「Gemini」「Claude Code」「Codex」 全社展開・本番実装に役立つ5つのポイント：AIをチームの一員へ

開発現場における生成AIの利用は常態化しつつあるものの、「コード補完の域を出ない」「特定の個人のスキルに依存している」といった課題があります。本稿では、個人の生産性向上からチームへの定着、全社規模での展開、そしてAIエージェントの本番実装に至るまで、開発プロセス変革に役立つ5つのポイントを整理します。

[雨輝ITラボ（リーフレイン）, 編集：石川俊明，＠IT]

　ソフトウェア開発の現場において、生成AIの利用は今や常態化しつつあり、自律的にタスクをこなす「AIエージェント」の導入も始まりました。その一方で、「コード補完や不具合修正といった補助的な利用にとどまっている」「属人化してチーム全体の生産性向上につながっていない」と頭を悩ませるIT部門のリーダーは少なくないでしょう。

　AIツールの真の価値を引き出すには、その特性を理解し、AIをチームの一員として組み込んだ「開発プロセスの再設計」が不可欠です。「Gemini」「Claude Code」「Codex」など主要のAIツールをフル活用するためにはどうすればよいのか。本稿では、開発プロセス変革に役立つ5つのポイントを整理します。

Geminiの回答精度を最大化する「構造化プロンプト」

　Googleの「Gemini」は、曖昧な入力では曖昧な出力しか得られない傾向があります。特に設計や実装のように精度が求められる場面では、このブレが大きな問題になります。

　これはモデルの性能というよりも、入力する情報の構造化が不足していることに起因します。そのため、求める回答を得るための指示を一定のテンプレートに当てはめる「構造化プロンプト」という考え方が有効です。

構造化プロンプトの基本フレームワーク

　構造化プロンプトの基本となるフレームワークが「RSFC（役割、状況、形式、条件）」と呼ばれる4要素です。

• Role（役割）
  • AIにどんな立場で考えてほしいかを伝える
• Situation（状況）
  • なぜその情報が必要なのかを明確にする
• Format（形式）
  • 出力の構造や表現形式を指定する
• Constraint（条件）
  • 含めるべきキーワードや避けるべき表現を指定する

　例えば「テレワークのメリットを教えて」という1行の質問では、AIは「どの程度の深さで回答すべきか」「どのような形式で出力すべきか」を推測するしかなく、結果として一般的な内容になりがちです。一方、RSFCを使ってこれらを明示することで、意図に沿った精度の高い回答が得られるようになります。

　さらに「段階的に考える」「不足があれば質問させる」といった指示をテンプレート化しておくことで、試行錯誤を減らし、常に高精度な回答を引き出せるようになります。

• 参考：【Google解説】Geminiから確実な回答を引き出すための「構造化プロンプト」完全ガイド

Claude Codeをチーム環境へ組み込む「自律化設定術」

　Claude Codeを活用する場合、個別のプロンプトではなく設定による自律化がポイントです。プロジェクト固有のルールを「.claude」フォルダに定義することで、AIは「文脈を理解したチームメンバー」のような存在になります。

「.claude」フォルダの構造例：Claude Codeが参照する設定ファイルやディレクトリの構成を示している。※Akshay Pachaar氏（@akshay_pachaar）のX投稿に掲載された図を基に編集部で加工

資産としての設定ファイル

　「.claude」フォルダ内にはさまざまな設定がありますが、最初に理解すべき5つの要素があります。

• 「CLAUDE.md」ファイル
  • プロジェクト全体のルールや、ビルドコマンド、アーキテクチャの概要などを記述。セッション開始時に自動で読み込まれる
• settings.jsonファイル
  • Claude Codeが実行できる操作「allow」、できない操作「deny」、確認を求める操作「ask」を定義する
• 「rules/」フォルダ
  • コーディング規約やAPIの設計ルールなどをトピックごとのMarkdownファイルとして管理する
• 「skills/」フォルダ
  • ユーザーが指示しなくてもClaude Codeが状況を判断して自動で呼び出すワークフローを定義できる
• 「agents/」フォルダ
  • セキュリティチェックやコードレビューなど、特定の役割に特化したサブエージェントを定義できる

　これらの設定をリポジトリに含めることで、チーム内の誰もが同じレベルでAIの支援を受けられるようになり、環境構築や規約確認のコストを大幅に削減できます。

• 参考：【入門】.claudeフォルダの構造と使い方　Claude Codeを思い通りに動かそう

全社規模でCodex活用をどう定着させる？　3つのポイント

　個人がツールを使いこなせても、チームや組織全体に定着させることは別の課題です。OpenAI Japanのエンジニアが明かした「コーディングエージェントを全社的に展開するための3ステップ」は、組織全体でAIコーディングエージェント導入を検討している人にとって参考になります。

ステップ1：インテリジェンスに優れた新人として迎え入れる

　Codexに、スコープの限られたタスクを渡し、プロジェクト全体を理解してもらうことから始めます。新しいチームメンバーへのオンボーディングのように、コーディングエージェントがどのような仕事をするのかを人間が理解すると同時に、エージェント側にもプロジェクトを理解してもらうことが大切です。

ステップ2：チーム全体にエージェントの良い振る舞いを広める

　エージェントの作業手順を「Skill」として定義し、チームの共有ディレクトリ（.codex/agent/skillなど）に配置することで、チームの開発ワークフロー全体に展開できます。ビジネスチャットツール「Slack」やタスク管理ツール「Linear」と連携させることで、Slackで機能改善の要望が出た際に、「@Codex」とメンションするだけで自動的にコード修正が走るような仕組みも実現しています。

ステップ3：ハーネスエンジニアリングで自律的な実行を目指す

　「AGENTS.md」を「地図」のように使い、特定の状況でどのツールを使うべきかの道筋を定義します。これにより、エージェントはユーザーの指示を必要とせず、自律的に業務を遂行できるようになります。

• 参考：普通の企業で「コーディングエージェント」を定着させるための3ステップ　OpenAI Japan瀬良氏が説明

「AIエージェント」を本番環境へ実装するには？

　「動くプロトタイプ」を「信頼できる本番運用システム」へ昇華させるには、エンジニアリングとしての規律が必要です。Googleが公開した5つのガイドは、エージェントを本番運用するためのヒントになります。

• Introduction to Agents
  • LLM（大規模言語モデル）を中核に、タスクの計画・ツール連携・ループ処理をするAIエージェントの基本構造を整理
• Agent Tools & Interoperability with MCP
  • AnthropicのModel Context Protocol（MCP）やGoogleのAgent2Agent Protocol（A2A）など、エージェントとシステム間の連携プロトコルを解説
• Context Engineering: Sessions & Memory
  • LLMに必要な情報を適切なタイミングで与え、精度と一貫性を高めるコンテキストエンジニアリングの手法を紹介
• Agent Quality
  • 最終的なアウトプットだけでなく、意思決定のプロセス全体を検証するエージェントの評価・テスト手法を解説
• Prototype to Production
  • 段階的なデプロイ（サンドボックス→一部ユーザー公開→本番展開）や、セッション管理、認証付きツール利用、リアルタイムロギングなど、本番運用に必要なアーキテクチャを解説

　評価、テスト手法やプロトコル（MCP/A2A）を学ぶことは、一過性のブームに左右されない、エージェント時代のシステムアーキテクチャを理解することにつながります。

• 参考：無料で読めるAIエージェントの実践ガイド、Googleが公開　基礎から本番実装まで学べる

社内のナレッジベースが陳腐化している？　AIで解決できるかも？

　開発プロセスにいきなりAIを組み込むのは、セキュリティ面や技術的なハードルが高いと感じる現場も多いでしょう。そうしたケースでは、ローカルのLLMを活用し、開発の足かせとなりがちな社内ドキュメントやナレッジを自動で整理・更新させる「LLM Wiki」というアプローチが有効かもしれません。

　LLM Wikiは、OpenAIの共同創業者であるアンドレイ・カルパシー氏が提唱した概念で、エンジニアを情報の管理から解放し、創造に集中させるための考え方です。LLM Wikiの基本的な仕組みは3つの構成要素から成り立っています。

• Raw sources（一次情報）
  • WebクリップやPDF、メモ、画像などの素材。AIは読み取るが、そのまま記憶するわけではない
• The schema（スキーマ）
  • Wikiの構造やリンクの設計などルールを記述したファイル。AIコーディングツールを使う場合はCLAUDE.mdやAGENTS.mdに相当する
• The wiki（Wikiページの集まり）
  • AIが作成・更新するMarkdownファイル群。ページ間には相互リンクがあり、情報の一貫性が保たれる

　特に注目すべきは、WikiページのメンテナンスをAIが自律的に続ける点です。新しい情報が追加されるたびに関連ページが更新され、古くなった記述や壊れたリンクは定期的な「Lint」（点検）によって検出、修正されます。

　AIが自律的にWikiを点検・更新し続ける仕組みを構築できれば、常に生きた知恵が共有される理想的な開発環境が現実味を帯びてきます。

• 参考：これなら分かる「LLM Wiki」　メモや資料をAIで整理し、使える知識に育てる新しい発想

開発プロセスを変革する第一歩

　本稿では、AIコーディングツールをフル活用するための5つのポイントを紹介しました。

• Gemini
  • RSFCフレームワークを使った構造化プロンプトで、回答の精度を大幅に向上させることができる
• Claude Code
  • 「.claude」フォルダを適切に構成することで、プロジェクトの文脈を理解したエージェントとして活用できる
• Codex
  • Skillの定義やSlack連携を通じて、チーム全体のワークフローへ展開できる
• AIエージェント全般
  • Googleの5つの公開ガイドを活用することで、プロトタイプから本番環境への移行に必要な知識を体系的に習得できる
• ナレッジ管理
  • LLM Wikiという考え方で、陳腐化しがちな社内ドキュメントをAIが継続的に最新化する仕組みを整備できるようになる

　これらに共通するのは、AIを便利なツールで終わらせず、開発プロセスの一部として組み込み、ワークフローそのものを設計するという視点です。

　いきなり全てを変える必要はありません。まずは個人の手元のプロンプトの構造化から、あるいはチームで共通の設定ファイルを作成するステップから始めてみてください。それが、AIをただ使う段階を抜け出すための第一歩となるはずです。