01
基幹システム刷新前の現行調査
刷新前に、構造・仕様・業務ルール・リスクを可視化します。
- 基幹システム更改を検討している
- 現行仕様が整理されていない
- どこから置き換えるべきか分からない
SpecLift
AI Modernization Readiness Platform
SpecLift誰も中身を知らない既存システムを、AIで刷新できる状態へ。
- 独立検証済み
- 実在の銀行基幹システムで実測
- 精度を数値で公開
ソースコード・DB・SQL・設計書をAIと静的解析で読み解き、刷新に必要な現行仕様・業務ルール・影響範囲・テスト・移行材料を根拠付きで生成。その解析精度を、実在の銀行基幹システムで第三者検証し、数字で公開しています。
塩漬けの仕様、絡み合うDB、退職した担当者。そのブラックボックスに、解析の光を入れる。
まずは1機能・1サブシステムから診断可能。「どこまで正確に読めたか」も数字でお見せします。
対応スタック
- Java / Spring
- C# / .NET
- PHP / Laravel
- PL/SQL・ストアド
- COBOL / JCL（メインフレーム）
- Git URLを貼るだけで解析
The Real Risk
誰も全体を理解していないシステムを、
本当に刷新できますか。
レガシー刷新が失敗する最大の理由は、技術力ではありません。「現行システムが何をしているか、社内の誰も正確には説明できない」ことです。
- 01
誰も全体を理解していない
設計書は古い。分かる人は退職した。中身はブラックボックス。
- 02
本番で初めて違いに気づく
刷新したつもりが、現行と微妙に挙動が違う。気づくのは、事故が起きてから。
- 03
予算も期間も読めない
何がどれだけ複雑か分からないから、見積りもベンダー任せになる。
SpecLiftは、この3つの恐怖を
「地図化・検証・数値化」で消すために作りました。
Why It Matters
AI刷新の成否は、モデルの性能だけではなく、
AIに渡す「現行理解の質」で決まる。
AIは画面もAPIもテストコードも作れます。けれど、守るべき現行仕様を渡せなければ、速く作った新システムは正しく動きません。
旧コードをそのまま渡すだけでは足りません。SpecLiftは、AIが扱える「構造化された現行理解」を先につくります。
本当に難しいのは、これらを正しく理解すること。
- 01現行業務は、どんな条件で動いているか
- 02守るべき業務ルールは、どこに埋もれているか
- 03DB項目の変更は、どの画面・API・バッチへ届くか
- 04どの機能から始めれば、リスクを抑えられるか
The Platform
SpecLiftは、AI刷新のための
「現行システム解析基盤」です
Java・C#/.NET・PHP・PL/SQL・COBOL/JCLまで、コード・SQL・DB・設計書を解析し、ブラックボックス化した既存システムを、刷新に使える材料へ変換します。
- ソースコード
- SQL
- DB定義
- 設計書
SpecLiftが作るのは、読むためだけのドキュメントではありません。AIによる設計・実装・テスト・移行に渡せる、根拠付きの刷新材料です。実OSS6スタック・約120万行を解析エラー0で完走し、現行理解の復元率83%を実測しています。
Verified Accuracy
AIの「それっぽい出力」と、
SpecLiftの「検証された出力」は違います。
多くのAIツールは、もっともらしい結果を出します。でも、それが正しいかは誰も確かめていません。SpecLiftは、最もごまかしの効かない場所——実在の銀行基幹システムで、その実力を数字にしました。
検証の題材
選んだのは、1円のズレも許されない場所。
対象システム
Apache Fineract
世界中の金融機関が使う、実在のオープンソース銀行基幹システム。その中でも利息・返済・手数料という、最も複雑でミスの許されない金融計算を題材にしました。
題材
実在の銀行基幹システム
規模
7,677 ファイル
対象
利息・返済・手数料
採点
第三者の独立検証
その最も複雑な金融計算を、主要項目で
0%
API・外部連携の仕様
5 / 5
0%
主要データ項目の捕捉
8 / 8
0.0%
計算式・書き込み先の精度
430 / 444
正確に、読み解いた。
ソフトウェアで最も間違いが許されない金融計算の領域で出した、第三者検証の実測値です。
全項目の内訳 — 苦手な所まで、隠さず開示
都合のいい数字だけを見せません。主要項目を、AIの出力とは独立に用意した正解と照合した実測値を、達成も未達もすべて公開します。
検証済5 / 5
0%
API・外部連携の仕様（API契約の一致）
システムが外部とやり取りする入口・出口の形
検証済8 / 8
0%
主要データ項目の捕捉（テーブル・カラム）
どんなデータを、どの項目に保持しているか
検証済430 / 444
0.0%
計算式・書き込み先の精度
どの計算結果が、どの項目に書き込まれるか
正直に開示7 / 11
0.0%
隠れた業務ルール（正解率）
コードに埋め込まれた決まりごとの、正確さ
正直に開示7 / 10
0%
隠れた業務ルール（網羅率）
その決まりごとを、取りこぼさず見つける
肝心な「データの捕捉と計算式」は満点〜9割超。一方で「業務ルールの抽出」は7割前後と、できない所まで数字で開示しています。深さと正直さの両立——これが「検証された精度」です。
100の説明より、1つの現物。実際の解析結果を、隠さず公開しています。
file:line の根拠、依存関係の図、そして「要レビュー」と正直に書いた箇所まで含めて、実際の出力（現状理解ダイジェスト）をそのまま読めます。
Why You Can Trust It
その精度、お手盛りではありません。
「AIが自分に甘く採点しているのでは？」という当然の疑念に、検証の仕組みでお答えします。
お手盛り採点をしない
AIの答えとは別に用意した正解と照合。自分の答案を、自分で採点しません。
採点基準を後から変えない
正解データを凍結し、改善の前後を同じ物差しで比較。基準いじりをしません。
特定システム専用の裏技を使わない
「このシステムだけ正解する作り込み」は禁止。汎用ルールで解くので、他システムでも通用します。
できない所も隠さない
都合のいい一部でなく全体で測り、苦手な箇所も数字で開示します。
検証していない精度は、精度ではありません。
SpecLiftは、検証できる精度だけをお約束します。
What SpecLift Delivers
現行システムを、4つの刷新材料に変える
読む、辿る、守る、渡す。刷新前に必要な材料を、根拠付きで揃えます。
01System Map
理解できる範囲と、ブラックボックスを地図化する
画面・API・Service・SQL・DB・バッチ・外部連携の依存関係を可視化。どこが分かっていて、どこが“誰も説明できない”のか——不明点・要確認箇所も含めて、1枚の地図にします。
- 依存関係グラフ
- Mermaid / PDF構成図
- API・DB・バッチ・外部連携一覧
Roadmap順次提供予定：属人化リスク／バス係数スコア（担当者が辞めたら誰も分からなくなる範囲の定量化）
02As-Is Spec & Rules
いま動いている仕様を、再生成する
Java・C#/.NET・PHP・PL/SQL・COBOLまで、コード・SQL・DBから現行仕様と業務ルールを根拠付きで抽出。条件AST・テストベクタを付与し、古い設計書との差分も確認できます。
- Markdown / PDF / Word仕様書
- 業務ルール一覧（条件AST・テストベクタ付き）
- 外部契約スキーマ（OpenAPI / 固定長 / 画面I/O）
独立検証 — API契約 100%（5/5）・主要データ項目の捕捉 100%（8/8）
独立検証 — 業務ルール 正解率 63.6%・網羅率 70%（代表機能で実測）
03Impact & Test
刷新後に“現行と同じ挙動か”を、確かめられるようにする
変更対象から、影響する画面・API・バッチ・DB・テスト対象を提示。刷新の最大の恐怖『本番で初めて違いに気づく』を消すため、現行挙動を守る現新比較テスト観点と、発火/非発火を確認できるテストベクタまでつなげます。
- 影響範囲レポート
- 現新比較テスト観点
- 業務ルールのテストベクタ（境界値）
独立検証 — 計算式・書き込み先の特定 96.8%（430/444）
Roadmap順次提供予定：テストの自動実走・新旧差分の自動レポート（テスト観点の生成は提供中）
04Migration & AI Context
どこから刷新すべきかを、役員会に出せる1枚で
複雑度・DB依存・置き換え難易度（高/中/低）・優先順位を、経営判断に使える1枚のサマリーに。あわせて、AI設計・実装・テストに渡せる Context Bundle と Rebuild Work Order まで束ねます。
- 移行リスク診断・難易度マトリクス（高/中/低）
- Rebuild Work Order（依存順・受入基準付き）
- AI刷新用 Context Bundle（ZIP）
Roadmap順次提供予定：刷新準備度の 0–100 スコア化／AI刷新エージェントへの自動連携・刷新ループ実走（Context Bundle 出力は提供中）
Before / After
旧コードをAIに投げるだけでは、刷新は止まる
SpecLift なし
- 現行仕様が曖昧なまま新設計する
- 業務ルール・DB依存を見落とす
- テスト観点が不足し、移行判断が止まる
SpecLift あり
- 現行システムを System Graph 化
- 仕様・業務ルール・影響範囲を根拠付きで整理
- テスト観点・AIコンテキスト・Rebuild Work Order まで生成
刷新の前に、AIが迷わない現行理解を整える。
How It Works
なぜ、根拠付きで解析できるのか
AIに丸投げしません。静的解析、SQL解析、DBリネージ、System Graph、LLM推論、根拠検証を組み合わせて、現行システムを構造化します。
旧システムの中で、何がつながっているか。
静的解析とAI推論を分けて考え、先に構造を掘り起こす。だから、仕様も影響範囲も「どこから言えるのか」をたどれます。
AIに丸投げしない。
コード・DB・設計書を構造化した上で、AIに推論させる。だから根拠をたどれる。
live analysis
ソースコード・DB・設計書を取り込む
- 01取り込むGit URLを貼るだけ／ソースコード・DB・SQL・設計書
- 02抽出するクラス、API、SQL、画面項目、業務用語
- 03つなぐ画面・API・DB・バッチを System Graph 化
- 04推論する仕様、業務ルール、影響理由を生成
- 05根拠を残す出力に根拠を付け、レビュー済み成果物へ
Use Cases
現行理解が必要な場面で、最初の一手になる
刷新前調査、AI刷新PoC、影響分析、仕様書再生成、SIer提案支援まで。現行理解の初稿をそろえます。
02
AIによるシステム刷新PoC
AIに渡す現行仕様・業務ルール・テスト観点を整えます。
- AIでシステム刷新を試したい
- 旧コードをAIに読ませるだけでは不安
- 現行挙動を守った刷新をしたい
03
改修時の影響範囲分析
変更が届く画面・API・バッチ・テスト対象を根拠付きで提示します。
- 改修時の影響漏れが怖い
- 影響調査に時間がかかっている
- ベテラン依存を下げたい
04
設計書・仕様書の再生成
古い設計書に頼らず、いま動く仕様を実装ベースで再生成します。
- 設計書が古い
- 引き継ぎ資料がない
- 保守担当者の立ち上がりに時間がかかる
05
SIerのレガシー保守・刷新提案支援
現行調査・影響分析・テスト設計・移行診断の初稿を標準化します。
- レガシー刷新案件を多く抱えている
- 調査工数を削減したい
- 若手でも保守案件に参加できる状態を作りたい
Diagnostic Package
まずは1機能・1サブシステムから診断できます
いきなり全システムを預ける必要はありません。影響範囲が限定された1機能から、AI刷新に使える材料を生成します。
Package
AI現行システム可視化診断
診断対象の例
- 受注管理の一部機能
- 承認ワークフロー
- 請求バッチ
- 顧客管理機能
- 在庫引当処理
- 既存API群
- DB側ストアド（PL/SQL）
- メインフレーム（COBOL/JCL）バッチ
ご提供いただく入力データ
- ソースコード
- DB定義
- SQL
- 既存設計書
- 代表的な変更要望
- 既存テストケース
- システム概要資料
診断でお渡しするもの
見える
- システム構成マップ
- 現行仕様書ドラフト
- 業務ルール一覧（根拠付き）
- DB・SQL依存関係
守れる
- 代表変更の影響範囲分析
- 業務ルールのテストベクタ・テスト観点
- 外部契約スキーマ
- 移行リスク診断
進める
- AI刷新用 Context Bundle
- Rebuild Work Order（依存順・受入基準付き）
- 今後のAI刷新ロードマップ案
範囲・データ・進め方は初回相談ですり合わせます。
AI現行システム可視化診断について相談するSecurity & Trust
ソースコード・設計書を扱う前提のセキュリティ設計
企業のソースコード・DB定義・設計書を扱うため、セキュリティ、監査性、レビュー可能性を前提に設計しています。
AIに任せきるのではなく、根拠とレビューを前提に、企業で使える解析基盤を提供します。
学習利用しない
顧客データをモデル学習に利用しない前提で扱います。
原則 read-only
Git連携や本番DBへの操作は、読み取りを基本に設計します。
根拠を必須化
AI出力には根拠を付け、人間レビューを前提にします。
分離・監査・マスキング
顧客ごとのデータ分離、ログ化、秘密情報スキャンを想定します。
Why SpecLift
単なるAIチャットでも、単なるコード解析でもありません
汎用AIチャット
根拠が弱く、依存関係をたどれない
System Graph と根拠付きAIで解析
通常のRAG
文章検索はできるが、影響範囲に弱い
Graph探索・SQL解析・DBリネージを併用
静的解析ツール
技術構造は見えるが、業務仕様化が弱い
LLMで仕様・業務ルール・テスト観点を生成
コード変換ツール
変換前の現行理解が不足しやすい
現行理解＋Rebuild Work Orderなど刷新の実行材料を生成
手作業調査
時間がかかり、属人化しやすい
AIと解析基盤で初稿生成・標準化
他のAI解析・他社サービス全般
他のAI解析・他社サービス全般
精度を第三者検証して公開している例が、ほとんどない
SpecLift の違い
独立した正解データと照合し、精度を数字で公開。苦手な箇所も開示する
SpecLiftは、「答え合わせをして精度を公開する」数少ないレガシー解析サービスです。
Process
最初の一歩は、小さく始める
相談
対象システム・刷新予定・現在の課題・利用可能なデータを確認します。
範囲を絞る
1機能・1サブシステムなど、PoCに適した診断範囲を決めます。
取り込む
GitHubのURLを貼るだけ、またはソースコード・DB定義・SQL・設計書・代表的な変更要望を取り込みます。
解析する
静的解析、SQL解析、DBリネージ、設計書解析、AI推論で成果物を生成します。
つなげる
診断レポートを確認し、Context Bundle からAI刷新PoCへ進めます。
FAQ
よくあるご質問
SpecLift
Get Started
AIで刷新する前に、まず現行システムを
AIが理解できる状態にしませんか。
ブラックボックス化した既存システムを、根拠付きの仕様・業務ルール・影響範囲・テスト・移行判断材料へ。まずは1機能・1サブシステムから始められます。
1サブシステムから。読み取れなかった箇所も正直に開示します。だから、数字を信じられます。