AIモデル活用における盲点発見と計画立案のアプローチ

解説

近年、生成AI（LLM）を活用した開発や業務プロセスが急速に普及しています。特にAnthropicの「Claude Fable 5」のような高性能なモデルをコーディングツールとして利用する際、単に指示を与えるだけでは質の高いアウトプットは得られません。

この記事では、ITエンジニアから「自分が知らないこと」を発見することが、AI活用の質を左右すると指摘された新しいアプローチを紹介しています。これは、開発プロセスにおいてユーザー自身が認識できていない制約や背景知識（未知の要素）を明確に特定し、洗い出すことを重要視するものです。

この『未知の要素』は、「既知の既知」「既知の未知」「未知の既知」「未知の未知」という4つのカテゴリで構造化され、開発計画段階でのAIへの問いかけや、実装後の検証プロセスに活用することが推奨されています。

技術的な知識が深まるほど盲点が存在しやすいため、このアプローチを取り入れることで、後工程での手戻り（コスト増大）を未然に防ぎ、AIとの協調作業の効率化を図ることに主眼を置いています。開発者は、AIを単なる実行ツールとしてではなく、思考プロセスにおける「盲点指摘者」として捉え直す視点が求められます。

ポイント

• 高性能な生成AIモデル（Claude Fable 5など）を活用する際、作業の質はユーザーが自身で認識できていない前提条件や制約（未知の要素）を発見できるかにかかっている。
• これらの「未知の要素」を4つのカテゴリーに分類し、「自分の盲点」（未知の未知）を見つけ出すことを開発計画の初期段階でAIを活用して行うことが推奨される。
• 具体的なテクニックとして、例外決定ログファイルの作成や、実装後の知識クイズ化などを通じて、成果物の検証と属人化防止を目指す。

情シスへの影響

本記事は特定のシステムへの直接的な技術的脆弱性に関する情報ではなく、AIを活用した開発およびプロトタイピングプロセスにおける『品質向上手法論』に関する提案です。

影響範囲としては、社内での開発サイクル（SDLC）やRPA/自動化スクリプト作成などの開発工数管理に影響を及ぼします。特に、外部ベンダーが提供するAI開発支援ツールの導入検討や、エンジニアチームへの新たな品質チェックプロセス（プロンプトエンジニアリングの高度化）の適用が必要になる可能性があります。

技術的な設定変更は不要ですが、プロジェクトマネジメント層やアーキテクトレベルでのガイドライン策定が必要です。

影響範囲

開発プロセス全般（SDLC、PoC、内部システム構築）。影響を受けるのは、AIコーディング支援ツールを利用する全てのエンジニアリングチームおよびそれらを管理するPM/PL。特定の製品・バージョンへの直接的な技術的影響はなし。（要確認：社内でのLLM利用ガイドラインの有無）

重要度

★★★☆☆

対象者

• セキュリティ担当者
• 開発管理者（PM/PL）
• システムアーキテクト

優先度

計画的に対応

優先度の理由

本記事は新たな技術の脆弱性や緊急パッチに関するものではなく、AIを活用した業務・開発プロセスに対する『推奨されるベストプラクティス』を提示しています。そのため「即時対応」は不要ですが、今後の大規模なシステム刷新や新規プロジェクト立ち上げを控えている場合、品質向上の一環として体系的に検討に加えるべき情報です。

特にエンジニアの思考モデルを変革させるものであり、PoC（概念実証）やガイドライン改定など、時間とリソースをかけた計画的な導入が求められます。

確認手順

• 現在利用しているLLM/AIコーディングツールのプロンプト設計を見直し、「自分が何を知らないか」をAIに尋ねる問いかけを追加する。
• 新規開発プロジェクトの初期フェーズにおいて、洗い出すべき『未知の要素』リスト（4種類）の作成プロセスをチームに定義し、トライアルを実施する。
• コードレビューや設計書作成の段階で、技術的な制約だけでなく、「前提条件」が漏れていないかを確認するチェックリストを導入する。
• AIによるアウトプットを利用した後、誰が（どの役割の人間が）最終的な知識検証と責任を持つのかというプロセス管理フローを明確化する。