この論文は、2025 年 4 月に Especialista en Ingeniería de Software（ソフトウェアエンジニアリングの 専門職学位）の取得のために提出されたもので（原題はスペイン語で、本ページのタイトルはその訳）、 ソフトウェア開発ライフサイクル（SDLC）に AI を統合するうえでの主な課題と障壁は何かを問う。 これはナラティブレビューである。2022 年から 2025 年に発表された論文を、主に Google Scholar を用い、 IEEE Xplore、Scopus、ACM Digital Library、Web of Science も参照して探し出し、採用基準と除外基準で 絞り込み、品質マトリクスで採点したうえで、30 本の論文からなるデータ抽出マトリクスにコード化している。 このマトリクスには、SDLC のフェーズごとに、課題、その要因、提案された戦略、報告された影響が記録されて いる。
このレビューは対象を従来型のソフトウェア開発環境への AI の統合に限定しており、統合される文献の多くは GitHub Copilot や ChatGPT のような生成型アシスタントと並んで、機械学習、 NLP、予測モデルを扱っている。
要点
- AI ツールは、計画、要求、設計、実装、テスト、デプロイ、保守という SDLC のフェーズごとに分類され、 工数見積もりモデルや NLP による要求分析から、コード生成ツール、AI テストフレームワーク、AI 駆動の CI/CD、予測的モニタリングにまで及ぶ。
- 見出された課題は 3 つの次元に分類される。技術的な課題（クリーンで構造化されたデータへの依存、 「ブラックボックス」的な不透明さ、レガシーシステムとの非互換性、コード生成ツールへの過度な依存に 起因するエラーや脆弱性）、組織的な課題（変化への抵抗、役割やスキルを失うことへの恐れ、研修の不足、 経営陣の支援の限定）、倫理的な課題（データのプライバシーとセキュリティ、透明性と説明可能性）である。
- マトリクスから、このレビューは AI の統合が最も重要となる SDLC のフェーズとして、計画、テストと 品質保証、デプロイと保守を特定している。
- 文献は技術的な課題を詳しく扱っている一方、技術的・組織的・倫理的な次元を組み合わせた解決策の提案に ついては断片的で均質性に欠けると報告し、全体的な枠組みを求めている。
- コード生成については、コードの正しさと堅牢性を確保するために自動化を人間によるレビューと組み合わせる 必要があると結論づけている。
- 提言は、技術的なもの（データのキュレーション、説明可能な AI、相互運用可能なプラットフォーム、 モジュール型アーキテクチャ）、組織的なもの（継続的な研修、学際的なチーム、経営陣のコミットメント、 開かれた学習文化）、倫理的なもの（プライバシーポリシー、監査、自動化された意思決定の透明性）に 分類されている。
- 品質評価では、レビューした論文の大半は明確な目的を定めているものの、再現性に必要な技術的詳細を欠く ことが多く、また大半が計画や保守よりも DevOps、テスト、開発に集中していると報告している。
補足
著者はナラティブレビューの限界を認めている。論文の選定は著者自身の判断を反映しており、検索は完全に 体系的なプロトコルに従ったものではなく、関連する研究が漏れている可能性があるため、一般化には限界が ある。論文は、これを系統的レビューや、提案した戦略のさらなる実証的検証によって補完することを推奨して いる。