Go back

AI時代のプランニングレビューで、人が見るもの

Posted on:

プランニングを、問い合わせから PBI、完了の定義までつなげる話は、前の記事に書きました。今回は、そのプランニングを確認する側の話です。

https://redamoon.net/log/post/000161/

気になっているのは、同期の時間です。カスタマーサクセスやビジネスドメインを知る人と、認識合わせや確認、レビューのたびに時間を取ってきました。この課題を、どう解くかを考えます。

方向としては、コンテキストを人の頭や会議ではなく、成果物に置くことだと考えています。そして、リリース後に起きたことを見て、その成果物を直し続けます。

プランニングレビューでは、意図を見る

エージェントが実装し、検証もある程度任せられるなら、人が見る場所は変わります。コードの差分ではなく、仕様と意図です。

  • Kiro:requirements、design、tasks の成果物ごとにレビューしてから次へ進む
  • Spec Kit:結果をレビューしてから、次のスキルへ進む
  • SDAD という論文:エージェントが検証可能な受け入れ基準を提案し、人間が承認する

人が見るのは、受け入れ基準、境界、リスクの高い判断です。Martin Monperrus さんのThe End of Code Reviewも、不確実なときや高リスクなときだけ、エージェントが人にエスカレーションする形を挙げています。すべての成果物に、同じ重さのゲートを置く必要はありません。リスクで選びます。

https://arxiv.org/abs/2606.13175

プランニングレビューの流れの図。人が受け入れ基準を承認し、エージェントが実装して検証する。3ラウンド後も失敗すれば人が対応する。通ればリリースし、問い合わせやログを見て、人が基準を直す

同期の会議を、成果物に置き換えられるか

ドメインを知る人と開発の間で、認識合わせのたびに時間を取る。これまで同期の会議で行ってきたことは、もっと非同期で完結させることが求められていくと考えています。同期を取ること自体に限界があるからです。

非同期のやり取りを活かすために、同期を減らすことも大切です。書面で合意を取る流れがスムーズになることは、AI で開発速度を上げるために必要な部分だと感じています。

もう1つは、AI が文脈を判断できる状態を作ることです。過去の経緯や、なぜその仕様なのかまで含めて、データとして整理し、AI が読み込める形にしておきます。この2つを、認識を成果物に置く、という形で考えています。

ドメイン駆動設計の言葉では、ユビキタス言語です。Ernest Bednarczyk さんのDomain-Driven Agentsでは、コンテキストごとに CONTEXT.md を置いています。用語の正確な意味と、意図的に却下した同義語を書いた用語集です。人とエージェントが、同じ語彙で動けます。

Three Dots Labs の記事は、AI がコードを書く時代にこそ、DDD の考え方が重要になると主張しています。モデルを一緒に作る過程で、チームがドメインの動きを理解できるからです。

https://coldtake.dev/blog/domain-driven-agents

https://threedots.tech/post/ddd-and-ai-coding/

ただ、調べた範囲では、「成果物に置いたら同期会議が減った」と実証した資料は見つかりませんでした。これは自分の仮説です。

成果物に置いても、更新の責任は残ります。Kiro のドキュメントでは、コードを変えても spec が自動では更新されず、tasks.md の Sync Files などで手動で同期します。AI が生成したコードがドメインの不変条件を破るおそれは、論文(arXiv 2605.01160)でリスクとして指摘されています。置けば終わりではなく、人の確認と更新が要ります。

関連して、人間のコードレビューをやめたあとの記事で書いたように、例外や「なぜそう実装したか」は ADR に残します。同じ考え方の延長です。

https://redamoon.net/log/post/000160/

ループを評価して、基準を更新する

書いた基準が合っていたかは、リリースしてみないと分かりません。問い合わせやログを見て、基準を直します。

Hamel Husain さんの field guide は、実際のデータを見る誤り分析が、一貫して費用対効果の高い改善を示すと書いています。AI に最も詳しくない人が、改善の担い手として最適な場合も多い、とも書いています。ドメインを知る人が、本番のログを見て、失敗のパターンを見つける、という役割にあたります。

https://hamel.dev/blog/posts/field-guide/

Husain さんと Shreya Shankar さんは、Lenny のニュースレターで、この工程を「error analysis」から「error discovery」と呼び替えました。目的が、測る価値のある失敗を見つけることだからです。多くのチームは、この工程を飛ばして指標を書き始めます。指標を早く書きすぎると、何が重要かについての仮定が増えます。評価で見つかった本番の誤りは、次のテストケースになり得ます。

問い合わせの運用も、同じ形です。Linear では、PR がマージされたあと、元の会話に更新が戻り、CX が顧客に連絡して確認します。修正が顧客に届いたところまでが、1周です。

自分のチームで測るなら、次の3つを見ます。

  • 着手から完了までの手戻りの回数
  • レビューにかかった時間
  • 同種の問い合わせの件数

人の時間は、更新に使う

全部の成果物に、同じ重さのゲートを置くつもりはありません。リスクで選びます。

人が決めるのは、ドメインの境界と用語、リスクの高い判断、そしてリリース後の問い合わせやログを見て、基準を直すことだと考えています。会議の代わりに、判断を成果物に残して、人の時間は成果物を直すほうに使います。

参考にした資料