Upgrade to Pro — share decks privately, control downloads, hide ads and more …

AIが増えても速くならない 〜組織AIへの道標〜

Sponsored · Ship Features Fearlessly Turn features on and off without deploys. Used by thousands of Ruby developers. →
miyuki
November 14, 2026

AIが増えても速くならない 〜組織AIへの道標〜

miyuki

November 14, 2026

Transcript

61 slides
  1. miyuki SODA inc. Head of Engineering 通信事業者でネットワーク構築・保守、名古屋の Web 系ベンチャーでフルスタック開発を経験 2024

    年に SODA へ。2026 年から開発組織全体の マネジメントと AI 推進を担当 涼宮ハルヒ生まれけいおん!育ちのアニメオタク
  2. 1 AI を使えば速くなると信じて 2 3 AI 利用のタイムライン 個人 AI 利用

    チームでの AI 利用企画 計測 個人の AI 利用として Claude Code, Cursor を推進 チームごとに AI 利用施策を実施 AI Agent 利用前後の 開発生産性を計測 2025.04 2025.07 2025.08 2026.01 2026.07 Devin 利用 Claude Enterprise 加入 非エンジニアに対して Devin 検索・開発を推進 OpenTelemetry による計装
  3. 1 AI を使えば速くなると信じて 2 3 AI 利用ガイドラインの作成 会社でどのサービスを利用できるか、利用方法の注意があるかを判断するために、ガイドラインを策定 サービス 導入

    用途 利用範囲 入力してはいけない情報 Cursor 2026/03 IDE でのコーディング支援 エンジニア 個人情報・認証情報 Claude Code 2026/03 CLI でのエージェント開発 エンジニア 個人情報・認証情報 Devin 2026/07 非エンジニアの調査・開発 全社員 個人情報・認証情報 利用ルールとプライバシーポリシーを確認し、クイックに導入
  4. 1 AI を使えば速くなると信じて 2 3 チーム間での AI 利用施策の推進 一部の人が積極的に使うに留まっていたので、チーム全体で使うための施策を企画した Why:Early

    Majority までの合計を伸ばす (理論では 50%) Innovator 2.5% Early Adopter 13.5% Early Majority 34% Late Majority 34% How:チーム対抗戦 Laggards 16% 期間 2025/08/13〜2025/11/11(3 ヶ月) 区切り 3 期に分けて実施 単位 チーム 競うもの AI ラベル付き PR のマージ数
  5. 1 AI を使えば速くなると信じて 2 3 チーム間での AI 利用施策の推進 チームごとの比較 チームごとの月平均

    AI PR 数 チーム 1 65.3 件 チーム 2 63.3 件 チーム 3 58.7 件 チーム 4 52.3 件 チーム 5 32.7 件 チーム 6 31.7 件 チーム 7 16.7 件 チーム 8 12.7 件 チーム 9 8.3 件 チーム 10 5.7 件 チーム 11 0.3 件
  6. 1 AI を使えば速くなると信じて 2 3 チーム間での AI 利用施策の推進 個人ごとの比較 個人ごとの月平均

    AI PR 数(20 件〜 / 10〜19 / 5〜9 / 1〜4 / 0 件) Innovator 8%(3 人) Early Adopter 31%(12 人) Early Majority 21%(8 人) Late Majority 15%(6 人) Laggards 26%(10 人) Early Majority までの合計は 59% で、理論の 50% を超えた
  7. 1 AI を使えば速くなると信じて 2 3 非エンジニアへの AI 民主化 Devin 利用ガイドラインの整備と運用

    ① PRD 作成 ② Devin で開発 ③ Notion に起票 ④ 動作確認 レビュー依頼 Plan モードに PRD を貼ると、PR が自動で作られる AI 開発の管理表に起票し、進捗に応じてステータスを更新する 非エンジニアが PRD から PR まで自走する ⑤ マージ
  8. 1 AI を使えば速くなると信じて 2 3 非エンジニアへの AI 民主化 レビューとマージのルール 動作確認

    検証環境にデプロイして確認する。開発後は修正のみで、機能追加はしない レビュー依頼 スクショと動作説明を付け、Reviewers にレビュー担当チームを設定する マージ アプルーブが必須。金曜と 18:00 以降はマージせず、当日中に終える 前提知識 用語集(PR、ブランチ、コンフリクトなど)、リポジトリ、環境、ブランチの解説を載せる 動作確認まで非エンジニア、レビューはエンジニア
  9. 1 2 計測された現実 3 Devin 開発の功罪 2025/07〜12 で非エンジニアと PdM が

    Devin に依頼した PR 統計 Close 率が極めて高い 環境構築や動作確認もままならない マージまでのレビューコストが高い 実質マージできたのは軽微な修正程度 UU PR 数 マージ数 Close 率 12 人 56 30 46%
  10. 1 2 計測された現実 3 AI 利用量 Claude Code の出力トークンとセッション数の推移 Claude

    Code の月次利用量 出力トークン 出力トークン 750M 出力トークン セッション数 500M 250M 0 連休(SW・夏季休暇) 5月 6月 7月 8月 9月 10 月 AI の利用は増え続けている セッション数
  11. 1 2 計測された現実 3 速くなって当然というバイアス AI 利用が上手い CTO や EM

    には、AI を使えば速くなって当然という認知バイアスがあり、計測を 怠っていた Wikipedia 知識の呪い(Curse of knowledge) 自分の知っていることは他の人も知っていると思い込み、知らない人の立場を理解できなくなる認知バイアス。「専門知識の 呪い」とも呼ばれる。用語は 1989 年の政治経済学の論文で初めて使われた https://ja.wikipedia.org/wiki/知識の呪い
  12. 1 2 計測された現実 3 開発生産性計測基盤の構築 開発生産性計測基盤を PR ベースで自作 GitHub Google

    Cloud GraphQL API GraphQL API 対象リポジトリ PR・レビュー GitHub Actions Python で収集・変換 毎日 05:00 JST 書き込み 書き込み 可視化 可視化 BigQuery PR 単位のファクトとビュー OIDC OIDC Workload Identity Federation Looker Studio ダッシュボード
  13. 1 2 計測された現実 3 計測対象 2 つのプロダクト 国内版アプリ 海外版アプリ CtoC

    マーケットプレイスのほか自社メディアも運営。 現在は、アジア・欧米・北米にて提供。
  14. 1 2 計測された現実 3 計測対象 5 つの主要リポジトリ 国内版 モノレポ 国内版

    アプリ 国内版 フロントエンド 海外版 モノレポ 海外版 アプリ
  15. 1 2 計測された現実 3 サイクルタイムの定義 サイクルタイムを 4 つの工程に分ける ① 実装時間

    ② レビュー 待ち時間 ③ アプルーブ 待ち時間 ④ マージ 待ち時間
  16. 1 2 計測された現実 3 計測結果 エンジニア全体の開発生産性の前年比 1 人あたり週次 PR 数

    2025 上期 5.79 サイクルタイム 中央値 2026 上期 6.05 2025 上期 18.98h 2026 上期 21.24h PR の大きさ(変更行数 中央値) 2025 上期 94 行・3 ファイル 1 人あたり週次 PR 数は +4% の微増、 サイクルタイムは +12% 長くなった 2026 上期 124 行・4 ファイル
  17. 1 2 計測された現実 3 開発組織の変遷 直近 5 年のエンジニア数の推移 2022/01 8人

    2023/01 18 人 2024/01 37 人 2025/01 52 人 直近の半年で +24 人 2026/01 49 人 2026/07 73 人
  18. 1 2 計測された現実 3 既存エンジニアに絞った計測結果 2025/07 より前に在籍していたエンジニアの開発生産性の前年比 1 人あたり週次 PR

    数 2025 上期 5.79 2026 上期 6.68 サイクルタイム 中央値 2025 上期 18.99h 2026 上期 20.75h PR の大きさ(変更行数 中央値) 2025 上期 94 行・3 ファイル 2026 上期 122 行・4 ファイル 1 人あたり週次 PR 数は +15% 増え、サイクルタイムは +9% 長くなった
  19. 1 2 計測された現実 3 サイクルタイムを分解 既存エンジニアの、国内版リポジトリの工程別中央値(各工程は独立に集計しており、合計は サイクルタイムと一致しない) レビュー待ち時間 中央値 モノレポ

    25 上期 3.02h モノレポ 26 上期 4.45h アプリ 25 上期 2.59h マージ待ち時間 中央値 アプリ 26 上期 2.29h フロント 25 上期 1.06h フロント 26 上期 0.99h モノレポ 25 上期 1.01h モノレポ 26 上期 2.12h アプリ 25 上期 0.15h アプリ 26 上期 0.34h レビュー待ち時間はモノレポで +47%、 マージ待ち時間はモノレポとアプリで 2 倍超 フロント 25 上期 0.09h フロント 26 上期 0.14h
  20. 1 2 計測された現実 3 世界の動向 AI で出力は増える。ただし、組織の成果になるとは限らない Microsoft(arXiv, 2026/07) McKinsey(2026/08)

    Anthropic(2026/10) Adoption and Impact of Command-Line AI Coding Agents The state of AI in 2026: On the road to ROI How employment is changing at Anthropic 80% が AI で個人の生産性が エンジニア 1 人あたりのコミットは AI 導入者のマージ PR 数は、 上がったと答えた一方、EBIT に 半年前の 5 倍になった。一方で、 導入しなかった場合の推計より約 貢献したと答えたのは前年とほぼ同じ コードが増えても良いコードや 24% 多い。ただし PR は届けた 価値と同じではないと断っている 37%。個人の成果は、まだ組織の 成果につながっていない ビジネスの成果になるとは限らないと 断っている https://www.mckinsey.com/capabilities/q https://arxiv.org/html/2607.01418v1 uantumblack/our-insights/the-state-of-a https://www.anthropic.com/research/em i ployment-at-anthropic
  21. 1 2 計測された現実 3 日本の動向 PR を増やせても、組織の成果には計測とフローの改革が必要 CyberAgent(2026/06) Findy(2026/07) LayerX(2026/09)

    エンジニア進化論 生成 AI 導入の「期待外れ」を 乗り越える Bet AI Day 2026|AI を 「使う」から、AI が「働く」へ 70% 削減と数字で示せる一方、 計測すると生産性は変わらず、 commit ベースの開発速度は 3 下位組織は体感や概算でしか成果を 速くなったのはコード生成の 倍以上。一方で、組織全体への AI 測れていない。差を生んだのは 技術力ではなく経営のコミットメント 一工程だけ。開発フローを改革し、1 人あたり PR 作成数が 1.5 倍に インパクトはまだ出ていない。 ボトルネックは要件定義や検証に 上位組織は PR 数が約 2 倍、工数 https://speakerdeck.com/starfish719/she 移った ng-cheng-aidao-ru-no-qi-dai-wai-re-woc https://speakerdeck.com/cyberagentdeve heng-riyue-eru-kai-fa-hurogai-ge-gamu- https://speakerdeck.com/layerx/bet-ai-d lopers/the-evolution-of-engineers zhi-su-zhen-nozu-zhi-bian-ge ay-2026-session01
  22. 1 2 計測された現実 3 速くなったリポジトリもある 国内版フロントエンドリポジトリの開発生産性の前年比 1 人あたり週次 PR 数

    2025 上期 3.65 2026 上期 7.7 サイクルタイム 中央値 2025 上期 9.07h 2026 上期 5.67h PR の大きさ(変更行数 中央値) 2025 上期 154 行・4 ファイル 2026 上期 92 行・6 ファイル 1 人あたり週次 PR 数は +111%、サイクルタイムは 37% 短くなった
  23. 1 2 計測された現実 3 なぜ速くなったのか 2025/03 にモノレポから分離して、エンジニア 4 人の少数精鋭で運営 少数精鋭

    AI 利用の最先端 AI 利用の文化 エンジニアは 4 人 Devin と Claude Routine を 使うのが当たり前で、使い方の 意思決定が速く、仕組みの変更が 筆頭に、新しい使い方を最初に試す 知見がチーム内で共有される すぐ全員に届く 試した結果が、そのままチームの 新しい道具が、個人で止まらず 仕組みになる チームに定着する 速さはチームの仕組みと文化から生まれた
  24. 1 2 計測された現実 3 まとめ 組織全体では、前年より速くなっていなかった 既存エンジニアに絞っても、週次 PR 数は +15%

    に留まり、サイクルタイムは延びていた 開発生産性が向上しているリポジトリやチームもあった AI が増えても(限定的にしか)速くならない
  25. 1 2 3 組織 AI への道標 イネーブリングの壁 速くならないのは仕組みと文化の問題なので、イネーブリングが必要不可欠 AI のうまさは職種ではなく、使い

    込んだ経験で決まる 個人任せでは、使い込む人と そうでない人の差が開くだけ 組織で使う場と仕組みを作り、 全員に経験を積ませる Anthropic(2026/03) Anthropic Economic Index report: Learning curves 利用歴 6 ヶ月以上のユーザーは、同じタスク同士で比べても会話の 成功率が高い。AI を使いこなす力は、使い込んだ経験とともに伸びる (learning-by-doing)とみられる https://www.anthropic.com/research/economic-index-march-2026-report 技術力があれば AI 利用が上手いとは限らない
  26. 1 2 3 組織 AI への道標 AI 推進の進め方 専任か、兼任か 専任

    Pros 兼任 Pros 横断の仕組みに継続して投資できる 追加の人員なしで、すぐ始められる 知見を集め、全チームに同じ水準で広げられる 現場の課題に近いところで試せる Cons Cons プロダクト開発から人を割くことになる プロダクト開発が優先され、後回しになりやすい 現場の課題から離れ、使われない仕組みを作りがち 知見がチームや個人に閉じ、横に広がりにくい
  27. 1 2 3 組織 AI への道標 AI 推進の進め方 兼任を採用し、各チームの EM

    に AI 推進を担当してもらうことに決定 なぜ兼任か 誰が担うか リソースが足りない 兼任は EM に任せる 使われない仕組みを作らないことを優先する EM の責務に各チームの AI 推進を追加
  28. 1 2 3 組織 AI への道標 ボトルネックと打ち手 計測で見えたボトルネックごとに、兼任のオーナーが別々に検証・構築を開始 ボトルネック 打ち手

    狙い 共通 全工程の Skill 化 組織の反射神経として全工程で AI を Skill 化 レビュー待ち時間 自動レビュー 人の指摘をルールにし、Linter に移す マージ待ち時間 自動アプルーブ 人のレビューをリスクの高い PR に集中させる マージ待ち時間 自動テスト(E2E の整備) マージ前の確認を E2E テストに任せる マージ待ち時間 マニュアルテストの AI 化 テストの設計と実行を AI に任せる
  29. 1 2 3 組織 AI への道標 全工程の Skill 化 Value

    Stream ごとに Skill を作成し、Skill map をカタログとして提供 企画・効果測定 リファインメント テスト計画 5 Skill 13 Skill 設計・実装 6 Skill レビュー 動作確認 11 Skill 運用 17 Skill create-prd create-issue create-design-doc review-pr dig-datadog estimate-effect review-prd review-design-doc verify-api dig-slack build-dashboard refine-prd create-pr run-test postmortem-draft verify-effect create-test-suite dig-redash respond-to-review sprint-report 全工程で 50+ の Skill を整え、どの工程でも AI を呼べるようにした
  30. 1 2 3 組織 AI への道標 自動レビュー レビュー待ち時間の改善として、Devin での自動レビューを実施 Devin

    Playbook GitHub ① PR レビュー Review を投稿 Review を投稿 ② 指摘をルールに追記 ルール追記の PR ルール追記の PR ③ ルールを Linter・CI へ チェック追加の PR チェック追加の PR ④ 既存コードを直す リファクタの PR リファクタの PR ラベルを付けると起動 ルールを根拠にインラインで指摘 平日毎日 ナレッジベース 人の指摘だけをルールにする 2 週に 1 回 定期 PR Biome・GritQL・dependency-cruiser CI で検出し、md から消す 既存コード ルール違反を直す
  31. 1 2 3 組織 AI への道標 自動アプルーブ マージ待ち時間の改善として、自動アプルーブを実施 PR を作成

    AI が リスクを判定 低リスク 自動でアプルーブ 高リスク 人がレビュー 人のレビューは、リスクの高い PR に集中させる
  32. 1 2 3 組織 AI への道標 自動テスト(E2E の整備) QA エンジニアで

    E2E のテストシナリオを整備 App:Maestro Web:Playwright ノーコード SaaS のシナリオをコードに移す 重要なユーザー導線のテストを 1 リポジトリに集約 移行前の全体実行の成功率は約 33% 毎晩 PC と SP で全量を回す 不安定なテストは AI が切り分けて直す 失敗の一次対応は Devin ドメイン単位でのリグレッションテストを回しやすくする
  33. 1 2 3 組織 AI への道標 マネジメントの打ち手 仕組みを作るだけではチームに広がらないので、人とプロセスに手を入れた ボトルネック 打ち手

    狙い 現状維持バイアス チームの現状認識を アップデート チームの数字を見せ、現状を認識して もらう 場当たりのプロセス プロセスの標準化 成果物と Skill の改善まで運用に落とし込む 個人ごとに利用率が バラバラ チームの AI 利用モニタリング 数字を毎週見て、次の打ち手につなげる
  34. 1 2 3 組織 AI への道標 チームの現状認識をアップデート あるチームの開発生産性(7/13〜10/10) 指標 値

    17 チーム中 1 人あたり週次 PR 数 4.33 15 位 実装時間 中央値 4.5h 15 位 レビュー待ち時間 中央値 9.74h 下位グループ マージ待ち時間 中央値 4.74h 下位グループ 現状認識のアプデと解決策の提示をセットで実施
  35. 1 2 3 組織 AI への道標 プロセスの標準化 人間の意思決定に集中するため、開発プロセスと開発プロセスで生産される成果物を標準化 PRD レビュー

    設計レビュー 何を作るか どう作り、分けるか チームと PdM チーム PR レビュー 動作確認 コードはこれでよいか AI リリースしてよいか チームと PdM PRD DesignDoc、Issue PR TestSuite init-epic、create-prd create-design-doc、 create-issue Devin が先にレビュー create-test-suite、 run-test 結果、デイリースクラムで同期する時間が増えた
  36. 1 2 3 組織 AI への道標 チームの AI 利用モニタリング チームの

    AI 利用を Datadog でダッシュボード化し、Cursor Automation の週次レポートをチームで確認 チーム全体 チームの AI 利用傾向を可視化 skill を筆頭に model, effort, mcp などを可視化 各人の例
  37. 1 2 3 組織 AI への道標 結果 1 人あたり週次 PR

    数やレビュー待ち時間に大きな改善が見られた あるチームの開発生産性の推移 指標 Before(7/1〜9/27) After(10/15〜10/31) 変化 1 人あたり週次 PR 数 4.05 5.45 +35% サイクルタイム 中央値 113.92h 114.43h 横ばい レビュー待ち時間 中央値 27.92h 17.17h −39% マージ待ち時間 中央値 5.72h 5.95h +4%
  38. 1 2 3 組織 AI への道標 次の一手は横展開 基盤は整ったので、あとはオーナーの EM が各チームでイネーブリングを主導する

    モニタリング基盤 Skill 基盤 レビュー基盤 AI 利用ダッシュボードと 週次レポートで、チームごとの 全工程の Skill が一通り 揃っているので、どのチームでも 人間のレビューを自動レビューに 移行していく AI 利用をモニタリングする 利用・コミットできるようにする
  39. 1 2 3 組織 AI への道標 間は省略できない 個人 → チーム

    → 組織 → Software Factory の順に進み、間は省略できない 個人の AI 利用 組織の AI 利用 一人ひとりが AI を使う 各チームの EM がイネーブリングし、 組織全体に届ける 1章 いまここ 次の一手 その先 チームの AI 利用 Software Factory 兼任で各オーナーが仕組みを整える 開発プロセス全体を AI で再構築する

Other Decks in Technology