1. JustFit
  2. ブログ
  3. AI CI/CD 自動デプロイ|AIと人の確認の分け方

AI CI/CD 自動デプロイ|AIと人の確認の分け方

JustFit編集部(運営:株式会社LEGAREA)

AI駆動開発では、コードを書く速さが上がる一方で、できたものを安全に利用者へ届ける「リリース工程」が全体の速度と品質を左右します。この記事では、CI/CDと自動デプロイの基本を押さえたうえで、AIに任せやすい確認と、人が判断すべき確認の分け方を整理します。新規事業のシステムを作る立場で、リリースの仕組みをどこまで自動化し、どこに人の目を残すかを考える材料になれば幸いです。

CI/CDと自動デプロイとは何か

まず言葉を確認します。CI/CDは、システムを作って届けるまでの流れを自動化する考え方です。

  • CI(継続的インテグレーション):コードが変更されるたびに、ビルド(動く形にまとめる作業)、テスト、静的解析(コードを実行せずに問題を探す検査)を自動で回す仕組み。
  • CD(継続的デリバリー/デプロイ):検査を通ったものを、公開できる状態にまで進める仕組み。公開まで自動で行う場合を「自動デプロイ」と呼びます。

デプロイとは、作ったシステムをサーバーなどの動く環境へ配置し、利用者が使える状態にすることです。

手作業のリリースで起きやすいこと

CI/CDがない開発では、リリースは担当者の手順書と記憶に頼ります。すると次のような問題が起きやすくなります。

  • 手順の抜けや順番の間違い(設定ファイルの反映漏れなど)
  • 「担当者の手元では動いたが、本番では動かない」という環境差
  • リリース作業ができる人が限られ、属人化する
  • 作業が重いため、リリースの回数が減り、1回あたりの変更量が膨らむ

変更量が膨らむと、不具合が出たときに原因の切り分けが難しくなります。小さな変更を何度も出すほうが、問題の特定も修正も楽になります。CI/CDは、この小さく頻繁なリリースを無理なく続けるための土台です。

AI駆動開発でリリース工程が重要になる理由

AIがコードを書く速度は人より速く、変更の量と頻度が増えます。書く側が速くなっても、確認と公開の側が手作業のままでは、そこが詰まります。逆に、確認を急ぎすぎると、AIが書いたもっともらしい誤りが本番に流れ込みます。この種の誤りの性質は生成AIのハルシネーションが開発に混ざるとき|見つけ方と防ぎ方で扱っています。

つまり、AI駆動開発では「速く書ける」ことを「安全に届けられる」ことにつなげる仕組みが必要です。その中心がCI/CDです。AI駆動開発そのものの全体像はAI駆動開発とは|AIと人の役割分担と発注側の要点にまとめています。

リリース工程でAIに任せやすい確認

リリースまでの確認を、「機械的に判定できるもの」と「判断が必要なもの」に分けると、AIに任せやすい範囲が見えてきます。

パイプラインに組み込む自動チェック

CI/CDの一連の流れを「パイプライン」と呼びます。次のような確認は、基準が明確なのでパイプラインに組み込み、機械的に回せます。

  • ビルドの成否:コードが動く形にまとまるか
  • 自動テスト:単体テスト(部品ごと)と結合テスト(部品をつないだ状態)の合否
  • 静的解析・書式チェック:書き方の規約違反、型の不整合、未使用のコードなど
  • 依存ライブラリの脆弱性検査:利用している外部部品に、既知の弱点が報告されていないか
  • シークレットの混入検査:パスワードやAPIキーなどの機密情報がコードに紛れていないか

これらは合格か不合格かがはっきりしており、人が毎回手で見るより機械に任せたほうが漏れにくい領域です。

AIが力を発揮する場面

こうした機械的なチェックに加えて、AIは次のような場面で役に立ちます。

  • テストコードの作成・追加:変更内容に合わせてテストを書き足す。詳しくはAIのテスト自動生成|任せる範囲と人が見る確認項目で整理しています。
  • 変更内容の要約:何がどう変わったかを文章でまとめ、確認する人の負担を減らす
  • コードレビューの一次確認:バグの疑いや読みにくい書き方を洗い出す。指摘の傾向と人の判断の分け方はAIコードレビューで指摘される点と人が判断する点にあります。
  • 失敗したパイプラインの原因調査:ログを読み、どの工程で何が失敗したかを整理し、修正案を出す
  • リリースノートの下書き:変更点を、利用者向けと開発者向けに分けて書き起こす

ここで大切なのは、AIの出力は「提案」であり、合否を決めるのは事前に決めた基準だという点です。基準を決めるのは人です。

リリース工程で人が持つ確認

自動化が進んでも、人の判断を残すべき確認があります。品質の最終判断が人の役割であることは、AI開発でも品質には人の確認が必要な理由でも触れています。リリース工程では、特に次の点が該当します。

「そもそも出してよい変更か」の判断

テストが通ることと、事業としてリリースしてよいことは別です。たとえば次のような判断は、機械には下せません。

テストは「書かれた期待」を確かめるだけです。期待そのものが事業の意図に合っているかは、何を作るかを決める人が確認します。

データに触れる変更の承認

データベースの構造を変える作業(マイグレーション)は、特に慎重さが要ります。コードは前のバージョンに戻せても、書き換えてしまったデータは簡単には戻りません。そのため、次の点は人が内容を読んで承認する場面にしておくのが現実的です。

  • テーブルの削除・列の削除・型の変更
  • 既存データを一括で書き換える処理
  • バックアップが取れていること、戻す手順が用意されていること

データ設計のどこまでをAIに任せるかはAI設計でDB設計はどこまで任せる?役割分担の考え方で整理しています。

セキュリティと権限まわりの確認

AIが書いたコードは、動くけれど安全面の配慮が足りないことがあります。自動検査で拾えるものは拾ったうえで、認証・認可(誰に何を許すか)、入力値の扱い、ログに残してはいけない情報の扱いなどは、人が観点を持って確認します。観点の一覧はAI生成コードのセキュリティ|確認点と人の役割にまとめています。

障害時の判断

公開後に問題が見つかったとき、「戻すか、直して進めるか」「利用者にどう伝えるか」を決めるのは人です。AIは原因の調査や修正案の作成を助けられますが、事業への影響を踏まえた判断は人の仕事として残します。

自動デプロイを安全に回す設計

ここからは、自動デプロイを実際に組むときの設計の考え方です。

環境を分け、段階を踏む

多くのシステムでは、環境を次のように分けます。

  1. 開発環境:作っている最中に動かす場所
  2. ステージング環境:本番とほぼ同じ構成で、公開前の確認をする場所
  3. 本番環境:利用者が実際に使う場所

AIが書いた変更は、まず開発環境とステージング環境で動かし、自動テストと人の目視確認を経て本番に進める、という段階を踏みます。「ステージングを飛ばして本番へ」という近道を、仕組みの上で作らないことが大切です。

承認の関所(ゲート)を決める

自動デプロイといっても、すべてを無人で流す必要はありません。多くの場合、次のように「自動で進む範囲」と「人の承認を待つ範囲」を分けます。

  • 開発環境への反映:テストが通れば自動
  • ステージング環境への反映:テストが通れば自動
  • 本番環境への反映:担当者の承認ボタンを待って実行

本番反映の前に1回だけ人が確認する形にすると、速度を大きく落とさず、取り返しのつかない操作の前に人が立ち会えます。承認の基準(誰が、何を見て承認するのか)は、事前に文章で決めておくと属人化しません。

戻せる仕組みを先に用意する

リリースで最も大事な備えの一つが、元に戻せることです。

  • ロールバック:問題が見つかったとき、直前の正常なバージョンへ戻すこと
  • フィーチャーフラグ:新機能のオンオフを、再デプロイなしで切り替える仕組み
  • カナリアリリース:最初は一部の利用者にだけ新バージョンを見せ、問題がなければ広げていく方法
  • ブルーグリーンデプロイ:新旧2つの環境を用意しておき、切り替えで公開・復旧する方法

すべてを最初から導入する必要はありません。ただ、「戻す手順が決まっていて、実際に試したことがある」状態は、初回のリリース前に整えておきたいところです。

機密情報とアクセス権の管理

パイプラインは、本番環境に触れる強い権限を持つことがあります。そのため、次の点を設計に入れます。

  • パスワードやAPIキーは、コードに書かず、専用の管理機能(シークレット管理)に置く
  • パイプラインに与える権限は、必要な範囲に絞る
  • 本番環境の管理者アカウントの名義と保管先を、運営側が把握しておく(システム開発のサーバー名義は誰にする?外注前の決め方で、名義の考え方を扱っています)

AIエージェントに本番への権限を渡すときの線引き

最近は、AIエージェント(目的を与えると、複数の手順を自分で判断して実行するAI)が、コードの修正からデプロイまで進める使い方も広がっています。便利な反面、権限の渡し方には注意が要ります。

権限は「作業の種類」で分ける

おすすめしたい考え方は、AIに渡す権限を、作業の種類と影響の大きさで段階分けすることです。

  • 読むだけ:コードやログの閲覧。広く許してよいことが多い
  • 開発環境で書く・動かす:試行錯誤の場。許可しやすい
  • ステージングへの反映:自動テストの合格を条件に許可する
  • 本番への反映・データの書き換え:人の承認を必須にする

AIは指示の解釈を誤ることがあります。そのため、間違えても被害が限定される範囲で動かし、被害が大きい操作の前には人が入る、という線を引きます。具体的な線引きの考え方はAIエージェントの権限を開発でどう決める?本番とデータの線引きで詳しく扱っています。

実行の記録を残す

AIがいつ、何を、どの権限で実行したかを記録に残しておくことも重要です。問題が起きたときに、原因をたどれるようにするためです。人が操作した場合と同じように、変更履歴・承認の記録・実行ログを残す運用にします。

隔離された環境で動かす

AIに試させる作業は、本番や機密データから切り離した環境で行う、という考え方もあります。AIエージェントの動作を制限する仕組みについては、MXCが正式版に、AIエージェントの権限をOSで制限やPerplexity、エージェント隔離環境SPACEをOSS公開といった最近の動きも参考になります。

新規事業の初期リリースでの考え方

最後に、新規事業のシステムという文脈で、リリース工程をどこまで作り込むかを考えます。

最初から完璧なパイプラインは要らない

新規事業の初期は、仕様も利用者の反応も固まっていません。そのため、リリースの仕組みを最初から大がかりに作る必要はありません。最低限、次の4点が揃っているかを確認するとよいでしょう。

  1. 変更のたびに、ビルドと基本的な自動テストが回る
  2. ステージング環境で確認してから本番に出す
  3. 本番への反映は、人が承認してから行う
  4. 問題が出たとき、前のバージョンに戻せる

この4点だけでも、手作業のリリースに比べて事故の芽を減らせます。利用者が増え、機能が増えるにつれて、テストの範囲やカナリアリリースなどを足していきます。公開範囲を絞る進め方は新規事業のクローズドβ|進め方と公開範囲の決め方も参考になります。

発注側として確認しておきたいこと

開発を外部に依頼する場合は、リリースの仕組みについても、次のような点を事前に確認しておくと安心です。

  • リリースは自動化されているか。本番反映の前に、誰が何を承認するのか
  • 戻す手順は用意されているか
  • パイプラインの設定やデプロイ手順は、納品物として受け取れるか(システム開発の納品物一覧|ソースコード以外に受け取る成果物で、受け取る成果物の例を挙げています)
  • 本番環境やクラウドのアカウントは、運営側の名義になっているか
  • AIを使った開発で、AIにどこまでの権限を与えているのか

これらは、依頼先の選定時の質問にもなります。AIを使った受託開発に依頼する前の確認点はAI受託開発に依頼する前に確かめたい6つのことにまとめています。

保守の視点も忘れずに

リリースの仕組みは、納品後の保守にも直結します。誰がリリースを行い、不具合があったときに誰がどう対応するのか。AIが書いたコードを後から直せる状態を保つ観点は、AI生成コードの保守は可能か|引き継ぎと改修の確認点で扱っています。

まとめ

CI/CDと自動デプロイは、AI駆動開発で増える変更を、安全に素早く届けるための土台です。要点を整理します。

  • ビルド、テスト、静的解析、脆弱性検査、機密情報の混入検査のように、合否が明確な確認はパイプラインに組み込み、機械に任せる
  • AIは、テストの作成、変更の要約、レビューの一次確認、失敗の原因調査で力を発揮する。ただし合否の基準を決めるのは人
  • 事業としてリリースしてよいか、データに触れる変更、セキュリティと権限、障害時の対応は、人が判断を持つ
  • 環境を分け、本番反映の前に承認を置き、戻せる仕組みを先に用意する
  • AIエージェントには、作業の種類と影響の大きさに応じて権限を段階分けし、実行の記録を残す
  • 新規事業の初期は、最低限の自動化と人の承認から始め、事業の成長に合わせて育てる

私たちJustFitは、株式会社LEGAREAが運営する完全オーダーメイドの受託開発サービスです。構想をもとに約1ヶ月で動くプロトタイプを先に作り、実物を見てから契約を判断していただく「先に作って、後から決める」進め方をとっています。開発には、複数の専門AIが工程ごとに役割を分担する独自の開発基盤「LAF」を使い、人は何を作るかの決定と品質の最終判断を担います。リリースの進め方や確認の分け方についてお悩みのときは、JustFitのサービス紹介もご覧ください。

← ブログ一覧へ