影響範囲調査をもっと楽にしたい！AIモデル比較に挑戦【前編】

はじめに

エンジニアの村林と鈴木です。普段はそれぞれ別の現場でシステム開発や運用に関わっていますが、雑談の中で「影響範囲調査って大変だよね」という話題になることがよくあります。

調査方法や視点が人によって違ったり、時間をかけても漏れが出たり……そんな経験を何度もしてきました。「これってどうにかできないのかな？」という共通の課題意識から、「じゃあ二人で一緒に試行錯誤してみよう」と始めたのが今回の取り組みです。

せっかくなので、AIを使ったアプローチを実際に試し、その結果をブログにまとめていくことにしました。私たち自身が感じている課題と解決の模索を共有することで、同じように悩んでいる方のヒントになればと思っています。

影響範囲調査のむずかしさ

システム開発や運用に携わっていると、必ず直面するのが「影響範囲調査」です。コードを少し直しただけなのに別の機能に影響が出たり、設定を変えたことで思わぬ不具合につながったり…。

もし調査に漏れがあれば、後から不具合が発覚してリリースが止まることもあり、現場の負担は一気に増してしまいます。「この調査さえもっと楽になれば」と思う瞬間は多いのではないでしょうか。

属人化しやすい現場の現実

実際の調査は人の経験や勘に依存する部分が多く、どうしても属人化しがちです。ベテランなら素早く正確に調査できても、担当者が変われば時間がかかったり精度に差が出たりします。

大規模なシステムでは依存関係が複雑で、「全部ちゃんと洗い出せたのか？」という不安は常につきまといます。結果として、影響範囲調査は“重要だけど難しい作業”という扱いになりがちです。

AIへの期待

そこで最近注目しているのがAIの活用です。AIはソースコードや設計資料、仕様書などを横断的に読み込み、関連する部分を結びつけて提示できます。人間が調査で見落としやすい依存関係や影響範囲を浮き彫りにすることで、漏れのリスクを減らせる可能性があります。

モデルの違いを見てみたい

ただし、AIといっても一枚岩ではありません。モデルごとに得意分野が異なり、影響範囲調査のどこで力を発揮するかもモデル次第です。だからこそ「どのモデルを選ぶか」で得られる成果が大きく変わってくると考えています。

次回に向けて

そこで私たちは、「じゃあ実際にいくつかのモデルを比べてみよう」と考えました。同じ条件で質問を投げて違いを見れば、「このモデルはこういう場面で役立つんだな」というイメージがつかめるはずです。

今回は、影響範囲調査の課題やAI活用への期待、そして比較に挑戦しようと思ったきっかけをまとめました。次のブログでは、Cursorを使ってそれぞれのモデルに同じ質問を投げ、回答の違いを比較していきます。人が調査した内容とAIの結果を比べたときの差や、モデルごとの得意・不得意、アウトプットの違いなどを具体的に紹介する予定です。