概要
https://zenn.dev/j____takumi/articles/less_hand_coding_more_learning_functions
詳細内容
## 2日間で全社員がわかる仕様ガイドを7件全社公開した
https://zenn.dev/j____takumi/articles/less_hand_coding_more_learning_functions
AIを活用してリポジトリ解析とドキュメント生成を自動化し、エンジニアへの問い合わせ削減と組織全体の仕様理解を促進する。
**Content Type**: ⚙️ Tools
**Language**: ja
**Scores**: Signal:5/5 | Depth:3/5 | Unique:4/5 | Practical:5/5 | Anti-Hype:4/5
**Main Journal**: 85/100 | **Annex Potential**: 83/100 | **Overall**: 84/100
**Topics**: [[GitHub Copilot, リポジトリ解析, ドキュメント自動生成, Claude 3.5 Sonnet, 開発プロセス]]
GitHub Copilotの導入によりコーディング効率が劇的に向上し、本来5日かかる実装を3日で終えられるようになった余剰時間を「リポジトリ解析」と「全社への仕様公開」に転換した実践記録である。著者はAIによる自動化を単なるコード生成に留めず、組織全体の知識レベルの底上げと、エンジニアの集中時間を守るための「防衛策」として活用している。
具体的な取り組みとして、PC、Android、iOSの各リポジトリをAIに解析させ、ファイル構造や技術スタックだけでなく、特定の機能における制約やOS間の差異を網羅した「仕様理解ガイド」を作成している。これまでにエンジニア向けガイドを16件作成し、そのうち7件を全社公開用のドキュメント（Confluence）として整備した。1ガイドあたりの作成時間は約5分と極めて短く、トークン消費も開発タスク全体のわずかな増加に抑えられている。
ガイド作成における最大の工夫は、エンジニア向けの詳細資料と、非エンジニア（営業やカスタマーサービス担当者）向けの要約版の2段階構成にしている点だ。エンジニア向けには「新しくジョインしたメンバーでも理解できるように」と指示して実装の根拠となるソースコードを明記させ、全社向けにはさらに「部署に関係なく全社員が理解できるように」と再要約させている。これにより、専門知識がないスタッフでも顧客からの仕様問い合わせに自力で回答できるようになり、結果としてエンジニアへの重複した質問を削減する「防衛線」を構築している。
利用モデルについては、論理的な整理や自己レビュー能力においてGPT系モデル（記事内ではGPT-5.2/miniと記載）を活用しつつ、最終的な文章の読みやすさや視覚的な図解（表やアスキーアート等）においてはClaude 3.5 Sonnet/Opusが極めて優れていると評価している。著者はこの活動を通じて、自身の担当外である他OSの機能についても深く理解できるようになったと述べており、AI解析が個人のキャッチアップ速度を飛躍的に高め、組織のナレッジ格差を埋める有効な手段であることを示唆している。