開発者ツール

AI-DLC で変わるソフトウェア開発 - Inception・Construction・Operation の 3 フェーズ実践ガイド

AI を開発プロセスの中心に据える AI-DLC 方法論の全体像を解説。Inception・Construction・Operation の 3 フェーズと、Kiro や Amazon Q Developer での実践方法を紹介します。

約 2 分で読めます

AI-DLC とは何か

AI-Driven Development Lifecycle (AI-DLC) は、AWS が 2025 年の DevSphere イベントで発表したソフトウェア開発方法論です。従来の SDLC (Software Development Lifecycle) に AI を補助ツールとして追加するのではなく、AI を開発プロセスの中心に据え、人間と AI が協調してソフトウェアを構築するアプローチを取ります。AI が計画を立案し、不明点を人間に確認し、承認を得てから実装するというサイクルを高速に繰り返します。人間はビジネス要件の判断、アーキテクチャの意思決定、品質の最終確認といった、文脈理解と創造性が求められる作業に集中します。

3 つのフェーズ - Inception・Construction・Operation

AI-DLC は 3 つのフェーズで構成されます。Inception フェーズでは、ビジネスの意図を AI が詳細な要件定義、ユーザーストーリー、作業単位 (Unit of Work) に変換します。チーム全体が参加する Mob Elaboration で AI の提案を検証し、不足している文脈や制約を補完します。Construction フェーズでは、Inception で確定した要件を基に AI が論理アーキテクチャ、ドメインモデル、コード、テストを提案します。Mob Construction でチームが技術的な判断を下し、AI がリアルタイムで実装に反映します。Operation フェーズでは、前のフェーズで蓄積されたコンテキストを活用して AI が Infrastructure as Code の生成とデプロイメントを管理し、チームが監視と承認を行います。各フェーズの成果物はリポジトリに永続化され、セッションをまたいで文脈が引き継がれます。

従来の SDLC との違い

AI-DLC は従来のアジャイル開発の用語と概念を再定義しています。数週間単位のスプリントは、数時間から数日の短い作業サイクルである Bolt に置き換わります。エピックは Unit of Work に再定義され、 AI が分解・管理します。従来の開発では、開発者の時間の多くが計画会議、見積もり、ドキュメント作成といった非コア活動に費やされていましたが、 AI-DLC ではこれらを AI が担当し、人間は戦略的な判断と創造的な問題解決に集中します。また、 AI が組織固有のコーディング規約、設計パターン、セキュリティ要件を一貫して適用するため、要件からデプロイまでの一貫性とトレーサビリティが向上します。 ソフトウェア開発の手法を網羅的に学ぶなら、技術書 (Amazon)を参照してください。

Kiro と Amazon Q Developer での実践

AI-DLC は Kiro と Amazon Q Developer を通じて実践できます。Kiro のスペック駆動開発は AI-DLC の Inception フェーズと Construction フェーズに対応しており、自然言語で記述した要件から requirements.md、design.md、tasks.md を自動生成し、各タスクを AI エージェントが実行します。ステアリングファイルで組織固有のルールを定義することで、AI の出力品質を制御できます。Amazon Q Developer では Project Rules 機能を使って AI-DLC のワークフローを設定し、コード生成やレビューに組織の標準を適用できます。いずれのツールも、AI が計画を立て、人間が承認し、AI が実装するという AI-DLC の基本サイクルを実現します。

まとめ

AI-DLC は、AI を開発プロセスの中心に据えることで、開発速度の向上、品質の安定、開発者体験の改善を同時に実現する方法論です。Inception・Construction・Operation の 3 フェーズを通じて、AI と人間がそれぞれの強みを活かして協調します。Kiro や Amazon Q Developer を活用すれば、既存のプロジェクトにも段階的に AI-DLC を導入できます。

関連するサービス

Kiroスペック駆動開発を実現する AI 搭載の統合開発環境 (IDE)Amazon Q Developerコード生成、デバッグ、最適化を支援する開発者向け AI アシスタントAWS CodePipelineソースからデプロイまでの CI/CD パイプラインを構築・自動化するサービス

関連する記事

スペック駆動開発の実践 - Kiro で要件定義からコード生成までを一気通貫で実行する要件定義・設計・タスクの 3 段階スペックで AI エージェントの出力品質を制御し、意図どおりのコードを生成させる。スペックファイルの構造と効果的な記述パターンを解説します。Kiro CLI でターミナルから開発を加速する - コマンドライン操作とエージェント活用ターミナルから Kiro を起動し、コード生成・ファイル操作・Git 連携・テスト実行を対話的に進める。LSP 統合によるコード解析とスペック駆動開発のワークフローを解説します。Kiro エージェントフック活用術 - ファイル保存時の自動処理で開発品質を底上げするファイル保存時やコマンド実行時に自動トリガーされるフックで、リント・テスト・フォーマットを AI エージェントのワークフローに組み込む。フック定義の構造と実践的な活用パターンを解説します。

同じテーマの記事

AI-DLC Unicorn Gym で体験する実践的ワークショップ - チーム開発で AI-DLC を身につける3 日間のチーム開発で AI-DLC を体験する実践型ワークショップの全容。Mob Elaboration と Mob Construction の進め方、オープンソースワークフローの活用法を紹介します。AWS Application Composer でサーバーレスアプリケーションをビジュアル設計 - IaC テンプレートの自動生成Application Composer によるサーバーレスアーキテクチャのビジュアル設計、SAM テンプレートの自動生成、VS Code 統合を解説します。アーティファクトリポジトリ管理 - AWS CodeArtifact で実現するセキュアなパッケージ管理基盤AWS CodeArtifact を活用したアーティファクトリポジトリの構築と運用方法を解説します。npm、Maven、PyPI などのパッケージ管理を一元化し、CodeBuild との統合によるセキュアなビルドパイプラインの構築手法を紹介します。AWS の API スロットリングの仕組み - トークンバケットアルゴリズムと 429 エラーの正体AWS API のレート制限がトークンバケットアルゴリズムで実装されている仕組み、バーストキャパシティの概念、サービスごとの制限値の違い、スロットリング回避の実践的な対策を解説します。AWS の API はなぜ XML を返すのか - Query API から REST JSON への進化の歴史S3 や EC2 の API が XML レスポンスを返す歴史的経緯、Query API と REST API の違い、Signature V2 から V4 への認証方式の進化、SDK が隠蔽している複雑さを解説します。AWS の API エンドポイントはなぜリージョンごとに異なるのか - グローバルサービスとリージョナルサービスの設計ec2.us-east-1.amazonaws.com のようなリージョナルエンドポイントと iam.amazonaws.com のようなグローバルエンドポイントが分かれている設計理由、デュアルスタックエンドポイント、FIPS エンドポイントの存在を解説します。ブラウザベースシェル環境 - AWS CloudShell で実現する即時 CLI アクセスAWS CloudShell を活用したブラウザベースのシェル環境を解説します。AWS マネジメントコンソールから即座に利用できる CLI 環境、プリインストールされた開発ツール、IAM 認証の自動統合、セキュアなファイル管理など、運用効率を向上させる実践的な活用方法を紹介します。AWS CDK でプログラミング言語による IaC - コンストラクトとスタックの設計CDK による TypeScript/Python でのインフラ定義、L1/L2/L3 コンストラクトの使い分け、テスト手法を解説します。

内容が近い記事・サービス

AI-DLC Unicorn Gym で体験する実践的ワークショップ - チーム開発で AI-DLC を身につける3 日間のチーム開発で AI-DLC を体験する実践型ワークショップの全容。Mob Elaboration と Mob Construction の進め方、オープンソースワークフローの活用法を紹介します。スペック駆動開発の実践 - Kiro で要件定義からコード生成までを一気通貫で実行する要件定義・設計・タスクの 3 段階スペックで AI エージェントの出力品質を制御し、意図どおりのコードを生成させる。スペックファイルの構造と効果的な記述パターンを解説します。AWS の AI/ML サービス階層構造 - SageMaker・Bedrock・API 型サービスの 3 層が実現する柔軟性AWS の AI/ML サービスを SageMaker (フル制御)、Bedrock (マネージド生成 AI)、Rekognition 等 (API 型) の 3 層構造として整理し、GCP Vertex AI や Azure OpenAI Service との比較を通じて、カスタムシリコンとの統合を含む AWS の柔軟性を解説します。Kiro でチーム開発を効率化する - ステアリングファイルとスペック共有による品質統一スペック駆動開発でチームの設計意図を共有し、ステアリングファイルでコーディング規約を統一する。Agent Hooks による自動チェックとレビュープロセスの効率化手法を解説します。