AIで要件定義はどこまでできるか

「AIに全部やらせればいい」という期待と、その危うさ

このシリーズを最初から読んでくださっている方の中には、こう思っている方もいらっしゃるかもしれません。「これらの問題は、結局AIが解決してくれるのではないか」と。

暗黙知が引き出せない、議事録から要求を抽出するのが大変、品質を測る基準が属人的、進捗が測れない——これらはすべて、AIが得意とする「大量の情報を処理する」「パターンを検出する」「一貫した基準で評価する」という領域と、相性が良さそうに見えます。

実際、AIが設計書やコードを生成する力は、この数年で急速に上がっています。下流工程の自動化が進むほど、上流工程である要件定義の重要性が増していきます。ならば、その要件定義自体もAIに任せてしまえばいいのではないか、という発想が出てくるのは自然なことです。

しかし、ここで立ち止まって考える必要があります。AIに任せられることと、任せるべきでないことは、明確に分かれています。今回は、この線引きを整理します。

実際に試してみて、見えてきたこと

AIで要件定義はどこまでできるのか。このテーマについては、AIが実用的なレベルで使えるようになった当初から、自分自身でさまざまな形で試してきました。ヒアリングメモをAIに読み込ませて要求を抽出させる、書き上げた要件定義書をAIにレビューさせる、曖昧な表現がないかをAIにチェックさせる——できることは一通り試してきたつもりです。

その結果として見えてきたのは、大きく2つのことです。

ひとつは、AIには明確な得手不得手があるということです。これは、この後整理していく内容そのものですが、実際に手を動かしてみて初めて、「ここまではできるが、ここから先はできない」という境界線が、体感として分かってきました。

もうひとつは、業務上の要求を持つ発注者側と、それを要件として整理・具体化する受注者(開発者)側では、AIに期待する役割が異なるということです。

私自身、発注者側のコンサルティングに携わった経験もあり、この視点からもAIを見てきました。発注者側にとって印象的だったのは、自分たちが気づいていなかったことに、AIが気づかせてくれる場面があったことです。

例えば「店舗ごとの売上状況をタイムリーに把握したい」という業務要求に対して、AIが「誰が確認するのか」「どの単位で集計するのか」「どの程度の頻度で更新するのか」といった確認事項を提示することで、発注者自身がまだ決めていなかった論点に気づくことがあります。

この経験を踏まえた上で、AIが実際に得意なこと、苦手なことを、具体的に整理していきます。

AIが得意なこと

まず、AIが力を発揮しやすい領域を整理します。これまでお伝えしてきた内容と照らし合わせると、いくつかの共通点が見えてきます。

大量の情報から、パターンを検出すること

「議事録から要求を抽出する」作業は、複数回のヒアリング記録の中から、要求・要件・前提条件・例外シナリオといったカテゴリを見分け、同じ要求の異なる表現を見つけ出す作業でした。この作業は、人間が手作業で行うと膨大な時間がかかりますが、大量のテキストからパターンを検出することは、AIが得意とする処理です。

一貫した基準で、繰り返し評価すること

BABOK・IEEEをベースにした品質特性——曖昧でないこと、検証可能であること、単独であることなど——を、要件定義書に含まれるすべての要件に対して機械的に適用する作業も、AIに向いています。人間が行うと、疲労や集中力の低下によって見落としが生じますが、AIは同じ基準を何度でも一貫して適用できます。

「次に何を聞くべきか」の候補を、経験のパターンから提示すること

ベテランSEが頭の中で行っている「この種の要求には、こういう論点が伴うことが多い」というパターンマッチングも、過去の大量のプロジェクトデータを学習することで、AIが近い働きをする可能性があります。前回お伝えした「質問の型」を、AIが状況に応じて提案する、という形での補助も考えられます。もちろん完全に同じではありませんが、初級SEが「何を聞けばいいか分からない」という状態から抜け出すための、有効な補助にはなり得ます。

基本的な業務ドメイン知識を、補ってくれること

もうひとつ、見落とされがちですがAIが得意とする領域があります。業務ドメインに関する基礎知識そのものです。

たとえば、経理の実務経験がないSEが経理システムのヒアリングに臨む場合、「伝票起票」「仕訳」「勘定科目」といった基本用語や、その処理の一般的な流れを知らなければ、顧客の話についていくことすら難しくなります。しかし、AIはこうした基礎知識を一定水準で備えており、SEが知らない業務用語が出てきたときに、その場で補ってくれます。

これは、ベテランSEが長年の経験の中で異なる業界のプロジェクトを渡り歩き、少しずつ蓄積してきた「業界知識の引き出し」に近いものです。初級SEはもちろん、経験豊富なSEであっても、担当したことのないドメインでは知識が不足します。この不足を、AIがある程度埋めてくれることは、実務上大きな助けになります。

ただし、この知識はあくまで一般論としての基礎知識です。その企業固有の勘定科目の使い方や、独自の業務ルールまでは、AIは知りません。基礎知識を土台にしつつ、その先にある個別具体的な内容は、やはりヒアリングを通じて引き出す必要があります。

AIが苦手なこと、あるいは任せるべきでないこと

一方で、これまでお伝えしてきた内容の中には、AIに任せることが原理的に難しい、あるいは任せるべきでない領域も含まれています。

顧客との関係を築き、信頼を得ること

ヒアリングは、単なる情報収集の場ではありません。顧客との信頼関係があって初めて、本音や、言いにくい業務上の課題が語られることがあります。「困っていること」「面倒なこと」を聞き出すアプローチも、日頃からの関係性があってこそ、率直な回答を引き出せます。この人間同士の信頼構築という部分は、AIが代替できる領域ではありません。

「言うべきこと」として認識されていない暗黙知を、その場の空気から察知すること

暗黙知が引き出しにくい理由のひとつは、「言うべきことだと、本人が認識していない」からでした。顧客の表情、間の取り方、言葉を濁す瞬間——こうした、言語化される前の微妙なサインを察知し、「もしかして、何か引っかかっていることがありますか」と踏み込む判断は、対面でのコミュニケーションの機微に依存しています。

前回お伝えした「基本的には」という言葉への反応も、同じことが言えます。言葉そのものだけでなく、その言葉が発せられたときの間や声のトーンを踏まえて、深掘りするかどうかを判断する部分には、AIが立ち入りにくい領域が残ります。

「必要な要求が、すべて出尽くしたか」を、最終的に判断すること

要件定義における最大の問いです。この問いに答えるためには、単に「これまで出てきた要求を集計する」だけでなく、「まだ見えていない要求が、他にないだろうか」という、いわば「見えていないものへの想像力」が必要です。AIは、与えられたデータの中でパターンを検出することは得意ですが、そもそもデータとして存在しない情報に気づくことは、原理的に難しい領域です。

ステークホルダー間の利害を調整し、合意形成すること

ステークホルダーの網羅の問題や、「合意形成」という品質観点は、単に「誰が何を言ったか」を記録する話ではありません。部門間の力関係、優先順位を巡る対立、政治的な配慮——こうした人間同士の調整は、AIが代わりに行うことはできません。AIにできるのは、「まだ合意が取れていないステークホルダーがいる」という事実を可視化することまでです。

「代替」ではなく「補助」という捉え方

ここまでの整理を踏まえると、AIと要件定義の関係は、「AIが要件定義を行う」というよりも、「AIが要件定義を行う人を補助する」という捉え方のほうが正確です。

私自身、長年この仕事をしてきた中で、優秀なアシスタントに恵まれたプロジェクトと、そうでなかったプロジェクトの違いを、何度も経験してきました。優秀なアシスタントがいたプロジェクトでは、議事録の整理や資料の下準備といった作業を任せられる分、自分は顧客との対話や、判断が必要な場面に集中できました。逆に、そうした補助がなかったプロジェクトでは、雑務に追われて、本来最も時間を使うべき「顧客と向き合う」時間が削られていました。

AIは、この「優秀なアシスタント」の役割に近いと考えています。議事録からの抽出、品質基準への照らし合わせ、業務ドメイン知識の補完——こうした、地味で時間のかかる作業をAIが引き受けることで、SEは本来人間にしかできない部分、つまり顧客との対話や、最終的な判断に、より多くの時間を割けるようになります。

これは、AIが要件定義における「人間の仕事」を奪うという話ではありません。むしろ逆で、これまで作業量に追われて十分に時間を割けなかった「人にしかできない部分」に、人間が集中できるようになる、という話です。

「AIに任せたから安心」にならないために

ここで、ひとつ注意しておきたいことがあります。AIが品質チェックを行ってくれるようになったとしても、それによって「もう安心だ」と考えてしまうことには、慎重になる必要があります。

標準やチェックリストは「権威」ではなく「道具」として使うべきものです。AIが提示する品質スコアも、同じことが言えます。AIが「この要件は曖昧です」「この観点でステークホルダーが不足しています」と指摘してくれることは、大きな助けになります。しかし、その指摘をどう解釈し、どう対応するかを最終的に決めるのは、人間の役割です。

たとえば、AIが「検証可能性の基準を満たしていない要件が5件あります」と指摘したとします。この5件すべてが、同じ重みで対応すべき問題とは限りません。「指標の重み付け」の問題は、AIが自動的に解決してくれるものではなく、その業務やプロジェクトの文脈を理解している人間が判断すべき部分です。

AIの指摘を鵜呑みにして「指摘された件数がゼロになったから完了」と考えてしまうと、かつての「なんとなく7割」という感覚的な判断が、「AIが出した数値」という、一見客観的だが実は別の形の思考停止に置き換わっただけ、ということになりかねません。

SEにとって、この変化が意味すること

AIが下流工程を担う時代において、要件定義のスキルは、すべてのSEに求められる基礎技術になりつつある、という話を、このシリーズの冒頭でお伝えしました。

AIが要件定義の一部を補助してくれるようになることは、この状況をさらに一歩進めます。地味な作業をAIに任せられるようになる分、SEが本来集中すべき「顧客との対話」「暗黙知を引き出す工夫」「見えていない要求への想像力」、そして前回お伝えした「質問力」といった、人間にしかできない部分の重要性が、これまで以上に際立つようになります。

つまり、AIの発展は、SEにとって「要件定義を学ばなくてよい理由」にはなりません。むしろ逆で、「本当に大事な部分に集中して学ぶべき理由」になります。作業に追われて後回しにされがちだった、顧客との関係構築や、暗黙知への感度、質問力を磨くことに、これまで以上に時間を使えるようになるからです。

まとめ

AIは、要件定義における一部の作業——議事録からの要求抽出、品質基準への照らし合わせ、業務ドメイン知識の補完——において、大きな力を発揮します。これらは、大量の情報を一貫した基準で処理する、あるいは基礎知識を補うという、AIが得意とする領域だからです。

一方で、顧客との信頼関係の構築、言語化される前の暗黙知への感度、「まだ見えていない要求」への想像力、ステークホルダー間の利害調整といった部分は、AIが代替できるものではありません。

AIと要件定義の関係は、「代替」ではなく「補助」として捉えるべきです。地味な作業をAIに任せることで、SEは人間にしかできない部分に、より多くの時間を使えるようになります。ただし、AIが出す指標をそのまま鵜呑みにせず、その解釈と最終判断を人間が担うという姿勢を忘れてはいけません。