AIでチームをなめらかにつなぐ - lit.link / TieUps 開発の裏側

lit.link と TieUps では、チーム間コミュニケーションを AIで橋渡しすることで、チーム間のやり取りを省力化し、クリエイティブでコアな仕事に集中できるようにしています。

NotebookLM で CS の声を丸ごと検索し、Codex で開発コストを即算出、専用 GPTs で誰でも安全に DB を叩ける——そんな “AIによる橋渡し” があるから、PdM・Design・Dev・CS・Marketing それぞれのチームがスムーズ動けるのです。

本稿では導入の全体像と各チームでの使い方、さらに他社事例も交えながら “AI ネイティブ” な開発の裏側を紹介します。

なぜ今、チーム間に AIを置くのか

まずはここ 「人間同士のコミュニケーションは課題が多い」ということについて考えます

• 今欲しい情報があるけれど、相手はミーティング中で返事待ち —— スタック
• 質問される側は作業を中断せざるを得ない —— 割り込み
• 同じことを 何度も聞きづらい

ここを私たちはチーム間のAIツールやAIエージェントを使うことで解決しています。

• AIが間に立つ ことで、定型質問や一次情報の検索を肩代わりし、コミュニケーションコストを大幅にカット
• 目標は「AI が答えられるものを AI に任せ、人間同士の対話をよりクリエイティブな領域へ集中させる」こと——置き換えではなくなめらかな連携を実現するための狙いです。

全体アーキテクチャ

チーム(CS, PdM, Design, Marketing, Dev)がそれぞれの業務に応じたAIツール / AIエージェントを使います。

NotebookLM × CS：ユーザーの“生声”を企画に直結

1. CS が蓄積した問い合わせの全てを NotebookLM にアップロード。
2. PdM は「〇〇機能がないと不便」「ここをこうしてほしい」などを自然言語で瞬時に抽出。
3. 抽出結果を元に企画書をドラフトし、提案す流。

NotebookLMの活用事例としては社内の問い合わせに使ったものもあり、弊社でも開発寄りのナレッジを非エンジニアチームでも扱えるようにしています。

Codex × PdM／Design：開発コストを“その場”で把握

仕様をCodex に投げ、「ドメイン追加が必要か」「影響範囲は？」などをざっくり算出することで、Devチームに聞かないと見えづらかった開発コストが非エンジニアでもある程度出せるようになりました。

GPTs で DB を民主化：だれでも SQL が書ける会社へ

弊社では全チームがDBを扱える体制を目指しており、その導入ガイド、SQL生成にGPTsを使っています。

DBに接続できるところまではガイドがあれば難なく出来ますが、実際にデータを見るためにSQLを考えるとなると難易度が上がります。

これを解決するため、テーブル定義や過去のSQL例を読み込ませたGPTsをプロダクトごとに用意し、「こういうデータが見たいんだけど〜」と思った時にDevチームに聞くのではなく、自分でSQLを作れるようにしています。

海外ではPdMがSQLを使えることのメリットがいくつか記事になっており、AIでそこをやりやすくした形です。

• SQL Skills for Product Managers – Department of Product https://www.departmentofproduct.com/blog/sql-skills-for-product-managers/
• SQL for Product Managers – The Definitive Guide – HelloPM https://hellopm.co/sql-for-product-managers-the-definitive-guide/
• SQL skills for product managers: What do you need to know? – LogRocket Blog https://blog.logrocket.com/product-management/sql-skills-product-managers/

これらの記事でも「SQL を学ぶことでデータチームへの依存を減らし、意思決定を高速化できる」と説かれており、lit.link / TieUps でも非エンジニアが 1 行も書かずに集計できる環境を整備しています。

リスクとセキュリティ対策

Devチーム以外がDBを扱うにあたってリスク対策も行なっています。

• Read‑only SQL ロール：書き込み権限を分離し、誤更新を根本から防止
• モデル学習除外：データは生成 AI の再学習対象外に
• 権限付与の仕組み：非エンジニアが更新クエリを投げる必要のある時に使う仕組みを整備
• 生成条件Prompt：GPTsへの指示でSQLの生成に条件付け またエンジニアチームへの確認フローも指示

これにより「誰でも DB を叩ける」自由度と、漏洩や破壊を起こさない安全性を両立しています。

このようなSQLフレンドリーな会社でエンジニアをしてみたい方はぜひ一度カジュアルにお話しましょう！

Dev チーム：テスト自動生成とコード雛形テスト自動生成とコード雛形

Codex でユニットテストのスケルトンを生成し、テスト作成・メンテの手間が大幅に減りました。

テスト以外でも、issue を詳細に書くことでコード自体の生成も成功していますが、込み入った実装やファイル跨ぎの変更などは人間が仕上げるフローが前提です。

使っているツールについてはCodex以外にもGithub CopilotだったりJetbrains AI、GPTシリーズ、Claudeをエンジニア次第で取り入れています。

このあたりは日進月歩が激しい分野でもあるので、他社事例を見つつ随時AIツールを取り入れています。

• GitHub Copilot によるユニットテスト自動生成の体験レポートhttps://zenn.dev/homatsu_tech/articles/f41f1b9c5c3dae —— テスト工数が半減し、カバレッジが大幅向上。
• Test Intention Guided LLM‑based Unit Test Generation
  https://conf.researchr.org/details/icse-2025/icse-2025-research-track/242/Test-Intention-Guided-LLM-based-Unit-Test-Generation —— プロンプトの改善で行・分岐カバレッジが最大 94 % 改良。

また、コードレビュー / テスト環境での確認もAIエージェントが一部担える可能性があるため、内部で試験中です。

Design → Dev：デザインを実装issueにする

Figmaで作られたデザインを実装issueにする際、Codexにissueを分解させてissueにしています。Devチームであればコードを把握しているのでそのまま実装issueに出来ますが、ジョインして日が浅いエンジニアや、把握していない箇所も含め網羅的に下書きを作ってくれるためissueの解像度が上がりました。

既存のコードベースを読み込んで生成してくれるというところはこの手のAIエージェントを使う最大のメリットで、他だとClaude Codeも同じ用途で使えますが、ローカル環境にセットアップが必要なため、WebクライアントでGitHubを繋げればすぐに使えるところにCodexへの軍配が上がります。

チームを越えて、AIと共創しよう — lit.link / TieUps で待っています

「コードを書く。SQL を叩く。ユーザー対応する。—— ぜんぶ、 AI がつなぐ。」

開発・CS・デザイン・PdM・マーケまで、lit.link / TieUps では すべての職種に AI エージェントが溶け込んで います。

• Dev: Codex と Copilot がテストとコードの“土台”を生成。
• CS: NotebookLM で問い合わせをリアルタイムに要約し、GPT が定型回答を提案。
• Design: モックを Codex が GitHub Issue に自動分解。
• PdM: GPTs + SQL でデータを自力で深掘りし、企画を秒速で検証。
• Marketing: セグメント抽出からコピーライティングまで、AI が AB テストを加速。

チーム間のやり取りはAIがなめらかに繋いでお手軽になり、「アイデア → 実装 → リリース」がエンハンスとされています。

もし “AI を使い倒し、職域を超えてプロダクトを前に進めたい” と思ったなら、まずはカジュアル面談で話しましょう。次のイテレーションを一緒に描けるエンジニアを待っています。