AI アプリが本番環境で失敗する理由と Google がそれらを解決した方法

※この投稿は米国時間 2026 年 7 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

今は、個人が週末に AI でアプリを自作できる、まさに黄金時代です。エージェント エンジニアリングと LLM のおかげで、空白の IDE から機能するローカル アプリケーションを構築するまでの時間は、数四半期から数時間へと激減しました。コーヒーを飲みながら、思いつく限りのアイデアを形にできます。

しかし、インフラストラクチャが厳格で、ユーザーが数百万人に及ぶ企業のエコシステム内では、バイブ コーディングは目に見えない壁にぶつかります。ローカル プロトタイプは、企業ネットワークや連鎖的なエラーに直面したり、運用の不確実性を恐れる経営陣によってブロックされたりして崩壊してしまいます。

データは現実を突きつけています。AI プロトタイプが本番環境に移行できるのはわずか 5% で、残りの 95% は検証の段階で立ち消えになっています。

開発者にとって、ソーシャル メディア上の人々が電光石火のスピードで AI をデプロイしているのを見ながら、自分だけが終わりのない検証ループにはまり込んでいる状況は苛立たしいものです。この溝を埋める方法を見つけるため、私は YouTube のエンジニアリングの現場に潜入し、YouTube がこのスピードとリスクのパラドックスをどのように管理しているのかを調べました。私が発見したことは、AI ソフトウェア開発ライフサイクル（SDLC）設計に関する従来の考え方を完全に覆すものでした。

スピードとリスクのパラドックス

個人で構築している場合、失敗しても大したことはありません。エージェント コードの記述は、小回りの利くジェット戦闘機を操縦するようなものです。AI エージェントが誤った動作をした場合は、プロンプトを書き換えてサーバーを即座に再起動すれば済みます。

しかし、AI エンジニアリング リーダーの Addy Osmani が Emergent の初回エピソードで指摘しているように、企業内でエージェント オーケストレーションを無制限に行うと、予測不可能な影響範囲が生まれます。Addy は、個人プロジェクトで 10 個の並行エージェントを実行し、コンテキストを行き来しながらクイック プレビューのみに基づいてコードを push した際のエピソードを振り返ります。技術的負債は急速に蓄積し、変更が適切に分離されていなかったため、2 つのアプリが壊滅的な被害を受けました。

そのリスクを YouTube の規模まで拡大してみてください。そのインフラストラクチャは、20 年の歴史を持つ堅牢なコードベースで数十億人のユーザーを処理しています。これは実質的な公共インフラストラクチャであり、実験的な技術的負債によって過負荷になるリスクを冒すことはできません。この規模のプラットフォームを保護するには、広範で厳格なガードレールが必要です。

このパイプラインを通じて原始的なデモを構築する頃には、基盤となる AI モデルが進化し、アイデアが時代遅れになっている可能性があります。システムリスクを最小限に抑えながら、光速で移行するにはどうすればよいでしょうか？

YouTube の AI プロトタイピング スタック

DeepMind の元 YouTube ソフトウェア エンジニアである Benji Bear は、レビューを高速化することによってではなく、インフラストラクチャの哲学を変えることでこのパズルを解き明かしました。彼はチームとともに、プロトタイピング スタック を構築しました。これは、設計からコーディングまでのライフサイクルを統合したプラットフォームで、迅速な実験をメインラインの本番環境サーバーから完全に切り離すものです。開発速度における 2 つの主な摩擦点を体系的に解決します。

データレイヤの分離

スタンドアロン アプリを完全に分離すると、データや環境が何もない「白紙状態」という問題が発生し、現実的な条件でプロトタイプをテストできなくなります。この問題を解決するために、開発者は事前構築済みの Google AI Studio テンプレートを使用してアイデアをブートストラップします。これらのテンプレートは、プロトタイプ承認済みの読み取り専用データ用に Google Cloud で設定されたプロキシ サーバーにフックされます。これにより、プロトタイプは厳格なトークンを介して、ライブ メタデータ バンドル（再生リスト、動画、チャンネル）への事前認証された読み取り専用 API アクセスを即座に取得します。

開発者は、コア データベースに書き込んだり、汚染したり、クラッシュさせたりすることなく、ライブ本番環境パラメータの技術的正確性を手に入れることができます。

ライブ UI インジェクション

コンセプトに実際の検証が必要な場合、このスタックはクライアントサイドの YouTube 拡張機能ラッパーを提供します。このラッパーはグルーコードとして機能し、開発者は試験運用版の機能を YouTube の実際のライブ本番環境のウェブ画面に直接挿入できるようにします。コード分割チャンクの安全保護対策により、試験運用版の機能が本番環境のバイナリから分離されるため、プロトタイプの更新を安全なステージング環境に数分でデプロイできます。

その結果、YouTube は、アイデアの検証に数四半期を要していた状態から、「YouTube ハイライト」や「YouTube に相談」などのプロトタイプを数週間でユーザー調査（UXR）に直接投入し、いくつものプロトタイプを成功させました。

使い捨てコードを積極的に取り入れる

このスタックを導入するには、大きな意識改革が必要です。エンジニアは、コードを永続的なインフラストラクチャとして扱い、完璧になるまで磨き上げ、リファクタリングするように訓練されています。しかし、Benji が提唱するエンタープライズ AI の核となる哲学は至ってシンプルです。それは、使い捨てコードを積極的に取り入れることです。

Google AI Studio のプロトタイプは、技術的負債を抱えた、やや雑なものになることを想定しています。その目的は、定量データを使用してプロダクト マーケット フィットを検証することです。AI 生成の混沌としたアプリをエンタープライズ コードベースにリファクタリングしようとすると、摩擦が生じるアーキテクチャ上の落とし穴に陥る可能性があります。

しかし、Google AI Studio は、本番環境インフラストラクチャのミラー バージョン上にプロトタイプを直接構築するため、初日から非常に精度の高いベースラインを確立できます。AI 生成の雑然としたスクリプト自体は破棄することになりますが、アイデアの成功が証明された後であれば、本番環境向けの書き直しは大幅に速く、低コストで済みます。また、その作業をリスクの低い開発ライフサイクルの後半へと安全に遅らせることも可能です。つまり、白紙状態から始めるのではなく、検証済みのブループリントをベースに実装を進められるようになるのです。

障害を起こさず、迅速に動く

ここで重要なのは、95% の失敗率はバグではなく、戦略であるということです。チームがより頻繁かつ安全に失敗できる環境を設計する必要があります。

AI により、コード生成のコストが大幅に削減されました。その結果、私たちの役割は、構文のゲートキーパーからシステム アーキテクトへと変化しています。私たちの仕事は、チームが壊滅的な障害を引き起こすことなく、大胆なアイデアをテストできるようにするブリッジ、読み取り専用サンドボックス、分離されたパイプラインを設計することです。

最大のリスクは、乱雑な AI コードでサーバーをダウンさせることではなく、検証ループが遅すぎて技術革新の機会を逃してしまうことです。失敗しても安全な構造的制約を構築することで、チームは超高速で自由に作業できるようになります。

技術的な詳細、YouTube のコア インフラストラクチャ エンジニアとのインタビュー クリップ、Google AI Studio Proto-Stack の内部については、YouTube で Emergent の初回エピソードをご覧ください。

- デベロッパー プログラム グローバル リード、Stephanie Wong