あまねく、たどりつく。
Everywhere, everything, within reach.
AI駆動開発支援基盤「AMANEX（アマネックス）」
AIがコードを書く時代になりました。しかし大規模な商用システムでは、AIが素早く積み上げたコードの設計や依存関係が誰の頭にも残らないまま、新たなブラックボックスが生まれています。AMANEXは、既存コードとナレッジを構造化ドキュメントへ自動変換し、人とAIが同じ知識を参照して協調開発を進めるための共通の基盤をつくるAI駆動開発支援基盤です。
01
3つの
小規模なプロトタイプや社内ツールであれば、AI任せで十分に速く作れます。しかし顧客に対する信頼と継続運用が求められる大規模商用システムでは、話が変わります。
- AIは大量のコードを素早く生成しますが、設計や依存関係は誰の頭にも残らないまま積み上がります。
- 大きなシステムでは、かえってレビューや保守コストが膨らみます。
02
にも限界がある
探索の限界
巨大コードの全体を毎回読ませることはできず、浅い探索で答えてしまう。
ハルシネーション
誤りが混じっても、どこにどのような誤りがあるかの検出が難しい。
非決定性
同じ質問でも、毎回探す場所も答えも変わりうる。
コスト
問い合わせのたびに巨大コードを読み直すのは、時間もトークンも高くつく。
03
“静かに”
AIまかせの弱点は、失敗が“見えない”ことです。
- 処理されなかったファイルがあっても、「完了しました」と返ってきます。
- 欠落はファイル単位だけでなく、記載項目の単位でも起きます。
- どこが漏れたか分からないため、確認のために人が全体を見直す工数がかかります。
実運用ではコードを変更するたびに差分更新を繰り返します。そのたびに欠落が積み重なり、ドキュメントは静かに、しかし確実に劣化していきます。
Trust
顧客からの問い合わせに、誰が回答内容を保証するのでしょうか。人がAIをどう受け取るかについては、興味深い研究があります。
- 医療の実験では、診断精度が同じでも、被験者はAIではなく人間の医師を選びました。その背景にあるのは「AIは自分固有の事情を汲めない」という懸念（uniqueness neglect）です。（Longoni et al., 2019）
- 「AIを使った」と開示するだけで信頼が下がるという研究報告もあります。13の実験を通じて一貫して確認された傾向です。（Schilke & Reimann, 2025）
これらは、AIがどれだけ賢くなっても残りうる心理的なバイアスです。だからこそ、AIの出力をそのまま顧客に渡すのではなく、間に立つ人が内容を理解し、正しさを確かめ、責任をもって保証できる状態にしておく必要があります。実際、先の研究でも、AIが人間の判断を置き換えるのではなく支援する形で提示されたとき、抵抗は和らぐことが報告されています。
Schilke, O., & Reimann, M. (2025). The transparency dilemma: How AI disclosure erodes trust. Organizational Behavior and Human Decision Processes, 188, 104405.
Solution
人が読んで理解でき、AIが入力として使える形——それが設計ドキュメントです。人とAIが同じ知識を参照し、同じ知識ベースで対話し、役割分担しながら協調して開発を進めます。AIコーディング時代だからこそ、「コード → ドキュメント化 → 知識の共有 → AIとの協調開発」という流れが重要になります。
AMANEX docgen
ハーネス／ループ設計（Harness / Loop Engineering）
先に見た“静かな劣化”を止めるには、AIへの指示を工夫するだけでは足りません。AIの外側から網羅を照合し、欠損を検知し、リトライを制御する層が必要でした。
そこでAMANEXは、処理全体をAIに委ねず、厳密であるべき部分と自然言語生成の部分を明確に分けました。それを支えるのが次の2つです。
- ハーネス＝AI Agent を外側から囲う枠組み。何を渡し、何を受け取り、どう検査するかを定める。
- ループ＝その枠が回す反復と判定。生成 → 完了判定 → リトライ → 次へ、をオーケストレーションプログラムが回し切る。
論理的に確実であるべき部分はプログラムで厳密に制御し、柔軟な文章生成はAIに任せる。この役割分担によって、Agent単体では得られない「完全性・高品質・継続的な差分更新」を実現します。AMANEX docgen は、この3層をまとめてパッケージ化したものです。
網羅性のチェック ／ 欠損検知 ／ 自動リトライ ／ 未生成箇所の明示
- (a) 既存の AI Agent（現時点では Claude Code）— 自然言語による文章生成を担う。
- (b) プロンプト制御層 — 何を・どの構造で書くかの仕様を与え、体系的なドキュメントに揃える。
- (c) プログラム制御層 — 網羅照合・欠損検知・自動リトライ・差分制御・品質レポート。正確さを機械で保証する。
ボトムアップビルド
最下層のファイルから上位モジュールへ段階的に解析・集約するため、巨大コードでも漏れ落ちなく完遂し、完成後はトップダウンで辿れるドキュメントツリーになります。ER図・DB定義書・モジュール依存関係・セキュリティ／不具合懸念など、商用サービスに有用な情報も自動でHTML化して出力します。
ドキュメントの差分更新
変更箇所に対応する部分だけを置き換え、変わらない部分は触りません。git管理でも差分が汚れず、読む範囲・書く範囲が最小なので更新コストも最小です。毎サイクルでチェック＆リトライが動くため、更新を繰り返しても品質が落ちません。万一リトライ上限まで失敗しても、その箇所はログに記録され未生成として明示されます（“失敗の見える化”）——漏れ落ちに気づけることが、AI任せとの決定的な差です。
ドキュメント生成対応言語
JavaScript, TypeScript, Python, PHP, C/C++, C#, Ruby, Go, Rust など、ビジネスでの使用率調査で上位に出てくる言語を中心に対応済み。今後も拡充予定です。
AI-Driven Development
生成ドキュメントは、人が読むだけでなく AI の“入力”としても活用できます。設計ドキュメントは意味検索、ソースコードは構造解析で索引化し、AMANEX docgen MCP が束ねます。MCPなので既存の AI Agent プログラムとそのまま連携できます。手持ちの AI Agent から接続して質問すると、関連ドキュメントと該当ソースの場所を行番号まで含めた根拠として返す——システムを熟知した匠・ベテランPMと対話するように使えます。
開発サイクルに載せる
- GitHub 連携：リポジトリURLを指定するだけで初回生成・差分更新を直接実行。
- CLIツール（1コマンド・非対話・自動再開）なので、既存のCI/CDや独自の開発ループに組み込みやすい。
- 更新結果はPRとして提出でき、gitの差分レビューでそのまま確認できます。
Case Study
ビープラッツ株式会社様では、AMANEXが生成したAI設計ドキュメントとAI Agentを日々の開発サイクルに組み込み、開発者とAIが協調して開発を推進する「AI駆動開発」がすでに始動し、成果を上げています。
7,950ファイル
＋1,000モジュール
（フォルダ）
9,083件
75MB
生成される内容の例
概要, 設計パターン, クラス/関数一覧, 依存関係, 定数一覧, データ構造, セキュリティ考慮, 技術的負債・既知の問題, 拡張性・保守性, など
定数・Enum値 逆引き辞書, DB定義書, 依存パッケージ一覧, ER図, エラーコード一覧, 共通コンポーネント・ヘルパー関数一覧, モジュール依存図, ユニットテスト一覧・機能対応表, など
調査・影響分析・テスト設計に直結する実務向けの構造化情報も自動生成しています（定数・Enum値の逆引き辞書 4,539件、ルーティング定義 61ルート、Modelリレーション 722件、エラーコード一覧 848件、ユニットテスト一覧 769ファイル／2,568メソッド ほか）。生成物はHTML化され、LLM不要のオフラインでも閲覧できる軽量ビューアとして提供されます。
Platform
AMANEX docgen
巨大コードから設計ドキュメントを完全自動生成。属人的な設計知識を客観的なドキュメントへ変換し、機能拡張やモダナイゼーションの確実な足場をつくります。
AMANEX Knowledge
GitHub・Redmine・Google Drive・Zendesk・Slackなど社内に分散するナレッジを横断検索。必ず元となった文書の引用をエビデンスとして提示し、ハルシネーションを抑制した回答を生成します。
2つの基盤の統合活用
2つの基盤はそれぞれ単独でも使えますが、docgen が生成した設計ドキュメントを Knowledge の知識ベースにも取り込むことで活用の幅が広がります。土台となる docgen の構造化ドキュメントに対し、Knowledge がエビデンス付きで問い合わせに答える——この組み合わせにより、企画・要件定義から設計・実装・テスト・運用サポートまで、AI駆動開発の全フェーズを一気通貫で支援します。
Use Cases
既存システムの設計理解・引き継ぎ
属人化した仕様を客観的ドキュメント化し、新規参画者の立ち上がりと日常的な改修判断を支える。
安全な機能追加・影響分析
依存関係・呼び出し箇所を構造化し、「この変更で何が壊れるか」を事前に見極める。
レガシー資産のモダナイゼーション
現行コードと整合する仕様書として、別フレームワーク・別言語への再実装の起点に。人とAIの共通の参照点になる。
AI Agent活用の事前構造化
よく参照される情報を先に構造化しておくことで、都度のトークン消費と調査コストを抑え、Agent活用の効率を底上げする。
Documents
AMANEX docgen ご紹介資料
AI駆動開発を全面導入したプロジェクトの舞台裏を含む、セミナー講演資料です。本ページで触れていない検証の詳細や運用コストの目安もご覧いただけます。
生成は AI に、
保証は仕組みに、
理解は人に
その役割分担を支える — AMANEX
あまねく、たどりつく。
Everywhere, everything, within reach.
Article List
関連記事一覧
Coming Soon
Contact Us
まずはご相談から
