Codexの活用事例

少人数のチームで規模の大きい開発を進める必要があった。

製品が変わるたびに社内の説明資料が古くなりPMがコードの変更を毎回文章に直していた。

1. チケットごとに目的と受け入れ条件をつなげた
2. 同じ材料をCursorのエージェントに渡して開発させた
3. コードのどこを読むか案内する地図を用意した
4. 3つのツールで説明を書き2人が確かめて正式版にした
5. 取り込みのたび影響するページの修正案を出させる

ユーザーストーリー1本の提供が約10日短くなり開発の効率は41%上がった。

ドキュメントの確認は週約10時間から約90分になり1人あたりの提供価値は73%増えた。

社内の70体のエージェントを作る開発者が、42のシステムの鍵を自分の.envファイルに貼り付けて使っていた。

社内監査で開発者の端末やCI設定に278本のAPIキーが散らばっていると分かり、しかも読み取りだけでよいはずの鍵が削除や全社設定の変更までできる状態だった。

1. .envの値を本物の鍵からPassportの参照IDに置き換えた
2. 常駐プログラムが呼び出しを社内のプロキシへ渡す
3. プロキシだけが保管庫から鍵を読んでAPIを呼ぶ
4. 42のシステムを104の承認済みエンドポイントに絞った
5. 呼び出しを開発者・エージェント・実行の単位で記録する

開発者の端末にある本番の鍵はゼロになり、278本のキーが使われなくなった。

新しい本番システムを目録に足す日数は15日から3日になり、新しく入った開発者は2時間でどのエージェントにも手を入れられるようになった。

導入後もエージェントは32体から70体、つなぐシステムは27から42へ増えたが鍵の露出はゼロのままだった。

商業保険の仲介は紙の作業が多く手順も遅いままだった。

創業者はエンジニアではなく、仕組みを1人で作る必要があった。

1. AWSのコンソール画面のスクリーンショットをChatGPTに渡した
2. ChatGPTに聞きながらバックエンドとデータベースを立てた
3. CursorやClaude CodeやCodexで開発を進める
4. コーディングエージェントが扱いやすいWeaviateに決めた
5. 保険の書類を分類し項目を取り出してベクトル化する

2025年2月のアイデアから同じ年の11月には顧客のいる本番システムが動いた。

稼働から1年たたずに40口座で2,000万ドルの保険料を運用し、年間50万ドルを超える顧客も8件ある。

既製の基板4枚をつないだ6キーのマクロパッドは動いたが、もっと薄く小さくするには専用基板が要った。

自分は基板設計の専門ではなく、手作業でゼロから起こすのが難しかった。

1. EasyEDA ProのAPIにJavaScriptを投げAIから基板を操作する
2. 回路図と配置を作らせトークン切れでClaudeからGrokへ交代する
3. 部品41個・パッド214個・配線120本を突き合わせる監査を書かせる
4. オートルータが動かないため自前のグリッド探索ルータを書かせる
5. Codexに引き継ぎコストに曲がり回数とビアを入れる修正をさせる

Claudeのグリッドルータが引いた722本・105ビアの基板は、Codexの書き直しで151本・33ビアになった。

探索時間はCPUで6分半・実時間10分かかるが、打ち切りを入れて実用の範囲に収めた。

営業担当との定期ヒアリングで聞かれてから考えると、その場で思い出せた作業を並べるだけになっていた。

初回にスライド生成を試したときも、出来上がってから構成や見た目が違うと気づき、作り直しを繰り返していた。

1. 顧客名や人物名を外した活動メモをMarkdownでGitHubに残す
2. 報告に使ってよいものだけを選ぶ
3. Codexにメモを読ませ質問させ4項目のMarkdownを正本にする
4. Gemini Notebookに骨子や記事を追加しアウトラインを相談する
5. デザイン案をPNGで確認してからスライドを生成し人が最終確認する

Markdown原稿は20枚のスライドに展開された。

出力後は気になるページだけを指定して直せるようになり、全体を何度も作り直す進め方から抜けられた。

AIエージェントに頼むタスクは社内基盤で管理し人が担当するタスクは別のツールで管理していたため、両方を行き来する手間があった。

Slack経由でエージェントと会話する仕組みもAPIの制限でやりたいことが実現できなかった。

1. 社内AIエージェント基盤に全タスクの管理機能とグループチャット機能を自前で作る
2. 開発はClaude CodeやCodexに任せ3週間ほどで本番に出す
3. 表データやフォームの管理機能もAPIでエージェントが読み書きできるようにする
4. 権限の設計は社内で時間をかけて話し合って決める
5. 人はエージェントが作った内容を確認して直す

社員全員が自作のタスク管理とチャットに移り、AIエージェントと同じ場所で仕事をするようになった。

期間内に終わったタスクからリリースノートを書いたり、社内の回答集めのフォームを作って代行することもエージェントが自分でやるようになった。

バナー広告は多くのパターンを試す必要があるが、Codexだけで画像生成から入稿までをまとめようとすると1枚で残り使用量の10%ほどを消費してしまい枚数を増やせなかった。

ChatGPTとCodexを分ける運用にしても、毎回プロンプトと参照画像を渡し直す手間が残った。

1. Codexに生成から登録まで任せたが重く断念した
2. 画像生成はChatGPT、登録と分析はCodexに分担した
3. CodexからComputer UseでChatGPTを操作する方法も試した
4. OpenAIのAPIから直接画像を生成する形に変えた
5. 生成用スキルに品質や判断の基準を細かく書き込んだ

ChatGPTのライセンスが不要になり、もとから使っていたClaudeだけを入口にして生成から登録までの流れを回せるようになった。

LINEスタンプを作るには背景を透過し、サイズを変え、1枚ずつ分割する作業が必要で手間がかかっていた。

1. 自作キャラクター2体を3Dイラストに変換した
2. 公開されていたプロンプトを借りてCodexに生成を指示した
3. スタンプは16個と16個と8個の3回に分けて出した
4. 絵文字40個は1回でまとめて出しメイン画像とタブ画像はサイズ指定で作らせた
5. 背景透過とZipまとめを任せ人は画像を確認して登録した

40個のスタンプが約30分ほどでそろい、そのまま申請まで終えて販売開始になった。

3回に分けても表情やポーズが違うだけでキャラクターの雰囲気はそろっていた。

PCの空き容量が減っていたが、どのファイルを消していいか自分では判断がつかなかった。

Codexという名前から開発者向けの難しい道具だと思い込み、手を出せずにいた。

1. ChatGPTデスクトップアプリを入れてCodexを選ぶ
2. 権限は既定のままにして範囲外は確認が入る状態で始める
3. 日本語で不要ファイルの候補を一覧で出すよう頼む
4. 削除はさせず一覧だけ出させる
5. 出た一覧を自分で見て消すものだけ許可した

開始から15分で9GB分の不要ファイルとアプリを片付けられた。

コードを書かずに日本語で頼むだけで自分のPCの作業を任せられることが分かった。

サイトの不具合が起きたとき原因を突き止めるのに時間がかかっていた。

直す範囲が広がると関係ない所まで触って既存の機能を壊す不安もあった。

1. Gitで作業ブランチを切る
2. 問題と再現手順と期待する動作をまとめて渡す
3. 関連ファイルと制約も同じ形に入れて渡す
4. 原因の説明と最小限の修正案と差分の順に出させる
5. git diffで差分を見て動かしてからコミットする

軽い不具合の修正が約60〜90分から30〜45分程度まで短くなった。

原因調査の初動も約30分から10分前後になった。

Jiraではエンジニアがチケットを手で直すためにCodexやClaudeの画面をいちいち離れる必要があった。

チャットとエージェントで一日を回したい社内の進め方と合わなかった。

1. 更新したばかりのJiraをやめLinearへ移した。
2. MCPでチャットの道具から課題を読み書きできるようにした。
3. 責任者はClaudeに遅れそうな案件を聞きLinearから答えを引いた。
4. 担当者はLLMで計画や仕様を組み立てLinearへ流し込んだ。
5. エンジニアはCodexへ課題を割り当て課題の中で済ませた。

移してから4か月で、数か月かかっていた仕事が数週間で終わるようになった。

数週間かかっていたものは数日になり朝会をなくしたチームも出た。

セキュリティ担当はインフラやクラウドや外部業者の監査ログを大量に抱えていた。

生のログが散らばったままで脅威の検知や調査の土台が無かった。

1. 監査ログをパイプラインでDatabricksへ流す。
2. 生のイベントの形をそろえてDelta tableに入れる。
3. Unity Catalogで閲覧の範囲を管理する。
4. 整えたデータで脅威の検知と調査と監査の分析を進める。
5. Codexにデータを引かせ人が中身を確かめる。

脅威を見つけるまでが速くなり、同じデータを何度も取り込む無駄が減った。

誰が何を見たかの記録が残る形のまま、セキュリティの運用を広げられるようになった。

薬が効かない細菌が増え、毎年多くの死亡に関わっている。

土や植物から新しい分子を探す従来のやり方は時間がかかり、試行錯誤に頼っていた。

1. DNAを情報として扱い、分子を選び出す問題に置き換える
2. チームの考えをChatGPTに入れ、候補を絞るアルゴリズム案を出させる
3. Codexでパターン発見や図にする処理のプログラムを書く
4. 最後は研究者が候補分子を見極め、実験につなげる

新しい抗菌薬の分子を数年かけずに数時間で見つけられるようになった。

ChatGPTはチームの共有の頭脳のような存在になり、計算を扱わなかった研究者も自分でアルゴリズムを書けるようになった。