AI-Papers
- GeminiはRole・Situation・Format・ConstraintのRSFCフレームワークで構造化すると、回答精度と再現性が向上する
- Claude Codeは.claudeフォルダにCLAUDE.mdやagents設定を配置し、プロジェクト文脈をチームで共有できる
- Codexの「インテリジェンス強化→スキル定義→ハーネス構築」3ステップで個人活用を本番AIエージェントに昇格できる
個人活用で止まる3つの要因
AIコーディングツールを試した開発者の多くが「コード補完が少し楽になった」という感想で止まり、チーム全体の生産性向上には至っていない。その背景には共通した3つの課題があります。活用スキルが特定の担当者に依存していること、ツールの設定や知識がチーム内で共有されていないこと、個人の実験が組織のプロセスに組み込まれていないことです。
Gemini・Claude Code・Codexの3ツールを横断的に分析した今回の解説は、この壁を越えるための5つの実践ポイントを整理しています。個人の生産性向上から、チーム定着、全社展開、本番AIエージェント実装まで、段階を追って取り組める内容です。
GeminiのRSFCプロンプト法
Geminiを業務で安定活用するための鍵は「構造化プロンプト」にあります。具体的には、Role（役割）、Situation（状況）、Format（出力形式）、Constraint（制約）の4要素を明示するRSFCフレームワークです。これにより、回答の精度と再現性が大きく向上します。
たとえば「シニアバックエンドエンジニアとして（Role）、レガシーPythonコードのリファクタリングを依頼された状況で（Situation）、差分形式で（Format）、既存テストを壊さないよう（Constraint）提案してください」と構造化すると、要件を外れた提案が減少します。このフレームワークをチームのプロンプトテンプレートとして標準化することで、スキルの均一化が実現するでしょう。
Claude Codeのプロジェクト設定
Claude Codeは、プロジェクト内に.claudeフォルダを設け、複数の設定ファイルを配置する構成が推奨されています。CLAUDE.mdにはプロジェクトの概要・コーディング規約・使用ライブラリを記述し、settings.jsonでは権限やツールの許可範囲を制御します。さらにrules/にはチームのコーディングルール、skills/には繰り返し使うタスクの手順書、agents/にはサブエージェント定義を格納する構成です。
この設定一式をgitリポジトリで管理することで、チーム全体に共有されます。新しいメンバーがリポジトリをクローンするだけで同じAI設定と作業ルールを即座に利用できる点が、スキルの属人化を防ぐ大きな利点です。
Codexの3ステップ導入
OpenAI Japanが示す導入モデルは3段階で構成されます。最初の「インテリジェンス強化」フェーズでは、Codexをコード補完・レビュー・ドキュメント生成などに活用し、個々の開発者の生産性を底上げします。次の「スキル定義」フェーズでは、繰り返し発生するタスクをプロンプトとしてパターン化し、チームで共有する段階です。最後の「ハーネス構築」フェーズで、テスト実行・CI/CDとの連携・コードレビューの自動化など、本番ワークフローへの組み込みが完成します。
実際にVirgin AtlanticはCodexを活用してモバイルアプリを刷新し、P1バグゼロとユニットテスト網羅率ほぼ100%を達成しています。これは「ハーネス構築」段階まで到達した好例であり、組織的な導入の成果を示すものです。
本番AIエージェントへの移行
Googleが公開する5つのガイダンスは、プロトタイプ段階のAIエージェントを本番運用へ移行する際に参照できます。エージェントに与えるツールの権限を最小限に絞ること、出力の検証ステップを必ず挟むこと、人間による承認フローを残すこと、ログと監査証跡を整備すること、段階的なロールアウトを行うことの5点が柱となっています。
特に重要なのが「権限の最小化」です。AIエージェントに本番データベースへの直接書き込み権限を与えると、バグや誤操作によるデータ破損のリスクを高めます。最初はread-onlyの操作から始め、実績を積んでから書き込み権限を段階的に付与する設計が安全です。
LLM Wikiでナレッジ管理
チームのAI活用が成熟するにつれ、「どのプロンプトが効果的か」「どの設定が本番環境に適しているか」という知識の蓄積と共有が課題になります。この問題を解決するアプローチが「LLM Wiki」です。AIが参照する情報源として機能するドキュメントを継続的に更新・管理する仕組みで、CLAUDE.mdやCodexのカスタム指示ファイルと連携させることができます。
LLM Wikiの鍵は「AIが読みやすい形式」で書くことです。人間向けの散文よりも、箇条書きや見出し構造、具体的なコード例を含む形式の方が、AIが参照した際の回答精度が高くなります。チームで運用ルールを決め、定期的に内容を見直す習慣をつけることで、AI活用の知識が組織に根付いていくでしょう。
