AIエディタや生成AIを業務に取り入れていても、「もっともらしいコードは出るけれど、プロジェクトのルールに合っていない」「既存の仕組みと重複した実装をしてしまう」と悩むケースは少なくありません。
ディーメイク(MKDTグループ)の開発チームも、当初はプロンプトの工夫やツールの選定に目を向けていました。しかし、試行錯誤の末に行き着いた答えは、「AIに渡す情報の質と量を根本から整えること」でした。
この記事では、日本人エンジニアとインドネシア人エンジニアが協働するディーメイク(MKDTグループ)の開発チームが、AIの力を最大限に引き出すために実践している「リポジトリ中心の情報設計」と「開発の進め方」をご紹介します!
プロジェクトの情報は「秘密以外すべて」リポジトリへ集約する
人のチームであれば、設計の背景や過去の経緯はチャットや会議の記憶、ベテランメンバーの頭の中に残っています。しかし、AIはその場でアクセスできる情報しか理解できません。情報があちこちに散在していると、AIは足りない前提を推測で補おうとし、結果として手戻りが発生してしまいます。
そこで私たちが徹底しているのが、アカウント情報やアクセスキーなどの機密情報を除き、プロジェクトに関する情報をほぼすべてリポジトリに集約するというルールです。
リポジトリにはソースコードだけでなく、インフラ構成(IaC)、アーキテクチャや既知の課題をまとめた設計書、ビルド・デプロイ手順書、テストコード、さらにはAIへのコーディング規約や作業ルールまで一元化しています。
リポジトリを情報の中心に据えるメリットは大きく3つあります。
- AIが直接参照できる:
AIがコードを読み書きするのと同じ場所にドキュメントがあるため、外部ツールとの複雑な連携なしで文脈を把握できます。 - 履歴とレビューの仕組みが使える:
ドキュメントの変更もソースコードと同じフローでレビューし、「いつ・なぜ変わったか」の履歴を追跡できます。 - コードとドキュメントの乖離を防げる:
仕様変更と同じプルリクエスト(変更単位)でドキュメントも更新できるため、古い情報が放置されにくくなります。
なお、パスワードやAPIキーなどの機密情報は専用の保管庫(シークレット管理ツール)で管理し、万が一リポジトリに混入しそうになっても登録時点で自動的にブロックする仕組みを導入しています。
日・英・インドネシアの3言語で切り替えられる「HTML設計書」
ディーメイク(MKDTグループ)の開発体制の大きな特徴は、設計を日本のエンジニアが担い、実装をインドネシアのエンジニアがAIと協働して進める点にあります。
複数のリポジトリにまたがる製品では、1つのリポジトリを見るだけでは全体像が把握できません。そこで私たちは製品ごとに「設計専用リポジトリ」を用意し、次のサイクルを回しています。
- 既存のソースコードと本番・検証環境の構成(参照権限のみ付与)をAIに読み込ませ、現状の設計書の下書きを生成する
- エンジニアが内容の正確性をレビューし、確定させる
- 新機能開発やバグ修正の際、AIがまずこの設計リポジトリを参照してから作業に入る
この取り組みにより、これまで担当者の頭の中にしかなかった既知の課題が可視化され、製品によっては100件以上の課題を洗い出して計画的に優先順位をつけられるようになりました。
さらに、私たちはこの設計書をMarkdownやOffice文書ではなくHTML形式で管理しています。HTMLであれば、図表や色分けを使って人間がブラウザで直感的に読めるうえ、テキストベースなのでAIによる読み書きやGitでの差分管理も容易だからです。
加えて、1つのHTMLファイル内に言語切り替えボタンを実装し、日本語・英語・インドネシア語の3言語をワンクリックで切り替えられるようにしています。翻訳自体もAIが担うため、言語ごとに別ファイルを管理する手間はありません。日本のエンジニアとインドネシアのエンジニアがそれぞれの母語で同じ設計書を読めることで、認識のズレや手戻りを大幅に減らすことができています。
「どう作るか」だけでなく「なぜそう決めたか」を資産にする
私たちのドキュメント運用で特に重視しているのが、手順や仕様だけでなく「判断の理由(意思決定の背景)」まで書き残すことです。
たとえば、ある社内プロダクトでは「リポジトリを分割せずモノレポ(単一リポジトリ)のまま運用する」という判断を下しました。その際、分割した場合に増える運用コストと、分割しなくても維持できるメリットを比較検討した経緯をそのままドキュメント化しています。
判断の理由が残っていれば、後から参画したメンバーやAIが「なぜこの構成になっているのか」を迷わずに済み、同じ議論を繰り返すことがなくなります。また、前提条件が変わったときに「どの設計を見直すべきか」の判断もスピーディになります。
副次的な効果として、構成や判断の理由を言語化してドキュメントにまとめるプロセス自体がシステムの点検になり、開発環境のテストだけでは気づけなかった「本番環境での起動時に必ず失敗する不具合」をリリース前に発見できたケースもありました。
階層化したルールファイルと「設計重視」の役割分担
AIの出力品質をチーム全体で均一にするため、コーディング規約や作業手順はプロンプトで毎回指示するのではなく、リポジトリ内のルールファイルとして共有しています。
工夫しているのは、ルールを1つの巨大なファイルに詰め込まず、ディレクトリ構造に合わせて階層管理している点です。リポジトリ全体の方針はルート直下に置き、画面やコンポーネント固有のルールは各フォルダに配置します。これにより、AIは作業対象のディレクトリに必要なルールだけを読み込めばよくなり、コンテキストの肥大化やルール同士の衝突を防げます。こうしたルールファイルのテンプレートは全社共通のひな形として整備されており、新規プロジェクトでも初日から同じ基準でAIを活用できます。
また、開発プロセスにおいては「AIに書かせる前に、人間が仕様と言葉を固めること」を徹底しています。過去には、開発期間の半分以上を設計と型定義・役割分担の策定に充ててからAIに実装を任せることで、従来の12〜15倍の生産性を実現した案件もあります。インフラ担当のエンジニアが仕様書を先に作成し、自身でコードを書かずに半日で業務用Webツールを構築した事例も生まれています。
ディーメイク(MKDTグループ)で身につくエンジニアリングスキル
ディーメイク(MKDTグループ)では、単にAIツールを使うだけでなく、「AIが力を発揮できるシステム構造や開発プロセスそのものを設計する経験」を積むことができます。
- AIネイティブな開発基盤の設計力:
リポジトリ構成、階層型ルールファイル、シークレット管理など、チーム全体でAIを使いこなすための環境構築スキルが身につきます。 - 上流設計・アーキテクチャ思考:
実装の多くをAIが担うからこそ、エンジニアには「何を作るか」「なぜその技術を選ぶか」を定義する設計力と意思決定力が求められます。 - グローバルな開発推進力:
日本で設計し、インドネシアのエンジニアとAIが連携して実装する体制の中で、多言語・多文化のチームを技術と仕組みでつなぐ経験を積めます。
「AI時代の新しい開発スタイルを現場で実践したい」「コードを書くだけでなく、仕組みやアーキテクチャの設計から主導したい」と考えている方、ぜひ一度カジュアルにお話ししましょう!まずは私たちのチームのリアルな開発体制について、ざっくばらんに聞いてみませんか?