AIの速度に人間が追いつくための「運用術」：並列セッション管理と指示の最適化
本記事は、LLM（大規模言語モデル）を活用した受託開発において、人間がAIの圧倒的な処理速度に追いつくための高度な「運用フロー」を詳細に解説しています。筆者はCognisant合同会社にてLLMシステムの受託開発を手掛けており、平日は6本から9本ものClaude Codeのセッションを並列で稼働させています。この運用において、ボトルネックはAIの処理能力ではなく、「人間がその出力を把握し、次の指示を出す」プロセス自体にあると指摘しています。
このボトルネックを解消するため、筆者は「認識の工夫」と「指示の工夫」の二点を徹底的に改善しています。まず「認識の工夫」として、確認対象をコードそのものから「動作と資料」に移行させ、誤りの低減と共有効率の向上を図っています。また、資料作成には「現状フロー」「承認フロー」などの「分かりやすい型（テンプレート）」をスキルとして定義し、構造化されたアウトプットを強制しています。さらに、複数のセッションの活動状況を一元的に把握するため、Sublime Textのカスタムパネルを導入し、変更履歴を視覚的に追跡する仕組みを構築しています。
次に「指示の工夫」では、修正指示を長文の説明から脱却させるため、領域に応じた専門的な手法を採用しています。フロントエンドは視覚的な差分（JSON）渡し、資料は注釈（Annotation）による指示、バックエンドは設計・テストの事前定義、インフラは監視ログによる定量的評価など、指示の手段を最適化しています。また、セッションが判断に迷った際は、自由記述を避け、選択肢形式での回答を促すことで、人間側の返答コストを最小限に抑えています。
さらに、9本ものセッションを安定稼働させるための「並列の土台」として、`git worktree`による作業環境の隔離、`&&`を用いた同一コマンド内での状態切り替え、そしてセッション間メッセージによる引き継ぎプロトコルを確立しています。これらの工夫は、単なる技術的な工夫に留まらず、日々の「スキル」や「memory」の棚卸し、用語の台帳化といった継続的な運用改善サイクルによって支えられています。結論として、AI時代における開発の鍵は、AIを速くすることではなく、人間がその速度に追いつくための「仕組み化されたプロセス」を構築することにあると述べています。
背景
近年、LLM（大規模言語モデル）の進化により、AIによるコード生成や資料作成の速度は飛躍的に向上しました。しかし、その結果、単にAIを動かすだけでは対応できず、膨大なアウトプットの中から真偽を判断し、次の指示を出す「人間のオーバーサイト（監視・統制）」の工数がボトルネックとなりつつあります。本記事は、この課題に対する具体的なワークフロー設計の記録です。
重要用語解説
- LLMシステム: 大規模言語モデル（LLM）を活用したシステム開発全般を指します。単なるチャットボットではなく、受託開発のプロセス全体を自動化・支援する仕組みを指します。
- git worktree: Gitの機能の一つで、メインのリポジトリを汚染することなく、複数の異なる作業ブランチや状態を同時に切り分けて作業できる環境です。並列開発において必須の隔離技術です。
- セッション: 本記事における「セッション」とは、Claude CodeのようなAIエージェントが特定のタスクを遂行するために立ち上げる、独立した作業環境やプロセスを指します。複数のセッションを並列で動かすことが特徴です。
今後の影響
本記事で示された「運用術」は、今後のAI開発における標準的な開発プロセス（DevOps）のあり方を変革する可能性を秘めています。開発者は単なるコーダーではなく、「AIエージェントのオーケストレーター（指揮者）」としての役割が求められ、プロセスの設計と監査能力が最も重要なスキルとなります。これにより、開発の効率が飛躍的に向上すると予想されます。