エンジニア
中級 AI活用ガイド
AI偏差値45-55のエンジニアが、さらなる成長を遂げるための実践ガイド。ワークフローへのAI統合と成果の定量化を解説します。
AIエージェントの構築: MCP（Model Context Protocol）を活用する
中級エンジニアが次に取り組むべきは、AIエージェントの開発です。MCP（Model Context Protocol）は、AIモデルが外部ツール（データベース、API、ファイルシステム等）と標準化されたインターフェースで通信するためのプロトコルです。MCPサーバーを実装することで、Claude DesktopやClaude Codeから自社のAPIやデータベースに直接アクセスするエージェントを構築できます。たとえば「社内のチケット管理システムのMCPサーバー」を作れば、Claudeに「今週リリース予定のチケットで、テストが未完了のものを一覧にして」と依頼するだけで、APIを叩いてリアルタイムにデータを取得・整形した回答が返ります。TypeScriptで200行程度のサーバーを書くだけで、AI×社内システムの統合が実現します。
あなたのAI偏差値を測定しませんか？
エンジニアとしてのAI活用力を6次元で診断。10分で偏差値と8タイプ分類がわかります。
テスト自動生成: AIと人間の最適な分担
AIにテストコードを生成させる際の中級者テクニックは「テスト戦略を人間が決め、テストケースの列挙をAIに任せる」ことです。Claude Codeに対象の関数・クラスを読み込ませ、「この関数の境界値テスト・異常系テスト・並行処理テストをJest/pytestで書いて。カバレッジ90%以上を目指す」と依頼します。AIは正常系・異常系・エッジケースのテストを網羅的に生成しますが、「ビジネスロジック上ありえない入力パターン」のテストも含まれることがあるので、人間が「このテストは不要」「このケースが抜けている」と判断する工程が必要です。また、E2Eテスト（Playwright等）のシナリオ作成もAIが得意で、ページ操作の手順記述を大幅に効率化できます。
リファクタリングのAI支援: 技術的負債を計画的に返済する
レガシーコードのリファクタリングは、AIが最も威力を発揮する領域の一つです。Cursorのチャット機能に既存のコードベースを読み込ませ、「このファイルの責務を分析し、単一責任の原則に基づいて分割案を提示して」と依頼します。AIはメソッドの依存関係を分析し、「OrderService→OrderValidator, OrderCalculator, OrderRepositoryに分割」のような具体的なリファクタリング計画を提案します。ここで重要なのは、AIに「一気にリファクタリングして」と指示するのではなく、段階的に変更する計画をAIに立てさせ、各段階でテストが通ることを確認しながら進めることです。Claude Codeはgit操作も統合されているため、リファクタリングの各ステップをコミットに分けてくれます。
今日からできる5つのアクション
週1回2時間: MCPサーバーの実装を進め、社内の1つのAPIをClaude Desktop経由で操作可能にする
毎PR作成時15分: テストコードの初稿をAIに生成させ、カバレッジとテストケースの妥当性を人間がレビューする
月1回半日: 技術的負債が大きいファイルを1つ選び、AIのリファクタリング提案を検討・実行する
週1回30分: AI関連のOSSリポジトリ（LangChain, Vercel AI SDK等）のchangelogを確認し、新機能をチェックする
月1回: チーム内でAIコーディングのハンズオンセッション（1時間）を企画し、ナレッジ共有する
中級者におすすめのAIツール
Cursor
AIネイティブなコードエディタ。ファイル横断のコンテキスト理解が強力で、リファクタリングや複数ファイルにまたがる変更に最適。.cursorrules でプロジェクト固有のルールを定義可能。
Claude Code
ターミナルから複数ファイルの変更、テスト実行、git操作を一括実行。MCP対応でツール統合が容易。大規模リファクタリングやCI/CD連携に強い。
Vercel AI SDK
AIアプリケーションのフロントエンド構築に特化したSDK。ストリーミング応答、ツールコーリング、マルチモーダル入力を標準サポート。Next.jsとの統合が極めてスムーズ。
ステップアップ・ロードマップ
Phase 1: AIエージェント開発入門
2-3週間- MCPの仕様を理解し、最小限のMCPサーバー（1エンドポイント）を実装する
- テスト自動生成のワークフローを確立し、カバレッジを10%以上向上させる
- Cursorの.cursorrules にプロジェクトのコーディング規約を反映する
Phase 2: 実務への統合
1-2か月- MCPサーバーを本番環境で利用可能にし、チームメンバーが日常的に使える状態にする
- レガシーコードの計画的リファクタリングを月1回実施し、技術的負債を可視化・追跡する
- AI生成コードの品質評価基準（読みやすさ、テスト容易性、パフォーマンス）を策定する
Phase 3: 偏差値55突破
1-2か月- AI活用による開発生産性の向上を定量的に計測し、レポートする
- チーム全体のAIツール活用率を80%以上に引き上げる
- MCPサーバーの仕組みをOSSとして公開またはテックブログで発信する
エンジニアが知っておくべきAI用語
よくある質問
Q.MCPサーバーの開発にはどの程度のスキルが必要ですか？
TypeScriptまたはPythonでAPIサーバーを書いたことがあれば十分です。MCPの公式SDKが提供されており、ツール定義（関数名・引数・戻り値のスキーマ）を宣言するだけでサーバーが構築できます。最小構成は100-200行程度。RESTful APIのルーティングを書くのと同じ感覚です。Claude Code自体にMCPサーバーを書かせることもでき、開発の最初の一歩が非常に低いのが特徴です。
Q.AI生成テストはどこまで信頼できますか？
AI生成テストの信頼性は「テスト戦略を人間がどこまで指定したか」に比例します。「テストを書いて」と丸投げすると、正常系に偏った網羅性の低いテストが生成されがちです。「境界値、異常系（null/undefined/空文字/巨大入力）、並行処理、タイムアウト」を明示的に指示すれば、品質は大幅に向上します。最終的にはmutation testingでテストの有効性を検証するのがベストプラクティスです。
Q.エンジニアの中級者はAIツールにいくら投資すべきですか？
個人なら月$30-50程度（Copilot $19 + Claude Pro $20）が費用対効果の高い投資です。Cursorは$20/月でCopilotの代替にもなります。チームでは、生産性向上の定量データ（PR作成時間の短縮、バグ修正速度の向上）を1ヶ月間計測し、そのデータを基にチーム導入の予算申請をするのが確実です。一般的に、AIツールへの月$50の投資で開発時間が20%短縮できれば、エンジニアの月給と比較して圧倒的にROIが高い計算になります。
SalesNow で働く
データとAIで「働く」を変える仲間を募集中
1,400万件の企業データベース × AI。データAIカンパニーで新しいキャリアを。
エンジニアとしてのAI偏差値を測定しませんか？
OECD/WEF準拠の6次元フレームワークであなたのAI活用力を10分で診断。8タイプのどれかも判定します。