AIの導入がシステムを壊すアンチパターン

近年、日本でも官公庁（GovTech）、自治体、金融機関、製造業を中心にAI導入が急速に進んでいます。

「人手不足の解消」「業務効率化」「判断の自動化」といった期待のもとでAIプロジェクトが立ち上がりますが、実運用フェーズでシステムが破綻するケースも少なくありません。

その原因は、AIモデルの性能不足ではなく、AIを従来のシステム設計思想と混同して使ってしまうことにあります。

本記事では、日本の組織文化・監査要件・リスク感度を踏まえ、AI導入で特に起きやすいアンチパターンと、その回避策を整理します。

---

1. 決定論的ロジックをAIで置き換えてしまう

アンチパターン

本来、明確なルールで決めるべき業務ロジックをAIに任せてしまう。

日本での具体例

• 補助金・給付金の判定をAIに委ねる
• 税務・料金計算をAIに推定させる
• 権限管理や承認フローをAI判断に依存する

なぜ問題になるのか

• AIの出力は確率的で再現性が低い
• 同じ入力でも結果が変わる可能性がある
• 監査・説明が困難になる

望ましい設計

コア業務ロジックは必ず決定論的なコードで実装する。
AIは分類・要約・予測など曖昧さを含む領域に限定する。

「必ず正しくあるべき処理」にAIを最終判断者として使ってはいけません。

---

2. 重要判断にHuman-in-the-Loopが存在しない

アンチパターン

AIが自動で重要な判断を下し、人が介入できない設計。

例

• 申請の自動却下
• 不正検知による即時停止処理

なぜ問題になるのか

• AIの高い信頼度 ≠ 正しさ
• 例外ケースが大きなトラブルになる
• 組織・市民からの信頼を失う

望ましい設計

• 信頼度が低い場合は人が確認
• 信頼度が高い場合もログと説明可能性を確保

---

3. AIの出力を「正解」として扱ってしまう

アンチパターン

AIの生成結果を検証せずに業務や本番環境で利用する。

例

• AI生成SQLをそのまま本番実行
• AIのセキュリティ判断を無条件に採用

なぜ問題になるのか

• AIはもっともらしい誤り（hallucination）を起こす
• 問題が静かに蓄積する

望ましい設計

AIは下書き作成者。
最終責任は必ず人が持つ。

---

4. AIの責務範囲が不明確なシステム設計

アンチパターン

AIが直接データベースやシステム状態を操作する。

なぜ問題になるのか

• 挙動が予測できない
• テストや検証が困難
• セキュリティリスクが高まる

望ましい設計

AIは独立したコンポーネントとして扱う。

• 入力 → AI → 提案
• 実行判断は必ずコアシステム

---

5. システム設計をプロンプトで解決しようとする

アンチパターン

業務ルールや制約をすべてプロンプトに書き込む。

なぜ問題になるのか

• プロンプトは仕様書にならない
• モデル更新で挙動が変わる
• テスト・保証ができない

望ましい設計

• プロンプトは自然言語処理用
• ルール・制約はコードで管理

---

6. AI障害時のフォールバックが存在しない

アンチパターン

AIが常に正常動作する前提で設計する。

なぜ問題になるのか

• API障害
• レイテンシ増大
• モデル劣化（drift）

望ましい設計

• タイムアウト
• 代替フロー
• 手動介入手段

---

7. 説明可能性・監査証跡を考慮していない

アンチパターン

「AIが判断しました」で説明を終える。

なぜ問題になるのか

• 監査・内部統制に耐えられない
• 事後分析が不可能

望ましい設計

以下を必ず記録する：

• 入力
• 出力
• 信頼度
• 判断経路

---

8. 壊れた業務プロセスをAIで覆い隠す

アンチパターン

根本的に悪い業務設計をAIで補正しようとする。

なぜ問題になるのか

• 技術的負債が増える
• 長期コストが膨らむ

望ましい設計

業務プロセスを先に改善し、その後AIを適用する。

---

9. デモの完成度だけで成功判断する

アンチパターン

PoCやデモが動いたことで成功と判断する。

なぜ問題になるのか

• 本番では挙動が変わる
• 小さな誤差が重大障害になる

望ましい評価指標

• エラー率
• 復旧時間
• 人の介入頻度

---

まとめ：AIがシステムを壊すのではない。使い方が壊す。

AIは強力なツールですが、責任を引き受ける存在ではありません。

システムが破綻するのは：

• 判断責任をAIに委ねたとき
• アーキテクチャをプロンプトで代替したとき
• 不確実性を確実性と誤認したとき

AI時代において、経験豊富なソフトウェアエンジニアの価値はむしろ高まっています。

重要なのはコードを書く量ではなく、
AIが誤っても信頼を失わないシステムを設計できるかどうかです。

それこそが、AI時代の本当のソフトウェアエンジニアリングです。