[市場動向]

2026年10月23日(金)日川 佳三（IT Leaders編集部）

シェアする

リスト

　NTTは、既存のソフトウェア資産をAIが理解・活用できる状態に変換する技術を確立した（図1）。ドキュメント（仕様書や設計書）、コード、テストの依存関係を解析することで、不整合や記載漏れを検出して補完する。さらに、不足するテストの観点やケースを体系的に抽出し、自動で補完する。

図1：既存ソフトウェア資産をAIが理解・活用しやすい状態に変換する技術の内容（出典：NTT）
拡大画像表示

　長年運用しているシステムでは、改修を重ねるうちに、設計書に書いてある内容と実際のコードが一致しなくなることがある。この結果、どこを直せばよいか、修正によって別の機能に影響が出ないかを確認する作業に多くの手間がかかる。こうした状況では、生成AIもシステムの構造や仕様を正確に把握することが難しくなる。また、既存機能を確認するテストが十分に整備・自動化されていない場合は、変更による影響の検証にも手間がかかる。

　今回の取り組みでは2つの技術を確立した。1つ目は、仕様書・設計書・コードなどの対応関係を自動で整理し、工程間の不整合や記載漏れを検出・補完する「トレーサビリティ解析技術」である。2つ目は、既存のテストで確認できていない観点を明らかにし、不足するテストを補完する「網羅的なテスト自動生成技術」である。

ドキュメントとコードの不整合を検出

　(1)トレーサビリティ解析技術は、要求工学に関するISO等の国際標準・ガイドラインを基に、各成果物の構成・関係を自動的に構造化する（図2）。膨大で形式の異なる各成果物を、AIがシステム構造や設計意図を理解できるトレーサビリティ情報へと変換する。

図2：「トレーサビリティ解析技術」の概要（出典：NTT）
拡大画像表示

　既存システムでは、会議ログなどの開発意図情報、仕様書、設計書、コード、テストケースなどに情報が分散している。AIがこれらを正しく理解するには、各成果物を機能などの意味のある単位に整理し、つながりを明らかにすることが必要である。

　各成果物は、ドキュメントごとに記載形式や情報量が異なるため、単純な分割では機能のまとまりを適切に捉えられない。そこで、各文章が特定の機能とどの程度関連するかを評価し、内容に応じて分割粒度を動的に調整することで、意味を保った機能単位へと分割できるようにする。

　さらに、たとえ同じ機能に対する仕様や設計の記載、およびコードであっても、それぞれ情報量や表現が異なるため、そのままでは正確な対応付けが困難である。そこで、前工程の要点を基に後工程の情報を復元し、情報量・粒度を揃えて依存関係を判定することで、工程間の記載漏れや不整合まで高精度に把握する。

不足するテストを体系的に抽出

　(2)網羅的なテスト自動生成技術は、整合性を確保した仕様・設計・コードとISO品質特性を基に、システムのどの機能をどのような観点から確認する必要があるかを整理した「テスト観点空間」を構築する（図3）。長年の開発で蓄積したテストを、テスト観点空間に対応づけることで、確認済みの領域と、テストが不足している領域を可視化する。

図3：「網羅的なテスト自動生成技術」の概要（出典：NTT）
拡大画像表示

　正常系に比べて不足しやすい異常系や境界値、複数条件の組合せ、機能間連携時の振る舞いなど、十分に検証されていないテスト観点を具体的に特定できるようになる。さらに、不足部分を決定表などのテスト技法で体系的に補完することで、既存テスト資産を活かしながら、変更影響を網羅する自動実行可能なテストを生成する。

　背景として、既存システムでは、長年の開発で多数のテストを蓄積している一方、各テストがどの機能・条件を確認しているのか、重要な観点に抜けがないかを全体として把握することが難しい。また、機能間の依存関係が複雑なため、一部の変更が思わぬ既存機能に影響することもあり、既存機能をすべて人手で再テストすると膨大な時間とコストがかかる。

不整合の検出率はRAGの27%に対し80%

　技術の有効性を確認するための予備実験も実施した。Macchinetta Frameworkのサンプルアプリケーション「ATRS」を用い、ドキュメントとコードを準備し、トレーサビリティ解析技術と網羅的なテスト自動生成技術について評価した。

　トレーサビリティ解析技術の評価では、設計書に意図的に埋め込んだ41件の誤り（仕様書やコードとの矛盾、抜け漏れなど）を対象に、誤りを検出できるかを評価した（表1）。結果、従来手法（RAG：検索拡張生成）では11件（27%）の検出にとどまったのに対し、提案手法では33件（80%）を検出した。

　網羅的なテスト自動生成技術の評価では、意図的に埋め込んだ6件のバグを対象に評価した。結果、4件（67%）を検出した。さらに、あらかじめ埋め込んだバグとは別に、既存の潜在バグを3件検出した。これらの潜在バグは、入力検証やエラーメッセージに関するテストが不足していた箇所で確認した。一方、仕様書から生成AIで直接テストを生成した場合、これらのバグはいずれも検出できなかった。

　NTTは今後、規模や特性が異なる既存システムへの適用評価を進め、対象とする成果物やプログラミング言語、暗黙知の抽出・補完、品質観点・テスト技法を拡充する。さらに、実際のソフトウェア開発・保守案件に同技術を適用し、システム理解から影響範囲の特定、改修、テスト生成・実行までを生成AIと連携して一気通貫で実行する有効性を検証する。