開発方針を相談する

既存システムを AI 対応させるリファクタリング入門

AI を後付けする前に、データ・API・権限・ログを整える。

この記事の結論

「既存システムに AI 機能を追加したいんですが、何から手を付けたらいいですか?」

CTO や情報システム部門の方からよく届く相談です。「OpenAI API を呼ぶだけ」と思いがちですが、実際にはデータ構造、権限、ログ、UX、運用の整備 が必要になります。

OpenAI も agentic アプリケーション向けの API・ツール群を公開しており、Responses API、Agents SDK、Web Search、File Search、Computer Use といった構成要素が整っています (New tools for building agents / OpenAI)。ツール自体は揃いましたが、既存システムにフィットさせる側に時間がかかる のが現実です。

この記事では、既存システムを AI 対応させるためのリファクタリング観点を整理します。

AI 機能を後付けするときの落とし穴

実際に min's に持ち込まれる、既存システム AI 化の失敗パターン:

1. データが整理されていない

AI に渡すデータが、複数のテーブルに分散していて整合性がない。テキストフィールドがフリーフォーマットで構造化されていない。

2. API が AI 経由のアクセスを想定していない

人間がブラウザから使う前提の API しかなく、AI エージェントから呼ぶと認証や認可で詰まる。

3. 権限境界が曖昧

「AI がアクセスしてよい範囲」が決まっておらず、機密データまで AI が触れる。

4. 監査ログがない

AI が何をしたかが残らず、間違いが起きた時に追跡できない。

5. 評価の仕組みがない

AI 出力が正しいかを評価する仕組みがなく、品質が見えないまま運用が進む。

これらに共通するのは、「人間向けに作ったシステムを、そのまま AI に使わせようとしている」 ことです。

AI 対応に必要な 5 つの土台

既存システムを AI 対応にするための土台:

1. 構造化データ

AI に渡すデータが、構造化されていることが前提です。

特に、「AI に分類させたい」「AI に集計させたい」業務 では、データ構造化の有無で精度が大きく変わります。

2. イベントログ

業務の実行履歴が、イベントとして残っていることが前提です。

このログから、AI の学習・評価・改善が回せます。

3. 監査ログ

人間ユーザーだけでなく、AI エージェントのアクション を別に記録します。

問題が起きた時の原因究明と、コンプライアンス対応に必要です。

4. アクセス制御

AI エージェントに、人間と同じレベルの権限境界 を適用します。

OpenAI も AWS との提携で、エンタープライズ AI 導入では 既存のセキュリティ・コンプライアンス・ガバナンス に乗ることが鍵だと強調しています (OpenAI frontier models and Codex on AWS / OpenAI)。AI を組み込むときも、既存のアクセス制御と整合させます。

5. プロンプトと出力の保存

AI とのやり取りを、後から振り返れる形で保存します。

これがないと、品質改善の方向が見えません。

データ構造の見直し

AI 機能追加で最初に手を付けるのは、データ構造です。

構造化が必要な領域

段階的な構造化

Anthropic の Claude Code は、大規模コードベースをファイルシステム単位で探索する 設計です (Claude Code docs / Anthropic)。同じ考え方で、AI が理解しやすいデータ構造 = 人間にも整理されたデータ構造、になります。

API と権限の整備

AI 用 API の設計ポイント

権限境界の例

アクセス対象人間ユーザーAI エージェント
自分の顧客データ読み書きRead-only
他人の顧客データ不可不可
集計データ集計値のみ集計値のみ
機密データ一部のロール不可
監査ログ管理者のみ不可

AI には、人間以上の権限を与えない のが基本原則です。

ここまでで「自社の既存システムを AI 対応にしたい」と感じたら、現状診断から相談するのが現実的です。

既存システムの AI 対応診断を相談する →

ログ・評価・監視

AI を本番運用するための監視設計:

ログに残すもの

評価方法

監視項目

Anthropic のセキュリティ解説でも、AI を使った脆弱性管理のボトルネックは 「発見」ではなく「検証・トリアージ・修正」 に移っている、と整理されています (Using LLMs to Secure Source Code / Anthropic)。AI 機能の運用でも、出力の検証と修正が運用の中心になります。

段階導入ステップ

既存システムへの AI 機能追加は、以下の順序で進めます。

Step 1: 内部利用 (1〜2 ヶ月)

Step 2: 限定公開 (2〜3 ヶ月)

Step 3: 一般公開 (継続)

Step 4: 自動化拡大

「最初から自動化」ではなく、「人間レビューを挟む → 信頼が積み上がった領域だけ自動化」 が現実的な順序です。

AI 機能の例と実装

具体的な AI 機能の追加パターン:

自動要約

レコメンド

問い合わせ回答

異常検知

レポート生成

min's の AI 機能追加支援

min's では、既存システムへの AI 機能追加を以下の流れで支援しています。

Phase 1: 診断 (1〜2 週間)

Phase 2: 土台整備 (2〜6 週間)

Phase 3: AI 機能実装 (4〜8 週間)

Phase 4: 改善並走 (継続)

既存システム AI 化を相談したい方へ

min's では、既存システムの AI 対応診断、土台整備、AI 機能追加、運用改善を支援しています。

以下のような状態であれば、ご相談ください。

次に読む記事

参考

動くデモで終わらせず
本番まで持っていく開発を

AI で作りかけたもの、止まりかけている開発、新しいプロダクトの構想。 まずは現状を整理するところから、ご相談ください。

開発方針を相談する概算見積もりを依頼する