散らばった議論を LLM-Wiki でフル活用する AI 時代のデザインシステムのカタチ

Cybozu のデザインシステムチーム（kDS）が直面していたのは、古典的なナレッジ管理の問題だ。GitHub、Slack、Confluence、Figma、Zoom議事録——複数の場所に分散したデザイン議論と意思決定の記録は、結局のところ「チームの長期勤続者の記憶」に頼るしかなかった。いくらドキュメントを残しても、参照できなければ形骸化するだけ。新入メンバーが過去の経緯を追いにくく、エンジニアには決定背景が伝わらない。その悪循環を打ち破るために採用したのが、LLM-Wikiという仕組みだ。

LLM-Wikiの本質は、AIに「ナレッジメンテナ」の役割を預けることである。散らばった一次情報（raw）をAIが読み込んで、つながりのあるドキュメント（wiki）に組み替え、質問に答えるたびに知識ネットワークを拡張していく。RAG（Retrieval-Augmented Generation）と見た目は似ているが、決定的な差がある。RAGは検索結果から毎回回答を組み立てるため、同じ質問をすればトークンコストがかさみ、モデルごとに回答のばらつきが生じる。一方LLM-Wikiは、一度整理した知識をキャッシュとして積み上げていくから、使えば使うほど高速かつ安定した回答が得られる。いわば「知識の雪だるま」である。

実装例では、Form Controlsのフォントサイズが揃わない問題を、複数の場所に散らばった議論から数分で遡って整理できた。過去なら調査タスク化され、チームメンバーが工数を割いて履歴を探る必要があった。この効率化は、デザインチーム内に止まらず、エンジニアが「なぜこんな実装になっているのか」を自分で答えにたどり着ける環境を作った。中小企業にも無関係ではない。意思決定の理由が埋もれ、同じ議論が何度も蘇る悪循環——それは組織規模を問わず起きる。分散した情報を一度AIに整理させて「わかりやすく、参照可能な状態」にすれば、その後の意思決定スピードは圧倒的に変わる。