プロフィール写真

エンバインド株式会社 代表取締役

小林昌弘

有限会社 WINGSプロジェクトが運営する、テクニカル執筆コミュニティ(代表:山田祥寛)に所属するテクニカルライター。 Javaでのアプリケーションサーバ開発や社内フレームワーク開発、SaaS提供企業などの技術基盤の設計・開発を経験。サーバーサイドからスマホアプリ、P2Pを用いたリアルタイムコミュニケーション技術まで、基本レイヤーから応用まで広くカバーするフルスタックの技術力を強みとする。近年では、自社保有データの有効活用やRAG実装を支援する「生成AIソリューション」に加え、OCRやPDF生成といったデジタルとアナログ(紙)を繋ぐ中間ソリューション、データ分析技術を軸に、新規サービスの立ち上げから既存システムのリニューアル支援まで幅広く牽引。

監修

山田 祥寛

静岡県榛原町生まれ。一橋大学経済学部卒業後、NECにてシステム企画業務に携わるが、2003年4月に念願かなってフリーライターに転身。Microsoft MVP for Visual Studio and Development Technologies。執筆コミュニティ「WINGSプロジェクト」代表。主な著書に『「独習」シリーズ』、『改訂新版 これからはじめるReact実践入門』、『改訂3版 JavaScript本格入門』、他。

「独習」シリーズ 「改訂新版 これからはじめるReact実践入門」 「改訂3版 JavaScript本格入門」 他著書多数

はじめに

第1回では「垂直のスピード」と「水平のガバナンス」の関係を組織論から捉え、第2回ではAIによる実装を支える「水平パイプライン構造」と、人間・AIの分業設計を考えました。今回は、その考え方を複数のサービスが連携する分散環境へと広げます。

サービスを独立して開発・配備し、負荷に応じて拡張する。障害の影響を限定し、チームごとに責任を持つ。こうした目的から、すでにマイクロサービスを運用している現場も、これから採用する現場もあるでしょう。マイクロサービスのメリットを生かすには、改めて「何を基準にサービスの境界を引くのか」を考える必要があります。

AIによって機能実装のコストが下がる一方、AI自身がツールやデータを使って業務を進めるようになると、バックエンドに求められる役割も変わります。本稿では、単純に機能単位でサービスを分割するのではなく、「何に使うのか」「どの程度の性能や信頼性が必要なのか」「AIに何を任せるのか」という視点を重視することを提案します。

用途ごとにAIへ渡す文脈を整える。次に、AIとの協調で生まれる重厚な領域と、言語・実行基盤が多様化する流れを見通す。そのうえで、データを確定する責任を明らかにする。この三つを、分散環境における設計として結び付けて考えていきます。

なぜ「発注や組織の都合によるサービス分割」は起きるのか? 組織都合の本質を見直す

現代のシステム開発において「マイクロサービス化」という大義名分のもとに、物理データベースやインスタンスがバラバラに切り刻まれている現場も少なくありません。

純粋なソフトウェア設計の観点から見れば、ドメインの境界が曖昧なまま、営業上の都合や組織の縦割り(分割発注やチーム管轄の都合など)に合わせてDBやサービスを切り離す行為は、決して「正しい設計」とは言えないでしょう。

しかし、現場の泥臭い現実を鑑みれば、そこにはその組織ならではの切実な都合や理由があることも事実です。ここで重要なのは、この「大人の事情(組織都合による分割)」を単なる悪として切り捨てるのではなく、その本質をもう少し深く見つめ直すことです。

突き詰めて考えると、組織の都合で切り分けられたサービスやデータベースの多くは、実は「異なる利用用途(誰が、何の目的で、どう使いたいのか)」の表れでもあります。例えば、全社共通の立派なドメインモデルをつくったとしても、ある部署では超高速な参照性能が求められ、別のチームでは特殊なワークフローやバッチ処理が最優先される。その結果として、きれいに統合されたはずの構造が、現場の用途やスピードの要求によって自然と引き裂かれていくわけです。

従来の設計であれば、この「組織都合による歪み」は技術的な負債につながる、避けるべき設計とされてきました。しかし、AI時代においては、この見方を変えても良いはずです。

AIは「教科書通りのきれいなドメインモデル」を生成するのも得意ですが、同時に「特定の条件や用途に特化した文脈」もしっかり理解できます。だからこそ、部署やチームごとに異なる使い方や要求を、単なる妥協として隠すのではなく、設計の前提として明らかにする。その上で、それぞれの用途に合わせて各サービスが受け持つ仕事の範囲を整理し直すこと。それこそが、AI時代の分散環境を設計する上での最初のステップとなるのです。

機能分割の限界と「用途」による文脈の再設計

「注文」「在庫」「顧客」といったドメイン機能の単位でサービスを分けることには、業務知識と責任を整理する利点があります。ただし、機能名だけで分割境界を決めると、実際の利用シナリオを組み立てるために必要な情報が、複数のサービスへ散らばることがあります。

マイクロサービス化が引き起こす「AIへの説明コスト」

例えば、注文内容を修正する機能をAIに実装させるとします。注文サービスのAPI仕様だけを渡しても、在庫を再確保するタイミング、価格変更に必要な承認、途中で失敗した場合の扱いまではわかりません。在庫サービスや承認サービスを利用する際のルール、イベントの順序、再試行の条件、業務上の例外を集めて、初めて一連の処理を説明できます。

現場で面倒になるのは、散らばった仕様や業務ルールを、実装に必要な形にまとめ直す作業です。関連する仕様を探し、バージョンの違いを確かめ、どの条件を優先するかを補い、変更のたびに説明を更新する。各サービスのコードが小さくても、AIに仕事を任せるための準備が小さくなるとは限りません。

さらに、同じ注文サービスが社内の更新処理と一般利用者の照会を受け持つ場合、求められる性質も混在します。更新には厳密な検証と確定結果が必要でも、照会には大量アクセスへの対応や一定の反映遅延を許す設計が適するかもしれません。「注文機能をつくる」という指示だけでは、AIはどちらを優先すべきか判断できません。

だからといって、AIに渡す情報を増やせばよいわけでもありません。情報を集めて一度に渡すだけでは、人間が整理する負担が増えてしまいます。

必要なのは、実装対象のシナリオについて、「目的」「制約」「依存先を利用する際の条件」が一貫した形で提示されていることです。システム全体の方針を共有した上で必要な文脈を取り出せる構造が、AIを活用するうえでも重要になります。

「機能」でルールを保ち、「用途」で境界を切り離す

そこで、サービスの境界を考える際に、従来の「機能」という軸に加えて、「用途(シナリオ)」という軸を考えてみます。具体的には、「誰が何を完了したいのか」「どれだけ待てるか」「どの程度の同時実行があるか」「何を必ず一致させる必要があるのか」という観点です。AIが業務を進める場合には、「AIが自律的に操作してよい範囲」も、この軸に含めます。

  • ドメイン機能基準: どのサービスがどの業務ルール(注文、在庫など)を管理するかを決める
  • 用途・シナリオ基準: それらのサービスを、どのように組み合わせて提供するかを決める

この2つの軸を重ね合わせることで、共通の業務ルールを維持しながら、応答時間や処理の進め方が異なる領域を分離できます。用途ごとに注文ルールを複製する必要はありません。

例えば、既存の注文・在庫サービスを生かしながら、「社内向けの業務ワークフロー」「一般向けの照会」「AIによる計画・提案」を、それぞれ責任の明確な領域として設計できます。さらに、それぞれの領域から利用するAPIやイベントの利用ルールを整えておけば、AIに実装を任せるたびに、依存先の内部実装まで細かく説明する負担を減らせます。

用途別に切り分けたAI指示の具体例

同じ受注システムを例に、用途によって設計と指示がどう変わるかを見てみましょう。ここでは「社内向けの業務更新」と「一般向けの注文状況照会」を分けます。

社内向け - 高機能・同期型・厳密な一貫性を優先するケース

数十人のスタッフが使う受注管理では、価格調整、在庫の引き当て、承認など、多くの業務分岐を扱います。利用者が確認したいのは、「操作を受け付けたか」に加え、「業務として正しく確定したか」です。

同時実行数が限られ、必要な処理が許容時間内に終わるなら、同期的に結果を返す構成は有力です。処理の順序と失敗箇所を追いやすく、確定に必要な検証も明示できます。AIへの指示も、例えば次のようにまとめられます。

「社内スタッフの注文修正を実装する。必要な承認と在庫確保を確認し、業務上の確定条件を満たした場合だけ完了を返す。満たせなければ、失敗理由と現在の状態を返す。なお、他サービスのデータ更新は指定APIを経由し、処理の流れとビジネスルールが見通しやすい素直で密なコード構造を優先する。」

この前提があれば、AIは公開照会向けのキャッシュや表示の遅延許容まで推測する必要がありません。あらかじめ手本となる処理の流れを決め、その型に沿って業務分岐を実装できます。第2回の「入口から出口まで明示的に追える構造」を、サービス間の呼び出しにも広げるわけです。

エンドユーザ - 高アクセス・非同期連携を優先するケース

エンドユーザ向けの注文状況照会では、大量のアクセスが集中することへの考慮も必要です。そこで、注文の更新をイベントとして非同期に反映し、照会専用のデータを用意する構成も考えられます。こうすることで更新処理への負荷を抑え、照会側を独立して拡張しやすくなります。

この場合、「整合性がある」とは必ずしも、更新直後にすべての表示で同じ状態になっていることを意味しません。目的の処理が正しく行われ、許容できる範囲で表示に遅延が生じるのであれば、それを整合した状態として扱うこともできます。

ただし、そのためには、業務上許容できる遅延時間と、反映が滞った場合の検知・復旧方法をあらかじめ決めておく必要があります。こうした前提を含めて、AIへの指示を組み立てます。

「エンドユーザ向けの注文状況照会を実装する。認可された利用者に照会用データを返し、データの更新は基本的には行わない。ログや分析系の更新イベントがある場合には非同期に反映し、処理の順序の厳密さは求めず、反映遅延と応答時間の目標を優先する。」

この場合、AIが扱う中心的な課題は、業務更新の分岐から、参照性能、イベント処理、再処理の安全性へ変わります。用途ごとに優先事項が整理されていれば、必要な手本や確認項目も絞れます。異なる要求を一つの実装指示に混ぜる場合と比べ、指示を書く側も、生成結果をレビューする側も、何を確認すればよいかが明確になります。

指示が楽になる理由は、判断の前提を再利用できること

もちろん、エンドユーザ向けであっても注文確定や決済には厳密な整合性が必要です。しかし、用途別の境界を設けておけば、「この領域では何を優先し、どのルールに従えばよいか」を設計情報としてあらかじめ持たせることができます。

AIには、システム全体の関係図と共通ルールを示した上で、担当する用途について、守るべき条件、手本、例外条件に集中して指示できます。このような整理を最初にしておけば、機能追加のたびに、システム全体の事情を一から説明し直す負担が減り、その後の繰り返しが楽になります。

機能実装をAIで加速できる時代だからこそ、この「繰り返し使える文脈」をできるだけ早いフェーズで設計する価値が高まるのです。

AIとのコラボレーションが生む、FATなサービス領域

用途の軸には、もう一つ大きな変化があります。AIの利用が、画面上で質問に答えるチャットから、ツール、DB、プロンプト、計算基盤を組み合わせて業務を進める「コラボレーション利用」へと広がっていることです。

チャット画面の裏側でAIエージェントが動く場合もあります。この場合、利用者から見える画面だけでは、従来のチャットとの違いがわからないこともあります。

少人数の利用でも、バックエンドは重厚になる

例えば、AIが受注データを調べ、需要を予測し、在庫の再配置案をつくる場面を考えてみましょう。AIは必要なツールを繰り返し呼び出し、途中の結果を保持しながら計算と検証を繰り返します。そのため、バックエンドには、長時間実行、中断と再開、コンテキストの保存、操作ごとの権限確認、入出力内容の検査が必要になります。さらに、ローカル推論や最適化計算を担うなら、GPUやCPUの大きな計算資源が必要になる場合もあります。

本稿では、こうした高度な機能に加えて、状態管理、検証、計算処理などをまとめて担う領域を「FAT(重厚)なサービス領域」と呼びます。1人の利用者からの依頼であっても、その背後では多くの処理が発生します。つまり、利用人数とバックエンドの負荷が、単純には対応しなくなるわけです。ここに、AI時代の設計上の変化があります。

FATな領域は、ワークフローの制御、状態保存、計算ワーカーなどに分けて構成できます。重要なのは、その用途に必要な責務をまとめて把握し、計算資源や障害の影響を他の用途から分離できるようにすることです。開発時のAIは実装コストを下げる一方で、稼働時のAIは新しい非機能要件を生みます。この二つを区別して考えることで、どこに境界を設けるべきなのかが見えやすくなります。

協調するAIに、目的と操作してよい範囲を伝える

このような領域では、AIに単に「在庫の再配置案をつくって」と指示するだけでは不十分です。どのデータを参照できるのか、どの程度の計算資源を使ってよいのか、途中の状態をどう扱うのか、業務データを確定してよいのはどの段階なのか、といった条件も明確にする必要があります。例えば、以下のような指示になります。

「在庫の再配置案をつくる。参照可能なデータと計算資源の上限は指定の範囲とし、途中状態を保存する。業務データの確定は承認後に、そのデータを管理するサービスの更新APIを通して行う。」

開発するAIには、これらの条件に沿った実装を任せます。一方、実際に稼働するAIエージェントには、あらかじめ定めた範囲でツールと権限を与えます。エージェントが試行錯誤できる領域と、業務として確定してよい領域を分けておけば、モデルや計算手法を変更する際にも、守るべき条件を維持できます。

用途とAI協調から導く、言語と実行基盤の選択

用途ごとの境界が明確になると、技術選定も具体的になります。Web画面や一般的なCRUDでは、TypeScript/JavaScriptでフロントエンドとバックエンドを統一すれば、引き続き開発効率の面で利点があります。型やツールを共有でき、同じ開発者が両側を扱えるためです。

一方、FATなAI協調領域では、推論基盤、数値計算ライブラリ、GPU活用、メモリ管理などへの適合が強く問われます。Web領域で採用している統一方針をそのまま適用すると、必要な機能や性能を実現するために、かえって実装負担が大きくなる場合があります。

例えば、Pythonで計算ロジックや評価環境を構築し、C++やJavaなどで本番の推論エンジンや高スループットな処理につなぐ、といった構成です。これは、設計や開発の段階によって、「どのAIモデルやツールと親和性が高いのか」が異なるために生じる、自然な役割分担です。従来であれば極めて限られた領域でしか起きなかったこうした多言語化が、今後はあらゆるバックエンドシステムへより広がりやすくなると予想されます。

ただし、ここで注意したいのは、「AIがあるから、言語を自由に選べるようになる」という側面だけではありません。AIの活用が進むことで、異なるデータ責任者やチームが、それぞれの都合や最適なツールに合わせて、異なる言語による実装を持ち込むことも考えられます。つまり、AIによって選択肢が広がる一方で、人間自身がシステムの多様化を進めてしまう可能性もあるのです。

結果として、持ち込まれた多様なコードを統合・レビューし、保守する側もまた、コード理解や変換のためにAIの力を借りざるを得なくなります。単にアーキテクトが意図して選ぶだけでなく、「人間が広げ、AIで受け止める」という循環によって、実行基盤と言語の選択範囲は広がっていくのです。

だからといって、運用に関する知識まで不要になるわけではありません。むしろ、採用する言語と責任者を明確にしたうえで、監視、CI/CD、依存関係の更新、セキュリティ、サービス間認証などを共通の規律で束ねる必要があります。こうした多様化を破綻させないための「水平なガバナンス基盤」が必要になる点は、これまでと変わりません。

分散環境で「データ主権」を定義する

言語や実行基盤が多様化し、処理の書き方そのものがAIによって柔軟に変えられる時代だからこそ、システムをつなぎ止める「不変の境界」が必要になります。

用途ごとに実装や実行基盤を変えやすくするには、その接点で安定した共通のルールが必要です。特に重要なのが、どのデータを誰が確定し、どの不変条件を守るかという「データ主権」です。

データの所有者と、確定の責任を明らかにする

データ主権とは、必ずしもすべてのデータを一つの物理データベース(DB)へ無理に統合することではありません。もちろん、不要な分散は避けるのが鉄則ですが、アクセス性能、可用性、あるいは組織都合といった利用用途や要求の差によって、データが複数環境へ分散してしまうのは避けられない現実です。だからこそ重要なのは、物理的な配置がどうであれ、「意味上の主データ(正本)」と「利用のための副データ(副本・作業データ)」を区別し、それぞれを誰が管轄するのかを明確にすることです。

例えば、一般向けの照会データは「注文の主データを参照用に加工・転記した副データ」です。また、AIエージェントが保存する途中の状態は、計画や提案のための作業データにすぎません。

これらは、それぞれの用途に合わせて独立したDBで保持し、必要に応じてスケールできます。ただし、注文や在庫を確定・変更する権限を持つ「主データ」とは、厳密に区別する必要があります。

社内スタッフが画面から操作する場合でも、自動化されたAIエージェントから要求を受ける場合でも、主データを管轄するサービスが更新の窓口になります。そして、同じルールに基づいて権限や業務上の条件を検証し、更新してよいかを判断します。

例えば、「在庫をマイナスにしない」「同じ注文を重複して確定しない」「承認なしに再実行しない」といったルールは、どのような場合でも破ってはならない不変条件(ビジネスルール)です。こうした不変条件は、人間が業務上のルールとして定義したうえで、スキーマ定義、型、DB制約、更新APIのバリデーションなどに具体化します。

型の上では正しいデータであっても、権限がなかったり、現在のステータスが不適切だったりすれば、主データを管理するサービスは更新を拒否します。このように、どこで「整合性を守る」のか、その防壁となる境界を明確にすることが、データ主権を確立するうえで重要になります。

実装が速くなるほど、境界の設計に価値が生まれる

AIによって定型コードの実装を短縮できても、蓄積されたデータの意味や、不変条件そのものを変更する負担まで簡単になくなるわけではありません。用途ごとの処理は、AIを活用しながら継続的に改良できます。一方で、「どの境界で整合性を守るのか」というルールは、長期にわたって維持する必要があります。ここに、AI時代においてデータ設計の相対的な価値が高まる理由があります。

第2回で説明した「水平パイプライン構造」を分散環境へ広げるには、こうした共通の規律を、サービス間で守るべきルールとして定めることも重要になります。

設計力と「言語表現力」の新たな関係

これまでのソフトウェア開発では、優れたフレームワークや標準化されたお作法(手順)が存在していました。極端にいえば、システムの本質や全体構造を深く理解していなくても、フレームワークのレールに乗り、手順通りにコードを書けば「それなりに動くもの」がつくれてしまう側面があったのは確かです。

しかし、AIをパートナーとして活用し、「汎用的な教科書通りの構成」ではなく「自分たちのビジネスや運用に真に最適化されたシステム」を構築しようとすると、求められる能力の質が変わります。

自分たちは何を守るのか。どのような文脈でAIに仕事を任せるのか。どこまでをAIに任せ、どこから先を人間や別のサービスが担うのか。

こうした境界や、データに対する不変条件を、曖昧さなく言葉や型、プロトコルとして定義する力が重要になります。本稿では、これを「言語表現力」と呼びます。

もしも世の中に「AI時代の完成された標準パイプライン(ミドルウェア)」がパッケージとして用意されていれば、エンジニアはそれを導入して手順(お作法)通りに設定するだけで済みます。

しかし、そんな万能なものは存在しません。だからこそ、自分たちの現場の用途や制約に合わせて、AIとのパイプラインやサービス境界を自ら言葉にして設計する必要があります。こうした設計の意図を明確に伝える力が、ここでいう「言語表現力」です。

おわりに:用途とAI協調を設計するアーキテクトへ

本連載では、垂直のスピードと水平のガバナンスを出発点に、人間とAIの分業、そして分散環境の境界へと議論を広げてきました。

AIがコード生成や仕様読解を担う時代、バックエンド開発は「既存のお作法に従う開発」から「自分たちにとっての真の正解(自社への最適化)」を自由につくれる時代へと変わります。従来、独自の仕組みをつくるには、保守コストの増大や属人化という大きなリスクが伴いました。しかし、AIが複雑な仕様やコードの解釈を助けてくれる今、独自の仕組みを維持するための負担も変わりつつあります。

だからこそ、AIが提示する「汎用的な正解」に委ねる領域と、どれだけAIが進化しても「人間の意思としてコントロールする独自領域」を意図的に切り分け、事業価値を損なわない構造を設計すること。これこそが、AI時代のアーキテクトの役割です。