生成AIをQA業務で使えると感じても、チームへ導入する段階になると、何から決めるべきか迷いやすいものです。個人が試すだけならすぐ始められますが、チームで成果物を扱うなら、入力してよい情報、対象範囲、レビューする人、判断の残し方まで考える必要があります。
ただし、最初から全案件・全工程に広げる必要はありません。小さな対象で「AIに候補を作らせ、人がレビューして採否を決める」流れを試し、得られた結果を次回へ反映する方が、安全に定着させやすくなります。
先に結論:導入の目的は自動化ではなく、レビュー可能な候補を早く作ること
最初の目的は、資料の整理やテスト観点・確認項目の候補作成を速くし、人がレビューと判断に時間を使えるようにすることです。仕様の確定、テスト範囲、優先順位、実行可否、最終的な採否は、現場の知識と責任を持つ人が担います。
| AIが支援すること | 人が担当すること |
|---|---|
| 資料の整理、差分や条件の抽出 | 入力資料の正しさ・新しさの確認 |
| テスト観点・確認項目・ケースの候補作成 | 対象範囲、優先順位、採否の決定 |
| 根拠資料・未確認事項の一覧化 | 仕様の確認、責任範囲、実行可否の判断 |
| レビュー観点や比較材料の提示 | 成果物の確定、リリース判断への反映 |
導入は6段階で進める
- 小さく、比較できる対象を選ぶ
- 利用条件と入力範囲を確認する
- 入力資料・出力形式・ルールをそろえる
- AIに根拠付きの候補を作らせる
- 既存のレビューに組み込み、採否を記録する
- 工数と品質を振り返り、次の対象を決める
1回の結果だけで全体導入の成否を決めないことが大切です。資料のそろい方、対象機能、レビュー担当者によって効果は変わります。小さな試行で条件を学び、使える手順をチームのものにしていきます。
各段階で残す成果物を最初に決めておくと、担当者が変わっても検証を再現しやすくなります。
| 段階 | 最低限残すもの |
|---|---|
| 1. 対象選定 | 対象・対象外・成果物の範囲を記した対象選定シート |
| 2. 利用条件 | 入力可否と加工方法を記した確認表 |
| 3. 準備 | 入力資料、出力形式、ルールをまとめた依頼テンプレート |
| 4. 生成 | 根拠・未確認事項・一般知識由来の候補を分けた候補一覧 |
| 5. レビュー | 採用・修正・除外・仕様確認と理由を残すレビュー記録 |
| 6. 振り返り | 工数、品質、次回へ反映する改善点をまとめた振り返りメモ |
1. 小さく、比較できる対象を選ぶ
変更範囲が把握でき、要求・仕様・既存テストなどの根拠がある機能を選びます。既存機能の小さな変更に対するテスト観点の洗い出し、既存テストと変更仕様を比較した回帰観点の抽出、過去障害を含めた確認項目の初稿作成から始めると進めやすくなります。
開始前に、「今回AIが支援する成果物」「対象外」「手動の場合に必要だった作業」を一枚にまとめます。成果物をテスト観点までに限定すれば、テスト実行や不具合分析の時間まで同じ検証に混ぜずに済みます。
2. 利用条件と入力範囲を確認する
QAが扱う資料には、未公開機能、顧客情報、テスト用アカウント、ログ、脆弱性につながる情報が含まれます。利用するサービスが組織で承認されているか、契約・データ利用・保存・連携の条件、アクセスできる人を確認し、資料ごとに入力可否を決めます。必要なら匿名化・抜粋・ダミー化した版を用意します。
確認項目は、QA業務で機密情報を守って生成AIを使うための6つの確認項目で詳しく整理しています。
3. 入力資料・出力形式・ルールをそろえる
| そろえるもの | 内容 |
|---|---|
| 入力資料 | 要求、機能・UI仕様、既存テスト、過去障害、変更内容など |
| 対象範囲 | 今回確認する機能、対象外、QAの責任範囲 |
| 出力形式 | テスト観点、確認項目、根拠資料、未確認事項、一般知識由来の候補 |
| ルール | 推測で仕様を補わない、根拠を付ける、未確認事項を別にする |
入力資料の役割と選び方は、AIでテスト観点の網羅性を高める、渡すべき8種類の情報を参考にしてください。資料が不足する場合も、何が不足しているかを明記し、AIには補完ではなく未確認事項として出させます。
4. AIに根拠付きの候補を作らせる
- 資料ごとの対象範囲、条件、未確認事項を整理する
- 要求・仕様・既存テスト・過去障害から観点候補を抽出する
- 各候補に根拠資料と根拠箇所を付ける
- 採用済みの観点だけを確認項目・テストケース候補へ具体化する
候補は「根拠資料に基づく候補」「未確認事項」「一般知識から追加した候補」に分けます。テスト観点・テストケースの作り方は、Claude Codeでテスト観点を作る手順とClaude Codeでテスト観点からテストケースを作る手順で紹介しています。
5. 既存のレビューに組み込み、採否を記録する
既存のテスト設計・レビューの流れへ、AIが作った候補を追加します。候補ごとに「採用」「修正」「除外」「仕様確認」のいずれかを決め、理由を残します。
- 根拠資料と内容が一致しているか
- 今回の変更範囲とQAの責任範囲に収まっているか
- 既存テストと重複または矛盾していないか
- 前提条件、データ、環境、操作手順を実行できるか
- 重要な境界値、例外、回帰観点が漏れていないか
- 資料にない動作を事実として書いていないか
レビューの6つの観点は、AIが作ったテストケースをレビューする6つの観点でチェックリストとして公開しています。一般論の混入、対象範囲のずれ、粒度の不一致、手順の誤りの対処は、生成AIのテスト設計で起きた4つの失敗で詳しく説明しています。
レビュー記録には、無料のAI生成テストケース 6観点レビューチェックリスト(PDF)も利用できます。各候補を「問題なし・要修正・対象外」で判定し、修正の理由を残してください。
6. 工数と品質を振り返り、次の対象を決める
初回は「何分短くなったか」だけで成功を判断しません。入力資料の準備、プロンプトの調整、レビュー・修正も含めて、手動の場合と比べます。
| 観点 | 記録する内容 |
|---|---|
| 対象 | 機能、変更範囲、成果物、対象外 |
| 入力 | 利用した資料、不足していた資料、匿名化・加工の有無 |
| 工数 | 準備、生成、レビュー、修正にかかった時間 |
| 品質 | 採用・修正・除外の件数、見つかった漏れや誤り |
| 再利用 | 次回も使えるプロンプト、出力形式、レビュー基準、注意点 |
工数比較の考え方は、生成AIでテスト設計の工数はどこまで減る?約100時間が約10時間になった事例も参照してください。
小さな検証を終え、次の対象へ広げる判断基準
検証対象を広げるのは、生成件数が多かったときではなく、チームが安全に判断できる流れを作れたときです。少なくとも次の4点を満たせたか確認します。
- 対象・対象外と、AIに任せた成果物の範囲が記録されている
- 入力資料と利用条件を確認し、入力範囲に問題がなかった
- レビュー担当者が根拠を確認し、候補の採否を判断できた
- 修正理由と不足していた情報を、次回の依頼テンプレートへ反映できた
いずれかが満たせない場合は、対象を広げず、入力資料、出力形式、レビュー手順のどこに原因があったかを先に見直します。この判断基準なら、時間短縮だけを理由に運用を拡大することを避けられます。
導入時にチームで合意しておきたい5つのルール
- 承認されたサービス・アカウントだけを使う
- 入力してよい資料と、加工が必要な資料を分ける
- 根拠、未確認事項、一般知識由来の候補を分ける
- 最終成果物は人がレビューして確定する
- 小さな対象で記録し、改善してから広げる
まとめ
QAチームへの生成AI導入は、全工程の自動化から始める必要はありません。まずは根拠資料がそろった小さな対象で、資料整理と候補作成をAIに任せ、人がレビュー・採否・最終判断を担う流れを試してください。利用条件と入力範囲を確認し、根拠・未確認事項・一般知識由来の候補を分け、工数と品質を記録することで、チームの現場に合った運用を少しずつ作れます。
次に読む記事
まずQA業務で生成AIへ任せやすい作業を選ぶなら、QA業務で生成AIを使うなら、最初に任せたい5つの作業から始めてください。
無料チェックリスト
チームでAI出力をレビューする共通基準として、AI生成テストケース 6観点レビューチェックリスト(PDF)をご利用ください。
QAでの生成AI活用やレビューの進め方について相談したい場合は、お問い合わせページからご連絡ください。

