AI時代のシステム開発の進め方とは？〜ウォーターフォールとアジャイルの選び方〜 | Magazine

インプットポイント

AI開発では、従来のシステム開発と進め方がどう変わるのかが分かる
ウォーターフォールとアジャイル、それぞれの特徴と向き・不向きが分かる
AI時代のプロジェクトに合った進め方の選び方（判断軸）が理解できる

近年、AI（人工知能）の活用が急速に広がり、システム開発の現場も大きく変わりつつあります。生成AIや機械学習を組み込んだ開発のご相談は年々増えていますが、その際に弊社がよくいただくのが、「AIを使う開発は、これまでと同じ進め方でよいのか」というお悩みです。

結論から申し上げると、AIを含む開発では、従来のシステム開発の常識がそのままでは通用しにくい場面が出てきます。そして、その違いを理解する鍵になるのが、開発の進め方を代表する2つの型、ウォーターフォールとアジャイルです。

本記事では、AI時代のシステム開発をどう進めるべきかを主題に置き、その土台となるウォーターフォールとアジャイルの特徴を整理したうえで、AI開発では進め方がどう変わり、どう選び・組み合わせればよいのかをご説明します。開発の発注・推進に関わる方が、AI時代のプロジェクトの進め方をつかむ一助となれば幸いです。

INDEX

なぜ今、システム開発の「進め方」が問われるのか
まず押さえる2つの型①｜ウォーターフォール型とは
まず押さえる2つの型②｜アジャイル型とは
AI開発は、なぜ「これまでどおり」が通用しにくいのか
AI時代の進め方をどう設計するか｜「外枠はウォーターフォール・中身はアジャイル」
おわりに

なぜ今、システム開発の「進め方」が問われるのか

まず前提として、システム開発には一連の流れがあります。一般的には

「要件定義（何を作るかを決める）→設計→実装（プログラミング）→テスト→リリース→運用・保守」という工程をたどり、この全体像は開発プロセス（あるいはSDLC＝Software Development Life Cycle、ソフトウェア開発ライフサイクル）と呼ばれています。

そして「進め方（開発手法）」とは、これらの工程を、どのような順序で、どのくらいの単位で回していくかという設計思想のことです。この進め方には、大きくウォーターフォールとアジャイルという2つの型があります。

では、なぜ今あらためて「進め方」が問われているのでしょうか。その背景にあるのが、AIの普及です。従来のシステム開発は「先に要件を固め、計画どおりに作る」ことを前提としてきました。ところがAIを組み込む開発では、「作って試すまで、期待どおりに動くか分からない」という要素が一気に増え、この「計画どおりに作る」という前提そのものが揺らいでいます。だからこそ、2つの型を正しく理解し、状況に応じて使い分ける視点が重要になってきたのです。

そこで本記事では、まず土台としてウォーターフォールとアジャイルの特徴を押さえ、そのうえで「AI開発ではなぜ従来どおりにいかないのか」、「では、AI時代にどう進め方を設計するか」へと話を進めます。

まず押さえる2つの型①｜ウォーターフォール型とは

ウォーターフォール型とは、その名のとおり、滝（ウォーターフォール）の水が上から下へ一方向に流れるように、開発工程を順番に進めていく手法です。要件定義が終わってから設計へ、設計が終わってから実装へと、前の工程を完了させてから次の工程に進むのが基本的な考え方です。

この手法のメリットは、大きく3点あります。

計画と見積りが立てやすい：全体像を最初に固めるため、完成時期や総コストを見通しやすくなります。
進捗管理が明確：どの工程まで終わったかが分かりやすく、大人数のプロジェクトでも管理しやすいと言えます。
品質・ドキュメントを担保しやすい：各工程で成果物を固めながら進むため、記録が残り、後から検証しやすくなります。

こうした特性から、ウォーターフォール型は「要件が明確に固まっていて、途中の仕様変更が少ない」プロジェクトに向いています。基幹システムの刷新や、金融・公共分野のように品質と文書化が重視される大規模開発は、その代表例です。

一方で、弱点もあります。最大の弱点は、「手戻りコストの大きさ」です。最初に要件を固めきる前提のため、開発が進んだ後で要件の見落としや変更が発覚すると、前の工程まで戻ってやり直すことになり、費用も時間も大きくふくらみます。また、実際に動くものが出てくるのが終盤になるため、「完成してから、想像と違ったことに気づく」というリスクも抱えています。この「最初に固めきる」という前提が、後ほど述べるAI開発との相性を考える上で重要な論点になります。では、この弱点を補う進め方はないのでしょうか。そこで登場するのが、次にご紹介するアジャイル型です。

まず押さえる2つの型②｜アジャイル型とは

アジャイル型とは、「設計→実装→テスト」という小さなサイクルを、短い期間（イテレーション、あるいはスプリントと呼ばれ、通常1〜4週間程度）で繰り返しながら、動くものを少しずつ作り上げていく手法です。「アジャイル（agile）」は、英語で「素早い」「機敏な」という意味を持ちます。

従来のウォーターフォール型と比較すると、その違いが分かりやすくなります。ウォーターフォール型が「全部を作りきってから見せる」進め方だとすれば、アジャイル型は「小さく作って見せながら、直していく」進め方です。アジャイル型のメリットは、主に次の3点です。

変化に強い：短いサイクルで方向を修正できるため、途中の要件変更を受け止めやすくなります。
早期にフィードバックを得られる：動くものを早い段階で確認できるため、認識のズレを早期に発見できます。
価値の高い部分から着手できる：優先順位の高い機能から作るため、重要な価値を早く届けられます。

こうした特性から、アジャイル型は「要件が固まりきっていない」「市場や事業環境の変化が速い」プロジェクト、たとえば新規事業やWebサービスの開発などに向いていると言えます。

ただし、アジャイル型にも注意すべき点があります。大きく3点です。1点目は、全体を固めずに進めるため、完成時期や総コストが読みにくいこと。2点目は、要望を柔軟に取り込めるがゆえに、スコープ（開発範囲）がふくらみやすいこと。3点目は、頻繁なフィードバックを前提とするため、発注する側にも継続的な関与が求められることです。

ここまでで、進め方の2つの型を押さえました。ここからが本記事の主眼です。AIを組み込む開発では、この2つの型のどちらが、なぜ効いてくるのでしょうか。

AI開発は、なぜ「これまでどおり」が通用しにくいのか

前章までで、ウォーターフォールとアジャイルの特徴を整理しました。ここからは、本記事の中心であるAI・機械学習を組み込んだ開発が、従来のシステム開発と何が違うのかを見ていきます。（AI・機械学習そのものの仕組みを整理したい方は、関連記事「AIはどう学び、どう答えを出すのか〜生成AI時代に押さえたい基礎理解〜」もあわせてご覧ください。）

なお、近年は生成AIがコードを書く「バイブコーディング」も広がっていますが、本章で扱うのは、そうしたAIを“組み込んだ”システムそのものをどう開発するか、という進め方の話です。

結論を先にお伝えすると、AI開発では、ウォーターフォール型が前提とする「先に固めて、計画どおりに作る」やり方が通用しにくくなります。その理由は、大きく3点あります。

1. 「作ってみないと分からない」不確実性が高い

通常のシステム開発は「要件を固める→そのとおりに作る」が成立します。しかしAI・機械学習は、実際にデータを使って試すまで、狙った精度が出るかどうかが読めません。「この要件で作れば必ずこの成果が出る」と最初に約束しづらいため、要件を先に確定させる前提のウォーターフォール型とは、そもそも相性がよくないのです。

2. 実験の反復が前提になる

AI開発では、PoC（Proof of Concept＝概念実証）と呼ばれる小さな検証から始め、「試す→評価する→改善する」を繰り返しながら精度を高めていきます。この分野にはCRISP-DM（データ分析プロジェクトの標準的な進め方。ビジネス理解→データ理解→データ準備→モデリング→評価→展開の各段階を行き来する）という反復前提のプロセスも存在し、アジャイル型の「小さく作って直す」考え方と親和性が高いと言えます。

3. 「作って終わり」にならない

通常の開発は、リリースすればひとまず完成です。しかしAIモデルは、時間の経過とともに精度が劣化していきます。世の中のデータの傾向が変わることで、当初の予測が当たらなくなる現象で、これをドリフトと呼びます。そのため、モデルを継続的に監視し、必要に応じて再学習させる運用の考え方（MLOps＝Machine Learning Operations）が欠かせません。運用フェーズの位置づけが、従来の開発とは根本的に異なるのです。

この3点を踏まえると、AI開発はアジャイル型の反復と親和性が高いことが見えてきます。では、AIを含むプロジェクトは、すべてアジャイルで進めればよいのでしょうか。ここに、実務ならではの落とし穴があります。

AI時代の進め方をどう設計するか｜「外枠はウォーターフォール・中身はアジャイル」

前章では、AI開発が反復型と相性がよいことを整理しました。とはいえ、「AI開発だから、すべてアジャイルでよい」というわけではありません。実務での現実的な解は、2つの型を層で使い分けるという考え方です。イメージとしては、次の二層構造になります。

1. 外枠は、ウォーターフォール的に固める

プロジェクトの目的・予算・スコープ・調達・セキュリティ／ガバナンスといったビジネス要件は、最初に固めなければ投資判断も体制も定まりません。ここは計画駆動で、しっかり枠を決めます。

2. 中身は、アジャイル的に回す

データ準備→モデル開発→精度評価というPoCの反復は、前章のとおり「作ってみないと分からない」領域です。ここを最初から固定するのは無理があるため、短いサイクルで試しながら育てていきます。

つまり、外枠（何のために・いくらで・どこまで）をウォーターフォールで固め、その内側のAIモデル開発をアジャイルで回す、というのがAI時代の基本設計です。

ただし、ここで2点、補足しておきたい注意点があります。1点目は、外枠といっても「どのモデルで・どこまでの精度が出せるか」という技術面までは固めきれないこと。目的は固定しつつ、実現手段は探索する、という二段構えになります。2点目は、下流の運用は単なる反復開発ではなく、前章で触れたMLOpsという継続的な営みになることです。

そのうえで、自社のプロジェクトで進め方を選ぶ際の判断軸を、大きく3つに整理します。これはAIの有無にかかわらず共通する視点です。

要件の不確実性：要件が明確に固まっているならウォーターフォール、探索しながら決める段階ならアジャイルが向きます。
変化の頻度・スピード：変化が少なく安定しているならウォーターフォール、市場や要望の変化が速いならアジャイルが適しています。
体制・組織文化：発注側が深く関与でき、現場に一定の判断を委ねられるなら、アジャイルの強みが活きます。

AIを含むプロジェクトは、1の「要件の不確実性」と2の「変化の頻度・スピード」が特に大きいため、中身は自然とアジャイル寄りになります。それでも外枠はウォーターフォールで固める。この見極めこそが、AI時代の進め方設計の勘所ではないでしょうか。

おわりに

本記事では、AI時代のシステム開発の進め方を主題に、その土台となるウォーターフォール型とアジャイル型の特徴を整理したうえで、AI開発では「先に固めて計画どおりに作る」前提が通用しにくくなること、そして現実的な解は「外枠はウォーターフォール・中身はアジャイル」の二層構造であることをご説明しました。

改めて最も重要な点を申し上げると、それは手法ありきで考えるのではなく、「何を実現したいのか」という目的から逆算して進め方を選ぶことに尽きるかと思います。どの手法にも得意・不得意があり、あらゆるプロジェクトに万能な進め方は存在しません。AIという不確実性の高い技術を扱う時代だからこそ、自社の状況を正しく見極める視点が欠かせないと言えます。

弊社ファーストデジタルでは、要件定義などの上流工程から、システム・AIの開発、そしてMLOpsを含む運用・定着の支援までを幅広くお手伝いしています。「AI導入をどう進めればよいか」「自社のプロジェクトにはどの進め方が合うのか」といったご相談も承っています。本記事が、AI時代の開発への一歩を踏み出す際のご参考になれば幸いです。