仕様をAIの唯一の真実として─仕様駆動開発の成果のカギ

AIを業務で使っていると、
「前回は正しい回答だったのに、今回は違うことを言う」
「似たような質問なのに、出力内容がぶれる」
といった悩みにぶつかることがあります。

こうした問題が起きると、「AIの精度がまだ低いのではないか」と思いがちです。しかし実際には、AIそのものよりも、AIに何を見せているか、そしてどの情報を正しいものとして扱わせているかに原因があるケースが少なくありません。AIは、人のように背景や事情を自然に整理してくれるわけではありません。与えられた情報をもとに最もそれらしい答えを組み立てるため、参照する情報が曖昧だったり、複数の資料に矛盾があったりすると、そのまま判断のぶれとして表れてしまいます。

だからこそ大切なのが、仕様書をAIにとっての唯一の真実にすることです。今回は、AI活用で見落とされがちな仕様の重要性について、課題・解決策・事例の3つに分けて分かりやすく紹介します。

AIを使うとき、つい「関連しそうな資料はできるだけ多く渡した方がよい」と考えてしまいがちです。
たしかに情報が不足していると、AIは十分な判断ができません。しかし、情報を増やせば増やすほど精度が上がるわけでもありません。たとえば、仕様書、会議メモ、メール、チャット、過去の運用資料、担当者ごとの補足コメントなどをまとめてAIに与えたとします。

一見すると親切なようですが、そこに少しでも表現の違いや更新漏れ、判断の食い違いがあると、AIは「どれを信じればよいのか」をうまく整理できません。その結果、あるときはAの情報をもとに判断し、別のときはBの情報を優先する、といったぶれが起きます。

人間であれば「これは古い情報だな」「この会議メモはまだ未確定だな」と読み分けられますが、AIはその前提を明示されなければ正しく扱えないことがあります。

さらに、大規模言語モデルにはコンテキスト・サイズ（記憶できる情報量）の制限があります。
つまり、一度に扱える情報量には上限があり、必要以上に詰め込めばよいというものではありません。不要な情報まで入れてしまうと、本当に重要な仕様が埋もれてしまい、かえって判断精度が落ちることもあります。

AIの出力が安定しないとき、原因はモデルの性能不足ではなく、情報の与え方が整理されていないことにあるかもしれません。

では、どうすればAIの判断を安定させられるのでしょうか。
その答えのひとつが、仕様書をSingle Source of Truth（唯一の信頼できる情報源）として明確に定義することです。

AIに複数の資料を見せること自体は問題ではありません。問題なのは、どの資料が最終的に正しいのかが決まっていないことです。ここが曖昧なままだと、AIはもっともらしい答えは作れても、安定した答えは出しにくくなります。

そこでまず必要なのは、組織として次のようなルールを決めることです。

• 正式な判断基準は仕様書のみとする
• 会議メモやチャットは補足情報として扱う
• 仕様と補足情報が矛盾する場合は、仕様を優先する
• 仕様に書かれていない内容は、AIが推測しないようにする

このルールが明確になるだけでも、AIの出力はかなり安定します。加えて、仕様書そのものの書き方も重要です。AIは曖昧な記述をうまく補完してくれることもありますが、それは裏を返せば、勝手に解釈してしまうということでもあります。「おそらくこういう意味だろう」と補ってくれた結果が、現場の期待とずれてしまうことは珍しくありません。

そのため、仕様書はできるだけ次のような状態を目指すと効果的です。

• 用語の定義が統一されている
• 条件分岐が明確に書かれている
• 例外処理が漏れなく整理されている
• 優先順位や禁止事項がはっきりしている

さらに、AIに与える情報は必要なものだけに絞ることも重要です。
最新版の仕様書を中心に、必要に応じて補足定義やFAQを追加します。逆に、古い会議メモや未確定の議論資料は外します。こうした整理を行うことで、AIは迷わず判断しやすくなります。つまり、AI活用の精度を高めるには、単に高性能なモデルを使うだけでは足りません。
何を正とし、何を補足とし、何を見せないかを設計することが、実は非常に大きな差を生みます。

ある開発チームでは、設計書レビューを効率化するためにAIを導入していました。AIに設計書を読ませ、ルール違反や記述漏れをチェックさせることで、人のレビュー負荷を減らすことが目的でした。

そこでチームは、最新版の仕様書を唯一の正式な情報源として定義し、補足資料も必要最低限に整理しました。さらに、「仕様書を最優先にする」「不明な点は推測せず確認事項として返す」とプロンプトに明記しました。

その結果、AIのレビュー結果に一貫性が生まれ、判断のぶれが大幅に減少しました。レビュー担当者がAIの出力を何度も確認し直す必要も減り、全体のレビュー効率が向上しました。この事例が示しているのは、AI活用ではモデルの性能だけでなく、どのような情報を仕様としてAIに渡すかという情報設計が非常に重要だということです。

AIの出力が安定しないとき、つい「もっと高性能なAIを使えば解決するのではないか」と考えてしまいます。もちろんモデルの性能は重要ですが、実務で成果を左右するのは、それ以上に情報の整理と優先順位の設計です。

複数の資料を無秩序に与えるのではなく、
「どの文書が正式な仕様なのか」
「どこまでが補足情報なのか」
「仕様にないことはどう扱うのか」
を明確に決めることで、AIの判断は大きく安定します。AIを賢く使うために必要なのは、AIにたくさん考えさせることではありません。迷わず判断できる土台を、人間側がきちんと整えることです。

仕様をAIの唯一の真実にする。この考え方が、AI活用を「試しに使ってみる段階」から「実務で信頼して使える段階」へ進めるための大きなカギになります。

IBMではシステム開発におけるノウハウを集積したエンタープライズ向けAI駆動開発ソリューション「AI Lifecycle Shared Engineering Artifacts：ALSEA（アリーシア）」（注1）を提供しています。システム開発に必要な知見やルールを、AIが活用可能な形で体系化し、企業ごとの開発標準や要件に応じた仕様の作成により、AI駆動開発の導入・展開を本格的に支援しています。

Q1. 仕様書以外の資料はAIに与えない方がよいのでしょうか。
A. いいえ、必ずしもそうではありません。大切なのは、仕様書を最優先の正式な情報源としたうえで、補足資料の役割と優先順位を明確にすることです。

Q2. AIには情報を多く与えた方が精度は上がりますか。
A. 必ずしも上がるとは限りません。情報が多すぎると、重要な内容が埋もれたり、矛盾した情報を同時に参照して判断が不安定になったりするため、必要な情報を整理して渡すことが重要です。

Q3. コンテキスト管理を見直すと、どのような効果がありますか。
A. AIの出力の一貫性が高まり、仕様違反や判断のぶれが減ります。その結果、確認作業の手戻りが少なくなり、品質向上と業務効率化の両方につながります。

注釈
（注1）日本アイ・ビー・エム株式会社. 「IBM Consulting Advantage AI Lifecycle Shared Engineering Artifacts：ICA ALSEA（ICAアリーシア）」. IBM Consulting, 2026年. https://www.ibm.com/jp-ja/consulting/alsea-ai-lifecycle-shared-engineering-artifacts

• 現場で使えるAI駆動開発の10箇条─落とし穴と実践知