AI LAB

Insights and Innovations

ISMのAIツール

無料で文字起こしをはじめる
点線の用語から説明を表示できます AIキーワード辞書 ↗
Sus8システム
2026/11/17
AI活用
Codexで受注確定処理を修正する――途中失敗でも受注と在庫を食い違わせない進め方
対象読者:上級者向け

この記事の要点

Codexで受注確定処理の更新経路を調べ、途中失敗を再現するテストからトランザクション修正へ進む実践案です。架空データとお願い文の例を使い、DB状態の検証、差分レビュー、準備や修正を含めた効果の確かめ方を紹介します。

目次
受注だけ確定し、在庫が変わらない障害を追う


受注管理システムの保守担当者に、営業部から「注文は確定しているのに、在庫が減っていません」と問い合わせが届きます。担当者は障害ログから受注番号を探し、SQLクライアントで受注と在庫を照合します。その後、エディターで受注確定処理を開き、更新順序と例外処理を調べるでしょう。ここでは、中小企業の開発チームがこうした障害を修正する場面を、架空の業務例として扱います。

想定するシステムでは、受注の状態変更と在庫の減算を同じリレーショナルDBで管理しています。問題は、処理の途中で例外が発生すると、片方だけが保存される可能性があることです。保守担当者の成果物は、修正コードだけではありません。不具合を再現するテスト、正常時と失敗時のDB状態を確かめる回帰テスト、変更理由と検証結果を記したレビュー資料までを含めます。

AIを使わない場合も、既存の検索機能、デバッガー、テスト基盤、チームの障害対応テンプレートは利用できます。それでも、呼び出し元からDB更新までをたどり、別ファイルの処理と照合し、実装に合うテストを組み立てる作業は残ります。特に、共通のDB接続処理や例外を捕捉する層まで確認すると、調査の途中で何度も同じコードを読み直しがちです。

この記事では、Codexをその調査と修正案作成の補助に使う進め方を提案します。対象読者には、コードレビュー、DBトランザクション、テスト用データの準備、開発環境の操作に関する知識を想定しています。掲載する受注番号、数量、コード、お願い文はすべて説明用の例であり、実際に操作して得た結果ではありません。狙いは、受注確定という一つの処理について、調査の根拠と修正後の証拠をそろえることです。
手間を減らす対象は、更新経路の探索と証拠の整理


調査は「トランザクションを追加する」という結論から始めません。受注確定の入り口、受注を更新する関数、在庫を更新する関数、接続の取得元、コミットを行う箇所を順に確認します。表面上は一つのサービス関数でも、内部の呼び出しが別接続を取得していれば、見た目のまとまりだけでは修正範囲を判断できません。この例では、途中失敗時に両方の更新が取り消されることを品質条件にします。

手間を工程に分けると、関連ファイルの探索、更新順序の整理、失敗条件の設定、テストの作成、差分の確認があります。Codexに依頼するのは、これらを同じ受注処理の文脈でつなぐ作業です。設計上の責任範囲や、業務として何を確定と扱うかは、担当者が判断します。

| 工程 | AIを使わない場合 | Codexに依頼する補助 | 人が確認する点 |
| --- | --- | --- | --- |
| 更新経路の探索 | 検索とコード読解で追跡します | 関連箇所と呼び出し順を整理します | ファイルと実装が一致するかを確かめます |
| 失敗の再現 | 既存テストを参考に組み立てます | 失敗位置とテスト案を作成します | 実際の不整合を再現できるかを確かめます |
| 修正 | 接続と例外処理を調整します | 限定した範囲の差分を作成します | 更新とロールバックの範囲を判断します |
| 検証の記録 | 実行結果を整理します | 結果と未確認事項をまとめます | 実行証拠と説明を照合します |

比較する入力は、同じコード、障害の説明、架空データ、既存テストです。成果物も同じ品質条件にそろえます。Codexを使う場合だけ失敗時のテストを省けば、公平な比較にはなりません。調査結果に誤りがあれば、担当者による読み直しや追加指示も必要になります。

OpenAIの公式資料では、Codexを用いる開発を、範囲と受け入れ条件を区切り、テストや検証の証拠を残しながら進める構成が紹介されています。また、AGENTS.mdは任意であり、資料に登場する計画用ファイル一式がCodexの必須条件ではないと説明されています。(出典: OpenAI Cookbook)本例でも大量の管理ファイルを新設せず、既存の開発ルールと小さな修正単位を使う方針にします。参考: 公式の開発ワークフロー
準備をそろえ、最初の依頼を読み取り調査に限定する


実践には、Codexを利用できる既存の作業環境と、対象リポジトリを用意します。導入や認証の設定は済んでいる前提です。リポジトリの指示、DB接続設定、テストの起動方法を読者自身が確認し、本番に接続しない開発用の作業場所を選んでください。既存の未保存変更や別作業の差分も確認し、今回の修正を識別できる状態にします。顧客名や実際の注文内容は不要です。

架空データは、受注番号DEMO-001、商品番号SKU-A、注文数3、確定前の在庫数10とします。成功時の期待状態は「受注が確定し、在庫が7になること」です。失敗時は「受注が未確定のままで、在庫が10に戻ること」と定義します。これらは本記事のテスト条件であり、製品の仕様や実測値ではありません。受注明細や履歴テーブルも同時に更新するシステムでは、それらの期待状態を追加する必要があります。

作業は、読み取り調査、再現テスト、限定修正、独立した確認の四段階に分ける提案です。最初は、既存のCodexの作業セッションに以下の文章を入力します。山括弧の部分は、実際に確認したパスへ置き換えてください。実行コマンドも既存資料から特定させ、不明なものを推測で補わせないことが要点です。

コピーして使う調査用プロンプト例です。



受注確定処理の途中失敗を調査してください。
今回は読み取りだけを行い、ファイルは変更しないでください。

適用されるAGENTS.md、既存の開発手順、
<受注処理のパス>、<DB接続処理のパス>、
<関連テストのパス>を確認してください。

受注状態と在庫数を更新する呼び出し順を整理し、
各更新の接続、トランザクション開始、コミット、
例外の捕捉位置を、ファイルと該当箇所を添えて示してください。
確認できた事実と未確認の仮説を分けてください。

同一DBで、成功時は受注確定と在庫減算が両方残り、
途中失敗時は両方が処理前に戻ることを目標にします。
既存のテスト実行方法と、最小の再現テスト案を提示してください。
不明なコマンド、API、業務仕様は作らないでください。


返答では、もっともらしい原因説明より根拠を確認します。「在庫更新が別接続です」と書かれていれば、接続を取得する実装と呼び出し元まで見直してください。ラッパー関数の名称だけで判定している場合は追加調査が必要です。決済や外部倉庫への連携が見つかった場合も、この段階で知らせてもらい、同一DB内だけの修正で完了できるかを人が判断します。
途中失敗を先に再現し、修正を一つの境界へ絞る


調査結果を確認したら、修正前のコードで失敗するテストを作成します。受注更新後、在庫更新に進む位置で意図的に例外を発生させ、処理終了後のDBを読み直す方法が、この架空例の候補です。注入には既存のテスト用差し替え機構などを使います。新しい仕組みが必要なら、その追加が業務コードへどこまで影響するかを先に検討してください。

期待する失敗は、単なる例外の発生ではありません。「失敗後は受注が未確定であるはずなのに、確定が残る」というDB状態の不一致です。接続先の誤りやデータ準備の不足で落ちたテストでは、今回の欠陥を捉えたことになりません。テストの失敗理由と、障害の説明が対応しているかを開発者が確認します。

コピーして使う実装用プロンプト例です。



確認済みの調査結果に基づき、受注確定処理と関連テストを変更してください。
本番接続、外部送信、依存関係の更新、無関係なリファクタリングは対象外です。

架空データは受注DEMO-001、商品SKU-A、注文数3、在庫10です。
先に、受注更新後に例外を起こす再現テストを作り、
修正前に期待状態との不一致で失敗することを確認してください。

その後、既存のDBアクセス方式に合わせ、同一接続の
一つのトランザクションで両更新を扱う最小修正を行ってください。
正常時は受注確定・在庫7、途中失敗時は未確定・在庫10を検証してください。
成功応答や例外の扱いは既存の契約を維持してください。

実行したコマンド、終了結果、失敗理由、変更ファイル、
未実行の検証を報告してください。
環境不足で実行できない場合は、成功したと書かないでください。


修正の考え方を示す擬似コードです。実行用コードではなく、関数名や構文も説明用です。実装時にはリポジトリに存在するDBライブラリと、その接続・トランザクションの扱いに置き換えます。



修正前の想定例
  受注状態を確定へ更新し、保存を確定します
  在庫を減算し、保存を確定します

修正後の設計例
  同一接続でトランザクションを開始します
  try:
    受注状態を確定へ更新します
    在庫を減算します
    両方の更新をコミットします
  catch:
    両方の更新をロールバックします
    例外を呼び出し元へ伝えます


差分では、開始と終了の位置だけを見て済ませないでください。内側の関数が独自にコミットしていないか、片方だけ別接続になっていないか、例外を握りつぶして成功扱いにしていないかを追います。この設計例が対象にするのは同一DB内の更新です。外部決済やメール送信の取り消しまで達成したものとして扱わず、必要なら別の設計課題として残します。
戻り値だけで合格にせず、確定後のDB状態をレビューする


回帰テストでは、正常終了と途中失敗の両方を確認します。HTTP応答やサービス関数の戻り値が期待どおりでも、DBに片方の変更が残っていれば受け入れ条件を満たしません。例外処理が終わった後に、受注状態と在庫数を読み直す検証を用意します。キャッシュされたオブジェクトの値だけで判断せず、DBに保存された状態を確認するテストにしてください。

| 検証する場面 | 受注の期待状態 | 在庫の期待値 | 確認する意味 |
| --- | --- | --- | --- |
| 正常終了 | 確定です | 7です | 両方の更新が保存されることを確認します |
| 受注更新後の失敗 | 未確定です | 10です | 先行した受注更新が残らないことを確認します |
| 在庫更新後でコミット前の失敗 | 未確定です | 10です | 両方の変更が取り消されることを確認します |

表は本記事の架空データに対する期待値です。各テストは初期状態を作り直して実行します。特に、テスト基盤が各ケースを外側のトランザクションで囲む場合は、アプリケーションのコミットやロールバックの不備を隠さないか確認が必要です。別接続から状態を読む方法を含め、既存の統合テスト基盤で実際に検証できる構成を選びます。

人による差分レビューでは、ロールバックの対象と業務上の責任範囲を照合します。受注履歴を残す処理があるなら、その履歴も取り消すべきか、失敗記録として別に残すべきかを決める必要があります。また、トランザクションを導入しただけで、同時注文による在庫の競合や二重確定まで検証済みにはなりません。既存の排他制御、在庫不足判定、再実行時の扱いを維持しているかを見直し、影響する場合は追加の受け入れ条件を設定します。

レビュー資料の提出例は、「変更した境界」「再現テストの修正前の失敗理由」「修正後の実行結果」「未確認事項」の四点です。これは成果物の構成案であり、テスト成功の報告例ではありません。担当者はCodexの要約を実行ログと照合し、受注・在庫に関係する既存テストも確認してから承認します。修正によって、すでに発生した不整合データまで復旧したと解釈しないことも必要です。
準備とレビューを含めて、同じ修正課題で効果を確かめる


期待できる変化は、関連コードを探す時間、更新経路を文章にまとめる手間、既存形式に合わせてテストや修正案を書き起こす繰り返しが減ることです。ただし、接続の共有方法が複雑だったり、既存テストの起動条件が整理されていなかったりすると、調査結果への追加説明や手直しが増えます。Codexの返答が速いことと、修正を承認できるまでの作業が短いことは、分けて評価する必要があります。

自社で効果を確かめるなら、同じ開始コミット、同じ架空データ、同じ障害説明、同じ受け入れ条件を用意します。記録する工程は、環境準備、コード探索、再現テスト、修正、結果確認、レビュー対応です。AIを使う側では、お願い文を整える時間、誤った仮説を訂正する時間、生成された差分を修正する時間も含めてください。自動テストの待ち時間と、人が実際に作業した時間を分けて残すと、変化の理由を追いやすくなります。

比較では、作業者が一度目の調査で実装を覚える影響にも気を付けます。同じ人が同じ不具合を続けて解く場合は、二回目の速さをそのままAIの効果と判断できません。最初は厳密な削減率を求めず、「どのファイルを探す負担が減ったか」「追加指示は何回必要だったか」「レビューでどの修正が戻ったか」を記録する方法でも十分です。品質条件を満たせなかった作業は、短時間でも完了扱いにしません。

引き継ぎには、確認済みの更新経路、失敗を起こす位置、使用した架空データ、実行した検証、残った論点を残します。これにより、別の担当者が「なぜこの位置でトランザクションを開始したのか」を差分だけから推測する負担を減らせると考えられます。資料の取得日時は2026年11月17日ですが、それを機能の公開日として扱ってはいません。この記事は、新機能の紹介ではなく、既存の開発作業へ取り入れる実践案です。

最初の一歩は、本番修正を一度に任せることではありません。開発用の受注確定処理一つを選び、読み取り調査のお願い文を渡して、返ってきた更新経路を自分で照合してください。根拠が追えることを確認できたら、途中失敗を捉えるテスト一件へ進みます。そのテストを修正前後の共通の物差しにすることが、手戻りと品質を合わせて判断する出発点になります。

ISM AI CONSULTING

AIを、自社の業務で
使える仕組みに。

ISM株式会社は、システム開発で培った技術と現場理解をもとに、AIの業務活用を支援します。課題の整理から導入・運用まで、貴社に合う進め方を一緒に考えます。

  • 活用テーマの整理
  • 業務への組み込み
  • 導入後の定着
AI活用について相談する

「何から始めるか」のご相談から承ります。

AI LAB 一覧へ戻る