアライフサイクル規格)への準拠が必須 |
| 金融システム | 金融庁の監督指針により、システムリスク管理態勢の整備が求められる。開発プロセスの文書化・トレーサビリティが監査対象となる | FISC安全対策基準への準拠、外部監査法人による検証 |
| 基幹システム | 会計・人事・生産管理などの基幹系は、データの整合性と可用性が事業継続に直結する。段階的な試行錯誤が許容されない | 会計監査への対応、内部統制報告制度(J-SOX)への準拠 |
| 法規制領域全般 | 個人情報保護法、電子帳簿保存法、各業法の技術要件など、法令が開発プロセスの文書化を要求する領域 | 行政への届出書類として設計書・テスト結果の提出が必要 |
これらの領域では、「仕様書が存在すること」自体が法的・制度的な要件です。プロトタイプから逆生成した仕様書では、「この仕様はいつ、誰が、どのような根拠で承認したか」というトレーサビリティを証明できません。
ただし、仕様駆動が不可欠な領域であっても、仕様書の作成プロセスにAIを活用することは可能です。たとえば、要件定義のたたき台をAIで生成し、人間がレビュー・承認するという運用であれば、仕様駆動のプロセスを維持しながら設計工数を圧縮できるでしょう。
AWS Kiroが仕様駆動開発のツールとして設計されている背景にも、この「AIで仕様を作り、人間が承認する」という構造があります。
「仕様駆動を崩せない」のは開発プロセスの順序であり、各工程におけるAIの活用まで禁じられているわけではありません。この区別を正確に理解しておくことが、規制領域でのAI活用を検討する際の出発点になるはずです。
「うちの業界はどっち?」と聞かれたら?業界別の傾向マップ
業界ごとの傾向を一覧化すると、以下のようになります。

| 業界 | 主な開発対象 | 推奨手法の傾向 | 判断の根拠 |
|---|---|---|---|
| 製造業 | 生産管理システム、IoTデータ基盤 | 基幹系は仕様駆動 / IoT・AI活用のPoCはAI駆動 | 基幹系はJ-SOX対応が必要。IoT系は要件が流動的 |
| 医療・ヘルスケア | 電子カルテ連携、診断支援AI | 仕様駆動が基本 / 研究用プロトタイプのみAI駆動 | 薬機法・IEC 62304による制約 |
| 金融・保険 | 勘定系、審査エンジン、顧客管理 | 仕様駆動が基本 / 社内分析ツールはAI駆動 | FISC基準・金融庁監督指針による制約 |
| 小売・EC | 顧客向けアプリ、レコメンドエンジン | AI駆動との親和性が高い | 要件変更が頻繁、A/Bテスト文化との相性 |
| 不動産 | 物件管理、査定ツール、顧客マッチング | AI駆動で立ち上げ → 仕様駆動で安定化 | 初期は仮説検証が中心、運用フェーズで品質要求が上がる |
| 物流 | 配車最適化、倉庫管理、需要予測 | 基幹系は仕様駆動 / 最適化アルゴリズムのPoCはAI駆動 | 基幹系はSLA(サービスレベル合意)が厳格 |
| 教育 | LMS(学習管理)、教材生成、学習分析 | AI駆動との親和性が高い | ユーザー(教員・学生)のフィードバックを反映しやすい |
| 建設 | 施工管理、BIM連携、安全管理 | 仕様駆動寄り / 現場向けモバイルアプリはAI駆動 | 建設業法・安全基準による制約が部分的に存在 |
| SaaS・スタートアップ | プロダクト全般 | AI駆動が基本 / PMF後に仕様駆動へ移行 | PMF(Product-Market Fit)達成前は仕様の確定が不可能 |
この表を「うちの業界は左の列だからこっち」と機械的に適用するのは危険です。同じ業界でも、開発対象が基幹系なのか周辺系なのか、社内向けなのか社外向けなのかで、適合する手法は変わってきます。
たとえば、金融業界であっても、社内のデータ分析ダッシュボードであればAI駆動開発で十分対応可能です。逆に、スタートアップであっても、決済機能や個人情報を扱う機能は仕様駆動で設計すべきでしょう。
業界で手法を選ぶのではなく、「そのプロジェクトが抱える制約条件」で手法を選ぶ。 この原則を外さなければ、業界を問わず適切な判断に到達できるはずです。
AI駆動と仕様駆動は”選ぶ”ものではなく”使い分ける”もの
ここまでの内容を読んで、「自社のプロジェクトはAI駆動」「この案件は仕様駆動」と二者択一で結論を出した方がいるかもしれません。しかし、実務ではその判断が正しく機能しないケースが頻発します。
理由は単純で、1つのプロジェクトの中でも、フェーズが進むごとに不確実性の構造が変化するからです。
同じプロジェクトでもフェーズごとに最適解は変わる
プロジェクトの進行に伴い、不確実性は以下のように推移します。
| フェーズ | 不確実性の状態 | 主な活動 | 適合する手法 |
|---|---|---|---|
| ① 探索フェーズ | 何を作るか自体が未確定。仮説が複数存在する | 市場調査、ユーザーインタビュー、コンセプト検証 | AI駆動開発 |
| ② 検証フェーズ | 方向性は定まったが、機能の優先順位や詳細仕様は流動的 | プロトタイプによるユーザーテスト、機能の取捨選択 | AI駆動開発 |
| ③ 収束フェーズ | 主要機能の仕様が確定し始める。非機能要件(性能・セキュリティ)の定義が必要 | アーキテクチャ設計、API仕様の確定、データモデルの正規化 | AI駆動 → 仕様駆動への移行地点 |
| ④ 実装フェーズ | 仕様が確定済み。品質・保守性・運用性が求められる | 本番コードの実装、テスト、CI/CDの整備 | 仕様駆動開発 |
| ⑤ 運用フェーズ | 安定稼働が最優先。機能追加は計画的に実施 | 監視、障害対応、定期的な機能改善 | 仕様駆動開発(変更管理プロセス付き) |
この推移が示しているのは、「AI駆動か仕様駆動か」はプロジェクト開始時に1回決める判断ではなく、フェーズの移行に合わせて切り替える運用判断だということです。
クラウドエースが提唱している「探索と収束のサイクル」という概念は、まさにこの構造を言語化したものです。不確実性が高い局面ではAI駆動開発で探索し、不確実性が低下した局面で仕様駆動開発に収束させる。この切り替えを意図的に設計することが、両手法の強みを引き出す前提条件になります。
実践パターン:探索フェーズはAI駆動、実装フェーズは仕様駆動に切り替える
具体的に、ハイブリッド型の開発はどのようなプロセスで進むのか。EPICsが実際に運用しているパターンを整理します。

フェーズ1. AI駆動による探索(期間目安は2〜4週間)
この段階では、CursorやClaude Codeなどのエージェンティックコーディングツールを使い、動くプロトタイプを複数パターン生成します。目的は「仕様を決めること」ではなく、「仕様を決めるための材料を揃えること」です。
ここでの成果物は、動作するプロトタイプ(2〜3パターン)、ユーザーテストのフィードバックログ、そして「採用する機能」と「捨てる機能」の判断記録の3点に限定します。
仕様書はこの段階では作成しません。作成しても、次のフィードバックサイクルで書き直しが発生するためです。仕様書の作成工数が無駄になるだけでなく、「せっかく書いた仕様だから」という心理的バイアスが意思決定を歪めるリスクも発生します。
フェーズ2. 仕様への変換(期間目安は1〜2週間)
プロトタイプの検証が完了し、「何を作るか」が収束した時点で、手法を仕様駆動に切り替えます。
この段階ではまず、プロトタイプから要件定義書を逆生成します(AIで草案を作成し、人間がレビュー)。次にアーキテクチャを再設計し、プロトタイプで蓄積された技術的負債を清算。そのうえでAPI仕様書・データモデル定義書を作成し、テスト計画の策定まで進めます。
ここで重要なのは、プロトタイプのコードは本番コードとして引き継がないという原則です。プロトタイプはあくまで「仕様を確定するための実験材料」であり、本番コードは確定した仕様書に基づいてゼロから実装します。
「プロトタイプがそのまま使えるのに、なぜ作り直すのか」という疑問は必ず出ることでしょう。回答は明確で、プロトタイプのコードは速度を優先して書かれているため、エラーハンドリング、セキュリティ対策、パフォーマンス最適化、保守性のいずれもが不足しています。
このコードを本番に載せると、運用開始後の障害対応コストと改修コストが、作り直しのコストを上回るのが通例です。
フェーズ3. 仕様駆動による実装(期間目安はプロジェクト規模による)
確定した仕様書に基づき、本番コードを実装します。この段階では、AWS KiroのSpecモードやGitHub Spec Kitのようなツールを活用し、仕様とコードのトレーサビリティを維持しながら開発を進めていきます。
使い分けで失敗する企業に共通する「切り替えタイミングの見誤り」
ハイブリッド型の運用で最も失敗頻度が高いのは、AI駆動から仕様駆動への切り替えタイミングの判断です。
切り替えが早すぎる場合と遅すぎる場合で、発生する問題の構造が異なります。
| 失敗パターン | 発生する問題 | 根本原因 |
|---|---|---|
| 切り替えが早すぎる | 仕様を確定した直後に「やはりこの機能は不要だった」「別の機能が必要だった」と判明し、仕様書の大幅改訂が発生。仕様駆動開発のメリットであるはずの「計画通りに進む」という前提が崩壊する | 探索フェーズで十分な検証を行わず、仮説の段階で仕様を確定させてしまった |
| 切り替えが遅すぎる | プロトタイプの修正を繰り返すうちに、コードベースが肥大化し、技術的負債が返済不能なレベルに蓄積。「動くが誰も保守できないシステム」が出来上がる | 「もう少し検証すれば確信が持てる」という判断保留が常態化し、切り替えの意思決定が先送りされ続けた |
切り替えタイミングを判断するための実務的な基準は、以下の3つです。
1つ目はフィードバックの収束度です。直近3回のユーザーテストで、フィードバックの内容が「新機能の追加要望」から「既存機能の改善要望」に変化しているかどうか。前者が主流であれば探索フェーズを継続すべきであり、後者が主流になっていれば仕様確定に移行するタイミングです。
2つ目は機能の取捨選択が完了しているかどうかです。「この機能は入れる、この機能は入れない」という判断が、ステークホルダー間で合意されているかを確認しましょう。合意が取れていない機能が残っている状態で仕様を確定させると、後から「やっぱり入れてほしい」という追加要求が発生し、仕様書が形骸化してしまいます。
3つ目は非機能要件を定義できる状態になっているかです。性能要件(同時接続数、レスポンスタイム)、セキュリティ要件(認証方式、データ暗号化)、可用性要件(稼働率、障害復旧時間)を具体的な数値で定義できるかどうか。これらが定義できない段階では、アーキテクチャ設計に着手しても手戻りが発生します。
この3つの基準がすべて満たされた時点が、AI駆動から仕様駆動への最適な切り替えポイントです。逆に言えば、1つでも満たされていなければ、探索フェーズを延長すべきという判断になります。
切り替えの判断を「なんとなく」や「スケジュールの都合」で行うのではなく、客観的な基準に基づいて実行すること。これが、ハイブリッド型の開発を成功させる最大の変数です。
AI駆動開発ならEPICs株式会社
「AI駆動開発に興味はあるが、自社のプロジェクトに本当に適合するのかわからない」「プロトタイプは作れても、本番環境への移行で失敗したくない」。そんなお悩みをお持ちであれば、EPICs株式会社にご相談ください。
当社は、AI駆動開発を軸としたソフトウェア開発企業です。単なるプロトタイプの構築にとどまらず、「そもそもAI駆動開発が最適な手法なのか、仕様駆動開発で進めるべきか」という手法選定の段階からご支援しています。
本記事で解説した通り、AI駆動開発と仕様駆動開発は二者択一ではなく、プロジェクトの不確実性に応じて使い分けるものです。当社では、貴社の事業フェーズ・業界特性・社内体制を丁寧にヒアリングしたうえで、探索フェーズと実装フェーズの切り替え設計を含めた開発プランをご提案します。
開発ありきではなく、課題起点で最適な手法と進め方を設計する。要件の整理からプロトタイプ検証、仕様確定、本番実装、運用定着まで一貫したサポート体制を整えています。
AI駆動開発の導入や開発手法の選定についてお悩みの方は、まずはお気軽にご相談ください。貴社のプロジェクト特性に合わせた最適なご提案をいたします。

コメント