AIでコードを書く速さが上がって、詰まる場所が実装の前後に移ってきたと感じています。
AI以前から、何を作るのかを決める前後に時間がかかるのは、よくあることでした。ディレクターやPdMの調整、お客様との合意、その周辺の領域です。プロダクト単位でも、チーム単位でも、この問題には何度も当たってきました。AIで実装が速くなった今は、この外枠のほうが、はっきりとボトルネックになっていると強く感じています。
以前の記事では、人間のコードレビューをやめたあとに、人間は品質の何を見るかを考えました。今回はその手前、プロダクトのプランニングを考えます。気になっているのは、これまで人が担ってきたプランニングや完了の定義が詰まったとき、どう動くのがよいか、という点です。
方向としては、問い合わせの段階から課題と成功条件の解像度を上げて、成果物に置くことだと考えています。それが、下流の完了の定義にそのままつながります。
詰まる場所は、実装の前後に移る
AIがコードを書き、人が必須のレビュアーとして残る。この形はスケールしない、と論じる論文があります。Martin Monperrus さんのThe End of Code Reviewです。レビューの容量は増えないので、レビュー待ちが納品の律速になる、という論理です。
ただし、この論文は新しい実証研究ではありません。既存の能力の証拠をまとめた規範的な主張で、レビュー容量の実測データは示されていません。結論も「レビューが不要になる」ではなく、人間のレビューはリスクの高い領域を監督する層に縮む、というものです。
実装が速くなった分だけ、確認が追いつかなくなる。この論理は借りられます。付け加えたいのは、レビューよりも手前にある要因です。前提が曖昧なまま並列で進めると、あとで崩れたときの手戻りが、複数の変更に及びます。エージェントが並列で動くほど、曖昧さは増幅されます。
だから、手を入れる場所は上流のプランニングだと考えています。
上げるのは、Howではなく課題と成功条件
上流の解像度を上げるといっても、細かい仕様まで固めたいわけではありません。上げたいのは次の3つです。
- 誰が、どの場面で、何に困っているのか
- 何ができたら成功とするのか
- 今回はやらないこと
粒度は粗くてかまいません。ただし「何をもって完了とするか」だけは、検証できる形で持ちます。
仕様を起点にするツールも、近い考え方です。Kiro は requirements.md を EARS 記法で書きます。WHEN [条件] THE SYSTEM SHALL [期待する振る舞い] という形なので、テストへ落としやすい要件になります。
公式ドキュメントでは、標準の Feature Spec は成果物ごとにレビューしてから次へ進み、Quick Spec は承認ゲートなしで進めると説明されています。GitHub の Spec Kit も、スキルを1つずつ実行し、結果をレビューしてから先へ進むよう求めています。
どちらも、先に決めたことを成果物に残し、後ろの工程の拠り所にしています。一方で、仕様を厚くしすぎると、そのレビュー自体が重くなります。全部に同じ解像度を求めず、効くところに絞るのが現実的です。
問い合わせを、プランニングの入口にする
プロダクトに入れる課題は、問い合わせやフィードバックから来ることが多いはずです。それを受けているのは、カスタマーサクセスやビジネスドメインを把握している人たちです。顧客の言葉と、業務の文脈の両方を持っています。
Linear が公開しているCX チームの運用を見ると、流れが具体的に分かります。
- Intercom と Slack から、Linear の triage キューに流す
- バグ用と機能要望用のテンプレートがあり、テンプレートで issue の種類が決まる
- 重複検出とラベル付けは AI が提案し、最終判断は週替わりの担当者が行う
- 機能要望は、顧客の情報と元の会話を紐づけて集約する
- PR がマージされると issue が Done になり、元の会話に更新が戻る。そのあと CX が顧客に連絡する
見たいのは、問い合わせが散らばらずに、開発側が見る場所へ入っていく流れです。人の判断は、triage と最後の確認に集まっています。
今の問い合わせの扱い方には、気になっていることがあります。集計だけで終わっていないか、という点です。集計は目的ではありません。集計して、どんな傾向があるかを見て、どう対処するかを考えるところまでが仕事です。これはデータ戦略にも直結します。
これまで、対処を考えるのは人間でした。今は、How の案は AI が出せます。出てきた回答から、人間のひらめきが生まれることもあります。問い合わせの場面ではありませんが、AI と壁打ちした経験があります。データだけでは見えなかったことが、AI に少し背中を押されて浮かぶことが、何度もありました。
だから、この流れを一歩進めたいと考えています。問い合わせを受けたその場で、AI を使って一次的な分析と方針をデータにしてしまいます。
件数の多い課題を分析結果から見極め、次に取れるアクションを PBI として貯めます。貯めるほど、課題の解像度が上がり、改善のループが回りやすくなるはずです。
PBIに持たせるもの
PBI には、次の4つを持たせたいと考えています。
- 課題の記述:誰が、どの場面で、何に困ったか
- 根拠:件数、代表的な問い合わせ文、期間
- 期待する結果:問い合わせ件数の減少、解決までの時間など
- 再現シナリオ:問い合わせの内容を操作手順にしたもの
AI の一次分析は、仮説として扱います。分類や方針案は AI が出し、ドメインを知る人が補正してから PBI に入れます。
注意したい点が2つあります。1つ目は、件数が多いことと、価値が高いことは別だということです。深刻度や解約リスクも、PBI の軸に入れておきます。2つ目は、声を上げる人に偏ることです。問い合わせの件数は、顧客全体の分布ではありません。
PBIが、そのまま完了の定義になる
PBI に根拠と再現シナリオが入っていれば、How に落とすときの完了の定義は、そこから導けます。完了は2つの層になります。
- 挙動の完了:問い合わせを再現したシナリオが、E2E テストなどで通る
- 成果の完了:リリース後に、同じ種類の問い合わせが減っている
たとえば、問い合わせが「請求書のCSVを開くと文字化けする」だったとします。再現シナリオは「CSVを出力して、表計算ソフトで開く」という手順になります。これを EARS 記法に寄せると、「CSV出力の要求があったとき、システムは、文字化けしない形式で出力する」という要件が書けます。再現シナリオがそのままテストになるので、完了は会議ではなく、テストの結果で判断できます。
1つ目の層は、実行できる検証にしておきます。Claude Code のチームは、検証をコードレビューの中心に置いています。
- リポジトリに
verifyスキルを置き、コミット前にエージェントが実行する - チェックが3ラウンド後も失敗していれば、エージェントは止まって人間を呼ぶ
- コードのオーナーが、自分のコードのチェックを書き、期待どおりに指摘するまで磨く
2つ目の層は、リリースで終わらせず、問い合わせの側で確かめます。リリースしたことと、困りごとが解けたことは、別の事実です。
人が決めるのは、課題と成功条件
全部の PBI に、同じ解像度を求めるつもりはありません。件数が多いものや、深刻度が高いものに絞って、厚くします。効果を測るなら、解像度が高い PBI と低い PBI で、手戻りとレビュー時間を比べます。
人が決めるのは、課題の定義と成功条件、そして何をもって完了とするかだと考えています。プランニングを確認する側の話は、AI時代のプランニングレビューで、人が見るものにまとめました。