⚡

AIと共に4200草。 デザインとコードの境界を溶かし、設計を握った2025年

に公開
2026/01/04

はじめに:AI時代だからこそ「振り返り」をすべき理由

従来、1年間の全コミットを振り返るのは現実的ではありませんでした。
Issue、PR、コミットメッセージを一つ一つ読み返すのは膨大な時間がかかるからです。

しかし今は違います。

AIが全ての履歴を分析し、パターンを抽出し、改善点を可視化できる時代になりました。

この環境で振り返りをしないのは、もったいない。

そこで私は2025年に何をしたかを振り返りました。
※本業や個人開発、実験、OSS活動など、全てを含みます。

主要なリポジトリのコミットログやPRをAIに読み込ませてレポートを作成し、2026年に進むべき道がある程度明確になりました。

この記事は、その振り返りの記録です。

1,800 → 2,200 → 4,200

私の年間 GitHub コントリビューション数の推移です。
※Botによる自動生成、記事執筆コミットは含みません。


2023年: 1,800 ██████████████████
2024年: 2,200 ██████████████████████
2025年: 4,200 ██████████████████████████████████████████

2025年、ほぼ倍増しました。

2024
↓
2025

PCを触ってない日も分析すると、合計35日でした。
つまり、330日/365日、年間の90%はコードを書いていた計算です。
ずっとコード書いていた2025年だったなーと感じています。

コミットログを AIと一緒に分析して気づいたのは、意思決定のボトルネックが変わったということでした。

この記事では、AIによって開発の意思決定プロセスそのものがどう変わったかを振り返ります。

ちなみに振り返りで見えてきた私の2025年にやったことの傾向は、Mobile DevOps と Design Ops への注力でした。

2025年、AIは何を「ゼロ」にしたのか

まずは数字の内訳を見てみましょう。

指標 数値 1日あたり
GitHub Contributions 4,200 約11.5
うち Commits 80%(3,360) 約9.2
うち Pull Requests 10%(420) 約1.2
うち Code Review 7%(294) 約0.8
うち Issues 3%(126) 約0.3

年間365日で割ると、1日あたり約11.5 contributions という密度でした。

このコミット数の裏には、「AI生成コードの即時リファクタリング」 が大量に含まれています。

どれだけ CLAUDE.md で規約を縛っても、AIの出力は既存パターンから微妙にズレることがあります。
しかし、それを人間が手直しするコストは、ゼロから書くより遥かに低い。

つまり、「AIが80点を作る → 人間が瞬時に100点に整える」というサイクルを高速回転させた結果 refactorが多くなりました。

大量の試行錯誤(ノイズ)が発生するからこそ、amend や squash でコミットを意味のある単位にまとめ、履歴の可読性を人間が担保すること がより重要になりました。

1.「一生やらない系タスク」の即時消化

開発現場には「やった方がいいけど、人間がやるには面倒すぎるから一生やらない」タスクが存在します。

  • 数千行の命名規則統一
  • deprecated API の一括置換
  • 全ファイルへのログ埋め込み。

従来は「費用対効果が合わない」と放置されていましたが、AIはこの手の「パターン化できる退屈な作業」が得意なので、即時解消するケースがよく見られるようになりました。

他の典型例として挙げられるのはデバッグです。

例えば、ある機能で不具合が起きたとします。

従来は「原因を推測 → ピンポイントでログ → 違った → 別の箇所に...」と繰り返していましたが、今は「この処理フロー全体にログを入れて」と指示するだけ。

その結果、推測する時間が激減しました。

この変化を一言でまとめると以下のようになります。

  • Before: 「これ全部直すと半日かかるから、やめておこう」(やらない理由を考える)
  • After: 「プロンプト一発で終わるから、PR 出しとくか」(実行する)

「やらない理由を正当化する時間」よりも「AIに実行させる時間」の方が短くなった結果です。

実際、今年のコミット分布を見ると refactor が 17〜25% を占めています。

従来なら「動いてるから触らない」と放置していた技術的負債に、AIの力で着手できるようになりました。

2. Mobile DevOps の敷居が下がった

アプリ開発において、CI/CD 整備やビルドエラー解消も「腰が重いタスク」の代表格です。
例えば、今年は Bitrise → GitHub Actions への完全移行 を iOS/Android 両方で実施しました。

Mobile DevOps 特有の難しさは、エラーの原因が多岐にわたることです。

  • 証明書周り:「Code Signing Error」「Provisioning profile doesn't match」
  • バージョン周り:「アップロードしたビルドが前回より古い」
  • CI 環境周り:「GitHub Secrets の値が間違っている」「match の git_url が違う」

これらのエラーは原因の切り分けが面倒ですが、ここでAIが活きます。

以下のような点から以前ほど苦しむことなくタスクをこなせるようになりました。

  1. 先行プロジェクトでの学習効果

    • 新規 Flutter アプリで fastlane を一から構築した経験
    • 証明書管理、ビルド設定、デプロイフローの「脳内地図」が既にできていた
    • 「何をすべきか」が分かっているので、AI への指示が的確になった
  2. AI による実装コストの低下

    • エラーログをそのまま LLM(Claude)に投げて即座に修正案を取得
    • 設定ファイルの細かい構文を覚える必要がなくなった

この「先に脳内地図を作り、AIで実装を加速する」というパターンは、今年の開発スタイルの大きな特徴だと考えています。

3. Design Ops(システムとしてのデザイン管理)

誤解のないように言っておくと、私はデザインは得意ではありません。
しかし、GitHub のログにはデザイン関連のコミットがいくつもあります。

これは「ビジュアル表現」への介入ではなく、「システムとしてのデザイン同期」 を行っているからです。

なぜエンジニアが Figma を整備するのか

AIがデザインからコードを生成する精度は、Figma側の整備状況に大きく依存します。

構造化されていない Figma(直接カラーコード指定、「Frame 123」のような命名)からは、保守困難なコードしか生成されません。

そこで、エンジニア視点から Figma の整備に介入しています。

  • Variables: colors/primary → Theme.of(context).colorScheme.primary の対応を明確に
  • Component: 参照を減らし、Flutter の共通 Widget と構造を揃える
  • Annotation: 画面遷移やスクロール挙動など、静止画では伝わらない「動き」や「ロジック」をAIに伝えるために付記する
  • Auto Layout: Row/Column/Wrap に正しく変換されるよう設定
  • 命名規則: レイヤー名を ProductCard、PrimaryButton のように意味のある名前に
  • トークン数の意識: Dev Mode で JSON サイズを確認し、冗長な構造を減らす。不要なレイヤーを削除する

MCPによる Figma連携

今年力を入れた1つとして、Figma Dev Mode MCP を活用し、デザイン ↔ コードの同期を構築しました。

実装した Agent Skills

  • figma-mcp-create: Figma URL → Flutter Widget コード生成
  • figma-mcp-fix: 既存コードと Figma デザインの差分修正

「Figmaで定義された色を、Flutterのコードに反映させるパイプライン」を AIと共に構築することで、デザイン修正の実装コストを下げました。

さらに現在、Figmaの細かい変更を CI で検知し、AIが自動実装して PRを出す仕組みも整備中です。

デザイナーが Figmaを更新すると、差分を検知 → AIがコード修正 → PR作成、という流れを自動化することで、デザイン ↔ コードのラグをゼロに近づけることを目指しています。

2026年は Flutter に限らず、React/Next.js や Kotlin/Swift のプロジェクトにも Figma MCP 活用を展開予定です。

デザイナー陣の協力を得ながら、クロスプラットフォームでのデザイン ↔ コード同期を整備していきます。

考えなどの詳細見たい方は以下から見れます。

https://speakerdeck.com/asa012/jp-accelerating-flutter-ui-development-with-figma-dev-mode-mcp-x-claude-code

https://zenn.dev/assa012/articles/61326a593a0244

重要なのは「脳内地図」を持っていること

ここで誤解してはいけないのが、「AIがあれば知識ゼロで何でもできる」わけではないという点です。

むしろ、AIを使うからこそ 「全体像の理解(脳内地図)」 が必須になります。

例えば、モバイルアプリの自動リリース(Mobile DevOps)を組む際、私は「Fastlane の役割」「Apple の証明書周りの仕様」「CI 環境の依存関係」 といった構造を理解した上で AIに指示を出しています。

「やるべきことの地図(Map)」は人間が持ち、実際の「コード記述(Driving)」だけを AI にアウトソーシングする。

このようにワークフローでの人間とAIの役割分担ができているからこそ、迷走せずに積み重ねることができました。

「外付けの脳」と「サブエージェント」の実験

2025年は Claude Code 元年 でした。
リリース直後から、ほぼ毎日のように Claude Code のエコシステムを試し続けました。

  • Claude Code Action: GitHub PR への自動レビュー
  • Hooks: コード変更時の自動品質チェック
  • Agent Skills: 定型作業のスキル化
  • Subagents: 専門領域ごとのエージェント分離
  • MCP(Model Context Protocol): 外部ツールとの連携

その延長として最近、個人的な趣味(実験)として取り組んでいるのが、「自分自身の文脈や知識を AIのスキルとして実装すること」 です。

プロジェクト固有のルールは CLAUDE.md に書けば済みます。
ただ、CLAUDE.md は毎回コンテキストに含まれるため、情報量が増えると効率が悪くなります。

そこで、必要なときだけ呼び出す仕組みとして Skills や Subagents を活用しています。

具体的には以下の通りです。

  • Hooks: Claude Code 終了時に flutter analyze や dart format を自動実行
  • Skills: CQRS の Query/Command 作成、Figma → Flutter 変換、コードレビューなど定型作業をコマンド化
  • Subagents: セキュリティ、パフォーマンス、アーキテクチャなど専門領域ごとにエージェントを分離

単一の AI に全てを詰め込むとコンテキストが混線しますが、専門特化したサブエージェントを切り出し、
私がオーケストレーション(指揮)することで、より複雑なタスクを自律的にこなせるようになります。

面白いのは、この「専門家(Subagent)」に「道具(Skills)」を持たせることができる点です。

例えば、セキュリティ担当のエージェントにだけ「脆弱性診断スキル」を持たせることで、より高度な分業が可能になります。

これはもはやコーディングというより、「私の分身となるエージェント群」 を作っている感覚に近くて楽しいです。

AIを用いた開発の詳細(249 commits)

git log で AI/Figma/MCP 関連のコミットを抽出すると 249 commits ありました。

タイムライン

月 主な取り組み
6月 Claude Code Action 導入(PR レビュー自動化)
8月 CLAUDE.md 整備、開発コンテナ追加
9月 Hooks システム実装、Figma MCP 連携
10月 Figma デザイン差分検知システム
12月 Skills / Subagents の大幅強化、FigmaMCP連携の他PJへの拡張

新たな課題:Nits の増加と「AI時代の Clean Code」

一方で、課題もあります。
約 4,200 回のコミットの中には、「Nits(些細な修正)」に対する許容度が上がり、コードの見た目の美しさへの執着が減ったものも含まれます。

良いコード の定義が変わる?

ここで新たな問いが生まれます。
「AI時代の良いコードとは何か?」

私の現時点での答えは、「AIへの『ガードレール(制約)』であり、人間にとっての『正解を示す基準』となるコード」 です。

AIは便利ですが、放っておくと文脈を無視したり、平気で嘘をつきます。

一方で、ビジネスの状況は常に変化し、「今の仕様として何が正しいか」を判断できるのは人間だけです。

だからこそ、設計には 2つの役割 が求められます。

1. AIに対する「ガードレール(制約)」

AIが暴走しないように、コード自体で物理的に止める仕組みです。

  • 型とインターフェース:
    「ここにこういうデータしか入らない」と型で厳密に縛ることで、AIが適当な実装をした瞬間にエラーが出るようにする。
  • 役割の固定:
    「UIはこのファイル、計算ロジックはこのファイル」と明確に分けることで、AIに余計な部分を触らせない。

2. 人間に対する「設計意図(なぜそうするのか)」

ここが最も重要です。「ビジネスとして何を実現したいか」 という意図が、コードから読み取れなければなりません。

  • ロジックの分離:
    「バリデーションの条件が変わった」「エラー判定のルールが変わった」という時、人間が即座にその場所だけを特定できるか?
  • 検証のしやすさ:
    AIが書いたコードを見て、人間が「仕様通りだ」「間違っている」と即断できる構造になっているか?

もし設計をおろそかにして AIに丸投げすれば、「動くけれど、中身がブラックボックス」 という、修正不可能なレガシーコードが爆速で量産されるだけです。

残された葛藤:どこまで任せるか

しかし、「骨格(設計)さえあれば、中身(実装)はすべて AI任せでいいか」というと、そう単純ではありません。

  • パフォーマンス: 無駄な再描画や非効率な計算が含まれていないか?
  • アクセシビリティ: セマンティクスは正しいか?

こうした「細部の品質」は、これまで私たちが積み上げてきた "良いコード" の知識なしには担保できません。

骨格を作るのは人間。では、肉付けのどのレベルまでをAIに委ね、どこから人間が介入すべきなのか?

その「品質と効率の線引き(意思決定)」こそが、これからのエンジニアに課せられた最も難しい課題だと感じています。

AI時代の「システム思考」

さらに重要なのは、人間の理解が追いつかないコードは慎重に導入を検討すべきという点です。

なぜか? 今後AIが発達していくと、こんな未来が見えてきます。

  • 最小人数で1プロジェクトを回す — 従来5人チームだった仕事を1-2人で
  • 1人で複数プロジェクトを回す — AI がコード生成、人間はオーケストレーション

このとき、自分が理解できないシステムは壊れたときに直せない。

AIに「直して」と言っても、自分が正しさを判断できなければ、AIの出力を検証できません。

だからこそ、私は以下を意識しています。

1. 境界を超えてシステム全体を把握する

従来、「フロントエンドエンジニア」「バックエンドエンジニア」「インフラエンジニア」「デザイナー」という役割分担がありました。

もちろん、従来から越境して活躍していた人はいます。

ただ、AI時代はその越境コストが劇的に下がったため、システム全体を設計できる人が必要になると考えています。

  • フロントエンドの設計をフロントエンドだけのスコープでやらない
  • API 設計、データ構造、UI/UX を一貫した視点で考える
  • 「この変更がどこに影響するか」を瞬時に判断できる状態を維持

2. デザインも「システム」として捉える

デザイン領域でも同じことが起きています。
Figma の中でも「発散するページ(人間用のキャンバス)」と「システム用のページ(実装前提)」を明確に分けて管理するようになりました。

なぜなら、AI時代はデザインデータの「欠陥」がダイレクトにコードの「バグ」になるからです。

これまでは、読み手が「人間(エンジニア)」でした。

もちろん厳密に運用されている現場もありましたが、仮にデザインデータに多少のズレ(1pxの誤差や、変数の適用漏れ)があっても、エンジニアが「設計意図」を汲み取って、きれいなコードに実装し直すことが可能でした。

つまり、これまではエンジニアの「判断」や「コミュニケーション」が、データの不備を自然と吸収していたのです。

しかし、読み手が「AI / MCP」になると話は変わります。

AI は「意図」ではなく「データ」を正とします。そこには、人間のような「よしなに計らう」機能はありません。

だからこそ、Figma Make などで発散させたアイデアや、日々のUI変更をそのまま実装に流すのではなく、「システム」という型に厳密に落とし込んでから AI に渡すこと。

この「データの構造化」こそが、AI時代のデザインエンジニアリングにおいて重要な工程になると考えています。

3. 仕組みを Claude Code のエコシステムに載せる

  • CLAUDE.md にアーキテクチャルールを明文化
  • Skills / Subagents で「自分の判断基準」をAIに教える
  • 一度構築した仕組みは他のプロジェクトにも展開できる

この「境界を超えたシステム思考 + AIエコシステム」の組み合わせこそが、AI時代のエンジニアの生存戦略だと考えています。

月別の活動推移

改めて、私の月ごとの主な取り組みを振り返ると、集中と分散のリズムが見えてきます。

ここに書けないものも他にあったりしますが、今考えると色々試した2025年でした。

月 主な取り組み
1月 Kotlin 依存関係更新、Next.js プロフィール編集機能
2月 Next.js 開発(プロフィール編集機能、検索機能改善)
3月 Flutter アプリ集中開発(CQRS 基盤、認証フロー、チャットUI)
4月 Flutter アプリ集中開発(各画面の開発、認可フロー)
5月 Bitrise → GitHub Actions 移行(iOS/Android)、RevenueCat 移行(Kotlin/Swift)
6月 Claude Code Action 導入、Firebase Dynamic Links 移行
7月 AI実験環境構築
8月 プロトタイプ実装、CLAUDE.md 整備
9月 Hooks 構築、Figma MCP 連携
10月 チャット実装
11月 Stream実装、Python, Lambda実装
12月 Agent Skills / Subagents 強化、UI画面実装

反省点と来年への展望

1. パフォーマンス改善のコミットの少なさ

パフォーマンス改善のコミットが少なかったです。機能開発に追われて、パフォーマンス計測を後回しにしていました。

来年はもっと意識的にパフォーマンスチェックを行い、「動くだけでなく、快適に動く」コードを目指します。

2. アクセシビリティ対応の不足

セマンティックなラベル、コントラスト比、VoiceOver 対応など、アクセシビリティへの配慮が不十分でした。
「動く」ことを優先し、「誰でも使える」が後回しになっていました。来年は設計段階からアクセシビリティを意識します。

3. テストカバレッジの偏り

AI と開発する上での最適なテスト戦略がまだ確立できておらず、テストカバレッジが部分的になっています。
どこを重点的にテストすべきか、AI生成コードの検証をどう行うか、来年は戦略を固めていきたいです。

4. ドキュメント更新の遅れ

できるだけ更新するようにはしていますが、AIの実装スピードにドキュメント更新が追いつけていません。

これも可能なら仕組み化して、コード変更に連動してドキュメントが更新される流れを作りたいです。

5. 正直AIの進化に追いつききれてない

AIの進化は高速です。モデルもですが、エコシステム周りもものすごい速さで変わっていきます。
なんとか土日の時間を使って食らいついていますが間に合っていません。

Claude Codeに詳しいOikonさんのXの投稿を見て、なんとかキャッチアップできてるものの、まだまだ試せていないものも多いのでなんとか食らいついていきます。

おわりに:2026年に向けて

終わりに、私は Orchestrator としての働き方を2026年も進めていきます。

  • インフラ回りは Mobile Ops(アプリ基盤) の脳。
  • デザイン管理の時は Design Ops の脳。
  • 実装の時はアプリケーションエンジニアの脳。

これらを人間が一人で行き来するのは脳のリソースを浪費しますが、AIを隣に置き、さらに「サブエージェント」で分業させることで、物理的な限界を超えたエンジニアリングが可能になります。

ただし、AIは放っておくと、メンテナンス不可能なスパゲッティコードを量産するリスクもあります。

だからこそ、「コードの整形は機械に任せるが、コードの正気(Sanity)とアーキテクチャは人間が保つ」

というバランス感覚が、最後の防波堤になります。

4,200 contributions、40以上のリポジトリ、約200 PR という数字の裏には、AIとの協働によって実現した新しい開発スタイルがあります。

2026年も引き続き、AIと一緒に「自分の脳を拡張する」実験を続けていきます。

付録:git log分析コマンド

この記事で使用した、2025年の振り返りの分析コマンドを共有します。

# 年間コミット数
git log --since="2025-01-01" --until="2025-12-31" --oneline | wc -l

# コミットタイプ分布
git log --since="2025-01-01" --until="2025-12-31" --oneline | \
  grep -oE "^[a-f0-9]+ (feat|fix|refactor|docs|test|chore|style|ci|build|perf|Merge|Revert)" | \
  awk '{print $2}' | sort | uniq -c | sort -rn

# 月別コミット数
git log --since="2025-01-01" --until="2025-12-31" --format="%ad" --date=format:"%Y-%m" | \
  sort | uniq -c

# 行数統計
git log --since="2025-01-01" --until="2025-12-31" --shortstat --format="" | \
  awk '{files+=$1; added+=$4; deleted+=$6} END {printf "Files: %d, Added: %d, Deleted: %d\n", files, added, deleted}'

# 特定の author のみ
git log --author="your-name" --since="2025-01-01" --until="2025-12-31" --oneline | wc -l

みなさん良いお年をお迎えください!

Discussion