10月16日、AWSが「How Dynata scaled AI across the development lifecycle with AI-DLC and Kiro IDE」と題した記事を公開した。この記事では、データ・テクノロジー企業のDynataがAI駆動開発ライフサイクル（AI-DLC）とKiro IDEを活用し、複数スプリントにまたがっていた機能開発を約1スプリントに圧縮した実践事例について詳しく紹介されている。

「コードを速く書く」だけでは足りなかった

Dynataが取り組んだ課題はシンプルだ。通常3〜4スプリントかかっていた機能開発を、1スプリント相当の時間に短縮する。

ただし、その解決策は単なるAIコード生成ではなかった。要件定義・設計・タスク計画・実装という開発ライフサイクル全体にAIを組み込む「AI-DLC（AI-Driven Development Lifecycle）」という方法論の採用だった。

Dynataは消費者から直接収集したデータ（第一者データ）を扱う企業で、世界最大規模のファーストパーティデータプロバイダーとして知られる。複数の分散したエンジニアリングチームが並行して開発を進める体制をとっており、要件はJira・Confluence・Lucidchart・Figmaに分散し、横断的なチームのアライメントは逐次的に行われていた。テストエンジニアリングや設計、デプロイ計画からのフィードバックが実装後半にずれ込むことが常態化しており、それが手戻りコストの主因となっていた。

3ステップで進んだAI導入

Dynataの取り組みは一度に全部を変えるのではなく、段階的に進めた点が特徴的だ。

ステップ1：AIコーディング支援の確立

まずAmazon Q Developerを導入し、コード生成・テスト作成・実装加速に活用した。開発速度の向上は即座に現れ、チーム全体にAI活用の素地が生まれた。その後、スペック駆動開発とAI-DLCワークフローをネイティブサポートするKiro IDEへと移行した。

ステップ2：知識エコシステムとの接続

JiraのチケットやConfluenceの仕様書、アーキテクチャ図をAIツールに連携させた。これによりテックリードやアーキテクトが、コード生成だけでなく「設計判断の支援」にもAIを活用できるようになった。

「JiraやConfluence、Lucidとつなぐことで、コードだけでなく各開発者レベルでのアーキテクチャ設計にも使い始めた。結果も同様に良好だった」

ステップ3：AI-DLCの発見と採用

AWSのブログや導入事例を通じてAI-DLC方法論を知り、自社での試行へ踏み切った。AI-DLCはAmazon Bedrockをモデル基盤として、要件定義・設計・タスク計画・実装の各フェーズにAIを構造的に組み込み、各段階で人間がレビューと承認を行う仕組みだ。

3日間のワークショップで何が変わったか

最も注目すべきは、Dynataが実施した3日間のクロスファンクショナルワークショップの構造だ。プロダクト・プロジェクトオーナー・テックリード・開発者が一堂に集まり、Kiro IDE上でAI-DLCワークフローを共同で進める。

Day 1：要件定義とアライメント

AIがJira・Confluence・設計ドキュメント・既存コードベースを横断分析し、統合された要件ビューを生成する。次に未定義のエッジケースや情報の抜け漏れを自動で洗い出し、チームが議論して回答を蓄積する。通常「数日〜数週間の反復会議」が必要だったプロセスを、1日の構造化セッションで完結させた。

Day 2：設計とタスク計画

承認済み要件に基づき、AIがコンポーネント境界・サービスインターフェース・データモデル・API契約・依存関係マップを生成。設計変更が発生した際は、関連する成果物（要件書・設計書）が自動的に整合性を保って更新される。プロダクト側も設計フェーズに同席するため、ビジネス判断が必要な設計上の問いに即座に回答できる。日の終わりにはタスクリストを生成し、開発者ごとにオーナーシップを割り振る。

Day 3：コード生成と動くソフトウェア

ステアリングファイル（チームのコーディング規約・命名規則・アーキテクチャパターンを定義したファイル）を通じて、AIは承認済みの設計・要件に忠実なコードを生成する。各ユニットのコード生成前にAIが「コード生成計画」を提示し、開発者が確認・承認してから生成が始まる仕組みにより、開発者のコントロールを維持している。

元記事によれば、この3日間のプロセスを通じてスプリント短縮（3〜4スプリント→1スプリント）以外にも、要件の曖昧さが実装フェーズではなく計画フェーズで顕在化するようになったことで、実装後半の手戻りそのものが構造的に減少したと報告されている。また、チーム横断のアライメントに費やしていた会議コストの削減と、プロダクトオーナーが設計フェーズにリアルタイムで関与できるようになったことによる意思決定の迅速化も、定性的な効果として挙げられている。

IDE非依存で使えるのもポイント

元記事で明記されている通り、AI-DLCは特定のIDEに縛られない方法論だ。DynataはKiro IDEを主に使用しつつ、CursorとClaudeの組み合わせでも同様にAI-DLCを実施し、有効に機能することを確認している。

また、パイロット段階での学習として、セッションをリードする人物（通常テックリードか上級開発者）の事前準備と、参加者全員へのオリエンテーションが成功の鍵だったと強調されている。準備なしに本番チームへ展開しなかったことが、スムーズなスケールアップにつながったという。

まとめ

DynataのAI-DLC導入が示すのは、AIを「個人の生産性ツール」として使うフェーズから、「チーム横断のデリバリープロセスそのものに組み込む」フェーズへのシフトだ。要件の曖昧さが実装中ではなく計画中に顕在化することで、手戻りコストを根本から下げるアプローチは、複数チームで並行開発する組織に直接刺さる事例だ。

詳細はHow Dynata scaled AI across the development lifecycle with AI-DLC and Kiro IDEを参照していただきたい。