「生成AIって便利だなぁ」
ここ数年、何度そう思ったか分かりません。
分からないことを聞けば答えてくれる。
文章を書いてくれる。
そして、コードまで書いてくれる。
私はIT系の会社に勤めていて、もともと開発経験もあります。
プライベートでもFXの自動売買プログラム（EA）を作ったり、ちょっとしたアプリを作ったりしてきました。
ここ数年は生成AIの進化もあって、
「こんなプログラム作りたいんだけど」
とAIに聞けば、それらしいコードをすぐに出してくれる。
これは革命だ。
そう思っていました。
……ところが。
「AIを使っているのに、なぜか私が忙しい。」
最近、そんなことを思うようになりました。
ChatGPTにコードを書いてもらう。
エラーが出たらChatGPTに聞く。
修正してもらう。
また実行する。
便利です。
めちゃくちゃ便利です。
……なのですが、ふと気づきました。
「あれ？AIに仕事をしてもらっているはずなのに、私がずっとPCの前にいるぞ？」
そこから、私のAI開発が少しおかしな方向へ進み始めました。
最初は「AIにコードを書いてもらう」だけだったはずなのに、約10日後には、
- AIエージェントに開発作業を任せる
- Pythonでテストを自動化する
- 大量のバックテストをAIに分析させる
- 自分自身のトレードまでAIに分析させる
- そして最終的には、AIにAIを使わせる
という流れに・・・。
どうしてこうなった。
今回は、そんな40代会社員の「AI開発に本気で手を出してしまった約10日間」を、できるだけ分かりやすく振り返ってみます。
この記事で分かること
この記事は、AI開発の技術解説ではありません。
FXやEAの専門記事でもありません。
40代の普通の会社員が、AIを触り始めたら、なぜかFXのEA開発やPythonによる自動化、AIエージェント、ローカルLLMまで試すことになった10日間の実録です。
特に、
・ChatGPTやClaude/Gemini等の生成AIを使ってコードを書いている
・生成AIをもっと仕事に活用したい
・AIエージェントが気になっている
・Claude CodeやCodex、AntigravityなどのAI開発ツールが気になっている
・AIに「質問する」だけでなく「仕事を任せる」ことに興味がある
・40代会社員でもAI開発ができるのか知りたい
という方には、参考になる部分があると思います。
まず最初に、約10日間で何が変わったのか
今回の10日間をざっくり振り返ると、こんな感じです。
| 時期 | やったこと | AIとの関係 |
|---|---|---|
| Day 1（それ以前からも） | ChatGPTでコードを書く | AIに質問する |
| Day 2～3 | AIエージェントを試す | AIに作業を任せる |
| Day 3～5 | テストの自動化（Python＋MT5自動バックテスト） | AIに実験させる |
| Day 4～6 | EA研究・実験管理 | AIに結果を分析させる |
| Day 5～7 | 裁量トレード分析 | AIに自分の取引を分析させる |
| Day 7～8 | ローカルLLM | AIそのものを試す |
| Day 8～10 | AI自律ループを試す | AIにAIを使わせる |
もちろん、実際には複数の作業を並行して進めています。
なので「Day 3にこれを終わらせて、Day 4からこれを始めた」という厳密な日記ではありません。
あくまで、約10日間の中で「AIとの付き合い方がどう変わっていったか」を表したものです。
きっかけは、2026年のシルバーウィーク
そもそも、なぜ急にAI開発なんて始めたのか。
きっかけは、2026年のシルバーウィークでした。
台風の影響もあり、外に出て何かするというより、家で過ごす時間が増えました。
そこで、
「せっかくだからAIでまたコード書いてみるか」
くらいの軽い気持ちで始めました。
私は普段、仕事ではIT関連の仕事をしています。
ただし、いわゆる「毎日コードを書いているプログラマー」というわけではありません。
むしろ現在は管理職なので、
・メンバー管理
・プロジェクト管理
・レビュー
・育成
・顧客対応
・課題整理
・チームをどう動かすか考える
といった仕事のほうが中心です。
だからこそ、「AIを使えば、もっといろいろできるんじゃないか？」という興味がありました。
そして、ここからちょっとした沼が始まります。
Day 1：まずはChatGPTにコードを書いてもらった（これはずーっと前からやってる）
最初にやったのは、FXのEA開発でした。
EAというのは、FX取引ツールMetaTrader 5（MT5）上で動かす自動売買プログラムのことです。
私はもともとFXをやっていたので、
「自分が考えているトレードロジックをAIにコード化してもらったらどうなるんだろう？」
というところから始めました。
最初は本当に単純です。
「こういう条件でエントリーするEAを書いて」
とChatGPTに頼む。
→コードが出てくる。
→MT5で試す。
→エラーが出る。
→そのエラーをChatGPTに貼る。
→修正版を出してもらう。
→また試す。
この繰り返しです。
この時点では、まだ「AIに開発を任せる」という感覚ではありません。
あくまで、
「AIを超優秀なコード補助ツールとして使っている」
という感じでした。
そして、この時点ではEAを本格的に研究しようなんて、そこまで考えていませんでした。
「AIにコードを書かせたら、どこまでできるんだろう？」
そのくらいです。
ところが、
「これ、動いたぞ」
↓
「じゃあバックテストできる？」
↓
「条件を変えて大量に試せない？」
↓
「これ、Pythonで自動化できない？」
……となっていきます。
こうして、人は沼に入っていくんですね。
Day 2～3：AIに「質問する」から「仕事を任せる」へ
ここで大きかったのが、AIエージェントです。
これまでのAIは、
「コードを書いてください」
とお願いするとコードを返してくれる。
いわば「質問に答えてくれるAI」です。
ところがAIエージェントは、もう少し違います。
ファイルを読んだり、コードを修正したり、コマンドを実行したり、結果を確認したり。
つまり、「これをやっておいて」という仕事の依頼に近づいてきます。
私が実際に使ったのが、Google Antigravity 2.0のAI開発環境でした。
有名どころで言うとClaude CodeやCodexがありますね。
ここで、ちょっと面白いことに気づきました。
私は管理職なので、普段の仕事では、自分ですべての作業をするというより、
「何をやるのか」
「どう進めるのか」
「どこまでできたら完了なのか」
「結果をどう評価するのか」
を考えて、メンバーに仕事を任せます。
AIエージェントも、かなり似ています。
相手が人間からAIに変わっただけ。
そう考えると、AIを使っているというより、「AIをマネジメントしている」ような感覚になってきました。
もちろん、AIは人間の部下ではありません。
でも、
「目的を伝える」
↓
「作業してもらう」
↓
「結果を確認する」
↓
「問題があれば修正を指示する」
という構造は、仕事のマネジメントとかなり似ています。
この感覚は、今回のAI開発で私がかなり大きく感じた変化でした。
そして、無料AIの壁にぶつかった
ここから先は、ある意味で現実的な話です。
AIエージェントを使っていると、当然ながらAIへのリクエストが増えます。
コードを書いてもらう。
修正してもらう。
テストしてもらう。
結果を確認してもらう。
また修正する。
これを繰り返していると、無料枠が気になってきます。
実際、複数のAI開発ツールを試して、無料枠や利用制限に何度もぶつかりました。
「無料でどこまでできるんだろう？」
せっかくなので、まずは無料でどこまでできるか試してみよう。
……人間ですから、そう考えます（笑）。
ただ、AIエージェントを使って開発やテストを繰り返していると、無料枠だけではだんだん厳しくなってきました。
そこで次に考えたのが、「だったら、AIを自分のPCで動かせばいいんじゃない？」ということでした。
これが、後でローカルLLMを試すきっかけになります。
ローカルLLMは、自分のPC上でAIモデルを動かす仕組みです。APIを使わないため、APIの利用枠や回数を気にせず試せるのが大きなメリット。
一方で、私のPC環境（ミニPC）では、クラウド型のAIサービスと比べて処理速度や回答の品質に差があり、実際の開発用途ではまだ力不足だと感じました。
結果的には、ローカルLLMも試したものの、私のPC環境では快適に使い続けるのは難しいと判断。
そこで最終的に、Google AI Proにも加入しました。
無料で粘る。
↓
別の方法を探す。
↓
ローカルLLMまで試す。
↓
「やっぱり現実的じゃないな」となる。
↓
そして課金。
……AIを使うために、AIの利用料を払う。なんだか不思議な感じです。
しかも家では、当然のようにPCに向かっている時間が増えていきました。
妻からすれば、「またやってる……」という感じだったと思います。
たぶん、「それ、ゲームじゃないの？」くらいに見えていた可能性があります。
本人は真剣です。EAを作って、Pythonを書いて、AIに分析させて……。
でも家族から見れば、
「夜な夜なPCに向かって何かやっている40代のおじさん」
です。
否定できません。
Day 3～5：AIにコードを書かせるだけでは足りなくなった
EAを作っていると、次にやりたくなるのがバックテストです。
「このロジック、本当に過去データで利益が出るの？」
これを確認するために、MT5でバックテストをします。
ところが、条件を少し変えるたびに手動でテストしていたら、ものすごく時間がかかります。
そこでPythonを使って、
「MT5でバックテストを実行する」
↓
「結果を取得する」
↓
「数値を整理する」
↓
「結果を保存する」
という処理を自動化していきました。
ここで、AIの役割がまた変わりました。
最初は、「AIにコードを書いてもらう」でした。
でも、この段階になると、「AIに実験環境を作ってもらう」になってきます。
そして、「じゃあ大量に実験してみよう」となります。
ここまで来ると、もう単なるAIコーディングではありません。
AIを使った研究環境です。
EA研究所ができてしまった
気がつけば、EA開発のための実験環境まで作っていました。
実験条件を変える。
バックテストする。
結果を保存する。
比較する。
分析する。
また条件を変える。
このサイクルをある程度自動で回せるようにしていきました。
そして実際に、複数期間で長期バックテストも行いました。
10個の期間に分けて検証したところ、合計では約839万円のプラスになりました。
……ここだけ見ると、
「AIすごいじゃん！」
となりそうです。
ところが、もう少し詳しく見ると、そんな単純な話ではありません。
PF（プロフィットファクター）は、総利益を総損失の絶対値で割った指標です。1.0なら利益と損失が同額、1.0を超えると総利益が総損失を上回ります。
今回の10期間の平均PFは0.88でした。
10期間のうち8期間は、損失またはPF 1未満でした。
直近の期間ではPF 1.57、PF 1.30とプラスになったものの、過去の期間を通して安定して利益が出ていたわけではありません。
つまり、「合計するとプラス」と「どの相場でも安定して使える」は全然違う。
これはAI開発そのものにも通じる話だと思いました。
AIに大量の結果を出させることはできる。
でも、その結果をどう解釈するのか。
どこまで信用するのか。
それは人間側の仕事です。
Day 5～7：今度は自分自身のトレードをAIに分析させる
EA研究を進めている一方で、もう一つのプロジェクトも始めました。
自分自身の裁量トレードの分析です。
これまで私は、トレードが終わったあとに、
「ここは良かった」
「ここは失敗だった」
と感覚的に振り返ることが多かった。
でも、それでは同じ失敗を繰り返します。
そこで、自分のトレードデータを集めて、AIに分析させることにしました。
単純な勝率だけではありません。
エントリー条件。
保有時間。
ナンピン回数。
利益・損失。
相場環境。
そのほかの条件。
こういったデータを細かく分類していきます。
さらに、それをAIに分析させる。
ここで作ったのが、自分の裁量トレードを支援する「DiscretionaryGuardrailEA」です。
これは「勝てるトレードをAIが予測する」ためのものではありません。
自分が決めたルールから逸脱していないかを確認したり、トレード中の状態を見える化したりするためのものです。
つまり、「AIに勝たせてもらう」のではなく、「自分の判断を客観視するためにAIを使う」という考え方です。
これも、今回のAI活用でかなり重要なポイントになりました。
AIに任せても、人間の仕事はなくならなかった
ここまでAIにいろいろ任せてきました。
コードを書く。
ファイルを調べる。
テストする。
データを整理する。
結果を分析する。
でも、私の仕事がなくなったわけではありません。
むしろ、別の仕事が増えました。
「何を調べるのか？」
「なぜ調べるのか？」
「この結果は本当に意味があるのか？」
「次は何を試すべきなのか？」
「そもそも、この方向でいいのか？」
という判断です。
これは普段の仕事にもかなり似ています。
管理職の仕事でも、すべて自分で作業するわけではありません。
重要なのは、
「何をやるのかを決める」
「人を動かす」
「結果を確認する」
「必要なら方向を修正する」
ことです。
AIを使い始めて、これと同じことをAI相手にもやるようになりました。
だから私の場合、AIによって「作業者としての自分」が減ったというより、
「指示する人」「設計する人」「結果を判断する人」
としての役割が強くなった感覚があります。
Day 8～10：そして「AIにAIを使わせる」という発想へ
ここまで来ると、次に考えたくなることがあります。
「人間がAIとAIの間に入らなくてもよくない？」
現在の私の環境では、
ChatGPT
↓
私
↓
Antigravity
↓
コード・テスト・分析
という流れになっています。
私はAIから指示をもらったり、結果を確認したり、別のAIに伝えたりしています。
つまり今の私は、AI同士の「通訳」をしているような状態です。
そこで、「AIが別のAIに仕事を依頼したら？」と考えるようになりました。
例えば、
AI A「このEAの性能を改善する方法を調べて」
↓
AI B「コードを修正してテストします」
↓
Python / MT5「バックテスト結果を返す」
↓
AI B「結果を分析」
↓
AI A「次の実験条件を決定」
↓
AI B「再度コード修正・テスト」
というループです。
これができれば、人間が毎回、「次はこれを試して」と指示する必要がなくなります。
……というのが、現在考えている「AI⇔AI」の世界です。
まだ道半ばで、AI同士が完全に自律して開発しているわけではありません。
今は、私が最初に「これを完成させて」と指示書（プロンプト）を作り、それをGemini APIに渡します。すると、Gemini APIとAntigravityがラリーを始め、コードを書いたり、実行したり、結果を確認したり、必要なら修正したりしながら、最初の指示を完遂しようとしてくれます。
私が毎回「次はこれをやって」と指示するのではなく、最初のゴールだけ人間が決めて、そこから先の作業をAI同士に任せる。
今は、そんな状態に近づいています。
私が目指しているのは「AIに全部やらせる」ことではない
ここまでやってみて、少し考え方が変わりました。
AIに全部やらせればいい。そういう話ではありません。
むしろ、「どこまでAIに任せて、どこから人間が判断するか」が重要だと思っています。
例えば、
| 役割 | AI | 人間 |
|---|---|---|
| 情報収集 | ◎ | ○ |
| コード作成 | ◎ | ○ |
| テスト | ◎ | ○ |
| 大量実験 | ◎ | ○ |
| データ整理 | ◎ | ○ |
| パターン発見 | ◎ | ○ |
| 目的設定 | ○ | ◎ |
| 重要な判断 | △ | ◎ |
| 最終決定 | △ | ◎ |
| 責任 | × | ◎ |
AIは、かなり多くの「作業」を任せられるようになっています。
でも、
「そもそも何をやるのか」
「その結果をどう使うのか」
「やめるべきなのか」
という判断まで、簡単にAIへ丸投げしていいとは思っていません。
だからこそ、人間の役割はなくなるというより、
「作業する人」から「目的を決め、AIを動かし、結果を判断する人」
へ変わっていくのではないか。
今のところ、私はそんな感覚を持っています。
実は、この10日間に4つのプロジェクトを同時に走らせていた
振り返ってみると、私はこの10日間で一つのことだけをやっていたわけではありません。
大きく分けると、こんな感じです。
① EA研究所
AI＋Python＋MT5を使って、EAを作り、バックテストし、実験結果を蓄積する。
② FX裁量トレード分析・改善
自分自身のトレードデータを分析し、ルール違反や失敗パターンを見つける。
③ AI自律ループ開発
AIエージェントや自動テストを組み合わせて、人間の介入を減らしていく。
④ ブログ運営のAI活用
この「がじぇぷら！」の運営そのものにもAIを使えないか考える。
……こうして並べると、結構やっています。
本人としては、「ちょっとAIを触ってみよう」だったはずなんですが。
どうしてこうなった。
「がじぇぷら！」とAIは意外と相性がいい
ここで、私のブログ「がじぇぷら！」についても少し。
「がじぇぷら！」は基本的にガジェットブログです。
なので、「AIってガジェットじゃなくない？」と言われれば、その通りです（笑）。
ただ、このブログのテーマは、
「暮らしと仕事がちょっと快適になる」
です。
仕事をちょっと楽にする。
家でできることを増やす。
面倒な作業を自動化する。
そう考えると、AIはかなり相性がいい。
ただし、私はAIの専門家ではありません。
40代の普通の会社員です。
だからこそ、
「AIの専門家が教える最新AI活用術」
という記事ではなく、
「40代会社員が、実際にAIを使ってみたらどうなったのか」
を、このブログでは書いていきたいと思っています。
今回もまさにそれです。
「これ、AIでできないかな？」
と思って試してみる。
失敗する。
別の方法を試す。
うまくいく。
また調子に乗って別のことを始める。
実は、ブログ運営以外でも、すでにAIに任せ始めていることがあります。
例えば、これまでChatGPTでやり取りしてきた大量のデータを整理してNotionに取り込む作業を自動化したり、AIを使ってNotionそのもののページ構成を見直したり。
「AIに記事を書いてもらう」だけではなく、自分の情報や作業環境そのものを、AIを使って整理・改善していく。
このあたりも、今後実際にやってみた結果を記事にしていこうと思っています。
この10日間で分かった4つのこと
ここまでの経験から、特に印象に残ったことを4つにまとめます。
1．AIは「質問する相手」から「仕事を任せる相手」になってきた
以前は、「これってどうやるの？」と聞くための存在でした。
今は、「これを調べて、実行して、結果をまとめて」と頼むことができます。
この違いはかなり大きいです。
2．AIに任せるほど、人間の「目的設定」が重要になる
AIは大量のコードを書けます。
大量のテストもできます。
大量のデータも処理できます。
だからこそ、
「何を試すのか」
「なぜ試すのか」
を人間が決める重要性が増します。
3．AIは「一人で使う」より「チーム」のように考えると面白い
今回かなり面白かったのが、この感覚です。
ChatGPTには考えてもらう。
Antigravityには作業してもらう。
Pythonには自動化してもらう。
MT5にはテストしてもらう。
そして結果をAIに分析してもらう。
それぞれのAIやツールに役割を持たせる。
まるで、小さなチームを作っているような感覚です。
4．そして、まだまだ「人間」が必要
ここが一番大事かもしれません。
AIが勝手に正解を出してくれるわけではありません。
間違ったコードを書くこともあります。
間違った分析をすることもあります。
もっともらしい結果を出すこともあります。
だから、
「AIが言ったから正しい」
ではなく、
「AIにやらせる → 人間が確認する」
という関係は、しばらく続くと思っています。
まだ、完成していません
ここまで書いておいて何ですが、私のAI開発はまだ完成していません。
AI⇔AIの完全自律ループも実現していません。
EAも「これで勝てる」と言える状態ではありません。
ローカルLLMも、今のPCでは快適とは言えません。
そして、AIエージェントも時々、「そこじゃない！」という動きをします（笑）。
でも、それでいいと思っています。
今回やってみて一番面白かったのは、
「完成したものを使う」
のではなく、
「AIを使って、自分で仕組みそのものを作っていく」
ことでした。
10日前の私は、AIにコードを書いてもらっていた
そして今は、
AIにコードを書いてもらう。
↓
AIにテストさせる。
↓
AIに結果を分析させる。
↓
AIに次の実験案を考えさせる。
↓
さらに別のAIに実行させる。
というところまで考えるようになりました。
10日前と比べると、AIに対する見方そのものが変わっています。
「AIに何を質問しよう？」
ではなく、
「この仕事、どこまでAIに任せられる？」
と考えるようになったからです。
これは、かなり大きな変化でした。
AIに仕事を奪われる前に、AIに仕事を丸投げしたい
ここまでAIを使っていると、
「AIに仕事を奪われる」
という話もよく分かります。
ただ、私の場合は少し違いました。
AIに仕事を奪われる前に、
「AIに仕事を丸投げできないかな？」
と考えるようになってしまった。
そして、その結果、夜な夜なPCに向かっている40代会社員が一人。
妻から見れば、「それ、ゲームじゃないの？」と思われても仕方ありません（笑）。
でも本人としては、ゲームではなく、かなり真剣です。
ただし、本人が楽しんでいるという意味では、ゲームと大差ないのかもしれません。
これから、もっとAIに仕事を任せてみる
今回の10日間は、まだスタート地点だと思っています。
これからは、
・AIエージェントによる開発作業の自動化
・Python＋MT5による実験環境の改善
・AIによるトレード分析
・AI⇔AIの連携
・ブログ運営へのAI活用
などを、少しずつ試していく予定です。
最終的に、「人間がAIに指示する」だけではなく、
「AIがAIに仕事を依頼し、人間は目的と結果を確認する」
というところまで持っていけたら面白い。
もちろん、どこまで実現できるかは分かりません。
途中で、「やっぱり無理だった」となる可能性もあります。
でも、それも含めて実験です。
40代の普通の会社員が、「これ、AIでできないかな？」と思ったところから、どこまで行けるのか。
これからも、このブログで実際に試した結果を紹介していきたいと思います。
まとめ
今回の約10日間で、一番変わったのはAIの性能ではありません。
私自身の「AIへの仕事の頼み方」です。
最初は、「AIにコードを書いてもらう」でした。
そこから、
「AIに作業を任せる」
「AIに実験させる」
「AIに分析させる」
そして、
「AIにAIを使わせる」
という発想に変わりました。
まだ完全なAI自律開発には到達していません。
でも、
「AIに何を聞こう？」
から、
「この仕事、AIに任せられないかな？」
に変わった。
この違いは、思っていた以上に大きかったです。
そして私は今、
「AIに仕事を奪われる前に、AIに仕事を丸投げしたい」
と思っています。
……さて、次は何をAIに任せようかな。
どうしてこうなった。
この記事で使ったAI開発環境
ここまで読んでいただいて、「自分もAIを使って、ちょっとした開発をやってみたい」と思った方もいるかもしれません。ちなみに、今回紹介したAI開発は、基本的に自宅のミニPCを使って進めています。
Pythonを書いたり、MT5でバックテストを回したり、AIエージェントを動かしたり、ローカルLLMを試したり。もちろん、すべてをミニPCだけで完結しているわけではなく、Gemini APIなどのクラウドサービスも組み合わせています。
私の場合は、「AI開発をするために高価なゲーミングPCを購入した」というわけではありません。
普段使っているミニPCをベースに、必要に応じてストレージなどを増設しながら環境を作っていきました。
私が使っている環境
| 項目 | 使用しているもの |
|---|---|
| メインPC | ACEMAGIC ミニPC Ryzen 4300U mini pc ※恐らく終売 |
| ストレージ | KIOXIA 内蔵 SSD 2TB NVMe M.2 Type 2280 PCIe Gen 4.0×4 (最大読込: 5,000MB/s) |
| AI | ChatGPT / Gemini / Gemini API / Antigravity |
| ローカルAI | Ollama |
| 開発 | Python / Git |
| FX検証 | MetaTrader 5 / MQL5 |
| その他 | VS Code、Google Drive、Notionなど |
特にストレージは、AI開発を始めてから意外と使います。
Pythonの開発環境やGitリポジトリ、MT5のヒストリカルデータ、バックテスト結果、生成したファイルなどを保存していると、少しずつ容量を消費していきます。
私は2年以上前に購入していたキオクシアの2TB M.2 SSDをミニPC内に増設して使っています。
AI開発や大量のデータを扱う予定があるなら、最初からストレージに少し余裕を持たせておくと安心です。
AI開発を始めるなら、どんなミニPCがいい？
私が実際に使っているミニPCは現在販売終了しているため、ここでは現在購入できる製品の中から、今回のようなAI開発に使いやすそうなものをいくつかピックアップしてみました。
今回のように、
- Pythonで開発する
- AIエージェントを動かす
- MT5でバックテストする
- ローカルLLMを試してみる
- 普段使いのPCとしても使う
といった用途なら、個人的にはメモリ16GB以上、できれば32GBくらいをおすすめします。
私の環境に近いバランス型
Ryzen 7 6800H、32GBメモリ、1TB SSDの構成。
Python開発だけでなく、MT5や複数のツールを同時に動かしたり、ローカルLLMを試したりすることを考えると、このくらいのスペックがあると安心感があります。
「AI開発用のミニPCが欲しいけど、あまり大きなPCは置きたくない」という人には、このあたりが個人的にはかなり好みです。
もしこの記事を読んで、「自分もちょっとAIで何か作ってみようかな」と思ってもらえたら嬉しいです。
では、また。
ポチップ
コメント