目次

AIでコードを書く時間が短くなると、計画、レビュー、テスト、リリースが開発全体の待ち時間を左右します。SDLCをAIに合わせて見直し、成果物ごとに人が判断する仕組みを作るのが、このプレイブックの要点です。

要点#

  • 計画から保守までの6段階を、手作業の引き継ぎではなく成果物でつなぐ。
  • intent.md、spec.md、plan.mdをバージョン管理し、決定と変更の記録を残す。
  • CLAUDE.mdやスキルで組織の知識を共有し、フックで必須のルールを強制する。
  • AIにテストとレビューをさせ、人は意図やリスクなど判断が必要な箇所に集中する。
  • まず一つの作業で試し、所要時間や手戻りを記録してから対象を広げる。

6段階を成果物でつなぐ#

AIネイティブのSDLCでは、各段階の成果物を次の段階が読み込みます。計画ではintent.md、設計ではspec.md、構築ではplan.mdとコード、テストでは実行結果、導入ではレビュー記録、保守ではインシデント記録が中心です。

それらをリポジトリに置けば、変更履歴をたどりやすくなります。Jiraや要件管理ツールを使っている組織は、どのシステムを正式な記録元にするか決め、もう一方からリンクします。二重管理のまま始める場合も、成果物にレコードID、既存システムにコミットSHAを記録します。

各段階では人が承認し、その承認を次の作業の開始条件にします。仕組みが整ったら、承認済みのintent.mdから仕様書を作るなど、後続作業の自動実行を検討できます。

意図から実装計画へ#

最初に、アイデアの発案者がClaudeと話しながらintent.mdを作ります。問題、望む結果、影響するユーザーやシステム、制約、未解決の質問を書けば、正式な要件書を待たずに検討を始められます。プロダクトオーナーはコミット前に内容を確認し、次の段階に進めるか判断します。

承認後、Claudeが組織のルールを踏まえたspec.mdを作成し、プロダクトオーナーがレビューします。続いてエンジニアはClaude Codeのプランモードで、変更するファイル、作業順、テスト方法、リスクを含むplan.mdを作ります。エンジニアが計画を承認してから実装に移ります。

この順序なら、設計上の問題をコードを書き始める前に見つけられます。実装が計画から外れた場合は、コードだけでなく計画も更新し、後から差分と照合できるようにします。

組織の知識をコードに近づける#

CLAUDE.mdには、ビルドやテストのコマンド、重要な設計規約、エージェントが間違えやすい点を記載します。/initで作った内容をそのまま残すのではなく、作業開始時に役立つ情報に絞り、リポジトリで共有します。Claudeが同じ間違いを繰り返したら、修正を追記するのが一つの目安です。

組織のセキュリティやAPI設計のルールは、スキルとしてまとめられます。ただし、スキルはAIへの指示であり、必ず守らせる仕組みではありません。認証情報を含む変更を止める、保護対象のファイルを編集させない、といった必須ルールはフックやCIでも検査します。

作業を並行させるなら、タスクごとに独立したGit worktreeを使います。最初は2〜3セッション程度にとどめ、レビューが追いつく範囲で増やすのが現実的です。

テストとレビューを早める#

作業中、Claudeがテスト、ビルド、lintを実行できるようにします。完了条件を具体的に書き、結果を報告に含める運用にすると、人が確認する前に問題を直せます。バグ修正なら、先に失敗するテストを作って原因を再現し、修正後もそのテストを変更せずに通す方法が使えます。

UIの変更では、承認済みのモックとスクリーンショットを比較します。プレイブックでは、2〜3回の修正を目安にしています。重要なのは回数そのものより、テストや画面比較の結果を見て改善できるループを用意することです。

CIには、Claudeの設定を検査する評価も加えられます。実際の作業から20〜50件のタスクを集め、プロンプトと合格条件を記録します。モデル、スキル、フックなどの変更時に実行し、合格率が下がった変更は確認します。本番インシデントも評価に追加すれば、同じ問題の再発を検出しやすくなります。

リリースと保守を人につなぐ#

PRでは、AIが組織のルールに沿ってレビューし、指摘を重大度順にまとめます。人はすべての行を同じ深さで読むのではなく、変更の意図やリスク、重要な指摘に注目できます。規制対象のコードや影響の大きい変更には、人の承認を残します。

マージ後は、本番の監視結果を次の改善につなげます。管理基準から外れた事象を調査し、必要なら新しいintent.mdや回帰テストに反映します。これで保守が独立した終点ではなく、次の計画に戻るループになります。

効果は、仕様作成までの時間、初回の実装でマージできた割合、CIの初回合格率、レビュー時間、手戻り回数などで追えます。導入前の値も記録し、同じ指標を比べてください。数値の変化だけでなく、レビュー品質やインシデントも確認します。

次の一歩#

直近の小さな変更を一つ選び、intent.mdとplan.mdを作ってテスト結果とともにリポジトリへ記録し、計画からマージまでの時間と手戻り回数を測ってみましょう。

出典: https://claude.com/ja/resources/articles/the-ai-native-sdlc-playbook

目次