モノタロウのAI駆動開発～AI駆動開発Conference Spring 2025登壇資料

2025.05.07 モノタロウのAI駆動開発株式会社MonotaRO 執行役CTO/VPoE 普川プラットフォームエンジニアリング部門長香川 AI駆動開発チームリーダー市原 1

「AIを活用して生産性を非連続に向上する」これは、私たちモノタロウが本気で目指す未来です。 2 © 2025 MonotaRO Co., Ltd. All Rights
Reserved.

目次 1. 会社紹介 2. AI活用全体感 3. AI駆動開発の挑戦 4. 今後の展望 4
© 2025 MonotaRO Co., Ltd. All Rights Reserved.

１. 会社紹介 5

２.AI活用全体感 9

背景と課題背景会社の成長が継続しており、業務のスケールは社内では普遍的なイシュー元々データドリブンの文化があり、データの蓄積、活用の基盤はあるデータサイエンティストも社内に在籍。10年前から社内でアルゴリズム開発課題 20年開発し続けたシステムの負債→モダナイゼーションの実施(2022年〜) 社員の増加、組織の拡大とともに社内の情報量が拡大（社員で９００名、ソフトウェアエンジニアが２００名前後） 10

AIに対する認識インターネットが社会に登場したことに比肩する変革をもたらす流行や一過性のものではなく、不可逆な変更である活用方針「動き落ち着いたら導入」ではなく、恒常的に変更が続くことを前提に導入小さく始めるではなく、大きく導入、浸透させる、費用対効果は後から検証トップダウンとボトムアップの両方を駆使し、組織全体への浸透を図る LLMが高速に進化を続けることを前提に、その恩恵を受けられる仕組み体制構築 11 ©
2025 MonotaRO Co., Ltd. All Rights Reserved.

現状の活用状況 toolの導入 Github Copilot →　全員利用中 Curor →　40名程度で試用中 cline →　100名超がアクティブ利用 Devin
→　現在160人以上の開発者にアカウントを発行,4/1〜4/15で160のPR 開発プロセスへの導入レガシーシステムの効率的移植方法の確立開発以外業務プロセスでの適応 AIエージェントの開発 12 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

ここまでの取り組みサマリー Newへのキャッチアップと組織展開の両者を意識 2023.05 Github Copilot 全社導入 2024.05 Monochat(ChatGPTのSlackbot)アプリを全社導入 2024.10 AI駆動開発プロジェクトの開始
2025.01 Devin,Cursorの利用開始 2025.02 AIトレンドLabo(社内情報共有）の開始 2025.03 各種ツール類を本格的に全チームへ配布 13 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

浸透のためにやっていること組織への浸透: 社内育成プログラム「DOJO」との連携 AI駆動開発価値探索プログラムツールをまず使ってみる: 主だったツールを社内でまずは活用してみる。費用対効果は検証してからセキュリティガードレールをいれる開発プロセスへの適用システムのモダナイゼーションをAIファースト。変更容易性の高いプログラムがAIにも優しい社内の標準開発プロセスでのAIの利用を入れていく

３. AI駆動開発への挑戦 15

モノタロウでは、組織的にAI駆動開発を推進しています。トップダウン・ボトムアップ・横の連携の組み合わせが効果的なアプローチです。 16 © 2025 MonotaRO Co., Ltd. All Rights
Reserved.

活用・検証中のAIツール群 Devin: 自律型AIソフトウェアエンジニア: 160名以上に配布 Cursor: AIネイティブエディタ: 40名程度で試用中 Cline: VSCode拡張 (OSS):
200名に配布、100名以上がアクティブ利用中 GitHub Copilot: AIペアプログラマー、2023年から全開発者に配布その他: Gemini, Claude, etc. 社内: LibreChat, MonoChat (Slack Bot) 選定のポイント: 機能、費用対効果、親和性、セキュリティ、開発者体験(DX) 17 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

AI駆動開発推進の組織構造専門チーム: エンジニアによる推進の中心探索プログラム: 現場からのボトムアップな学びエバンジェリスト: 各チームの推進役チャンピオン: 特に活躍したメンバーを顕彰

AI駆動開発ツール価値探索プログラム目的: 開発者が自律的に「触って」「試して」「学ぶ」→ AI駆動開発の方法を体得する仕組み: チェックイン制: Devin/Cline/Cusorなどのツールの利用申請によりプログラムに参加エバンジェリスト:
各チームから1名以上選出。率先活用＆知見共有チャンピオン: 特に活躍したメンバーを顕彰、PoC中ツールへのアクセス権提供 20 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

AI駆動開発トレンドラボ生成AIやツールに関する最新情報・社内での活用事例の共有会 "縦"の情報伝達 + "横"の実践知共有 = 組織全体の学習実績: Devin活用事例、社内MCP(ModelContextProtocol)ツール紹介など 2ヶ月で3回実施、のべ180人以上参加
今後: Cline活用事例、GitHub Copilot Agent Mode機能紹介など予定 21 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

AI駆動開発DOJO(企画中) DOJO (企画中): 全開発者の AI活用リテラシーを底上げ基本的な使い方やベースラインとなるスキル定義モノタロウの標準開発スキルへ 22 ©

４. AI開発ツールの導入と現実 23

各ツールの所感(2025.05.07現在) Devin マネージャ・リーダー・PM向け: タスクを細かく分析する能力が必要タスクを渡せばPRまで行ける一気通貫な体験が魅力 Cline 社内アンケートでは一番人気。使いこなせているユーザーはまだ少ない。テコ入れが必要大量使用するユーザもいるが、平均するとコストは許容可能なレベル Cursor 速度・補完のレベルでGitHub
Copilotに勝る。 Cursorさえ入れれば全て揃うのも魅力コスト面で全体に導入すべきか見極めたい GitHub Copilot コスト面で有利。MS社がバックにいる安心感もあり、標準装備として優秀 25 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

事例：Devinの実績 Pull Request 1ヶ月で 330本以上のPRを作成計測対象リポジトリのPR14%を占める ※ 計測対象は一部リポジトリの
みコスト $4000 (4月) マージ率約4割 <-> 6割はクローズ 27 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

事例: Devinの活用 CIによる仮実装自動化 gRPC用protobuf更新をトリガーにスタブのバージョンアップタスクを開始 dependabotなどにはできない仮の実装作成まで一発で完了 Devinを利用した調査&壁打ち現行プログラムの調査と実装案を壁打ち Devinが必要に応じて調査スクリプトを作成「今まで自分で調査していた時間が浮いて、より高度なことに集中できる様になった」 bqコマンドの導入
データサイエンティストにもアカウント発行 BQコマンドをDevinのVMに導入して分析・アルゴリズム実装支援にチャレンジ中 28 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

Devinへの反応: ポジティブな意見修正箇所が少ない且つ要件が明確なものは結構精度高く作成してくれます迷ったら聞いてくれるしPR作成～レビュー指摘対応までやってくれる調査系のタスクをDevin Searchで実施する場合で精度の高い情報を得られた Devinに仕事をさせている間にほかのことができるコーディングにかけられる時間がなかったところからコーディングを含むタスクができるようになった 29

Devinへの反応: ネガティブな意見コストが高い実務で実用レベルの分野が分からなかった。PRも結局自分で作り直した。想定外の範囲まで作業を進められてしまったり、見当違いの修正が反映されてしまったりチームにジュニアクラスメンバーが多いので、Devinの利用はNGにした小さなタスクに分解するスキルが重要で、それが難しい確実にレビュアー側の負担は増えてるためチームとしてはプラマイ0な気がする 30 ©

モノタロウでは 2025年1月中旬から利用開始 Anthropic API Key を発行して配布ほとんどが Claude 3.7 Sonnet
を利用 2025年４月末で、200名に配布、100名がアクティブに活用 33 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

Clineの利用状況好評だが、要注意 i. 全体で見るとPR作成数に変化はない ii. 上位2割はPR作成数が３割程度向上 iii. アンケート上では非常に評判が良い評価は高いが、使いこなし力に格差? 集中できるかどうかは意見が分かれる
コスト $2000 (4月)(Anthropic API Key) Cline破産というワードもあったが...... 36 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

レガシーコードとAIツールの相性が悪い件 UTF-8しか喋らないので、ShiftJISで書かれたプログラムを破壊する Devinは未対応 Clineは更新パッチがあたった Cursorは対応古いプラグインが動かない Cursor では古いVSCodeプラグインを入れるのにテクニックがいる EOLな内部向けツールのメンテで苦労する 40

"攻め" と "守り" の両立：セキュリティ基本方針: 情報セキュリティのLLMガイドラインを遵守体制: AI駆動開発チームで導入管理することで中央集権的にマネジメント考慮点: 情報流出リスク
従来のセキュリティリスク + 学習による流出リスク今後の懸念悪意あるプロンプトからの保護 AIエージェントによる特権取得野良MCPサーバーの乱立防止方針: リスク・ベネフィットのバランスを取り、ルール・ガードレールを進化させる 41 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

生成AI開発ツールを導入すべき理由 1. 開発生産性の面で成果を出せる可能性が非常に高い 2. 開発チームはAIと協働してプロダクトを作る新しいパラダイムを学ぶ経験が必要教えず活用できるのは一部のメンバーのみ。経験と学習が必要。できること・できないことは何か？を知る。モデルが進化すればできることは何か？ 3. 導入ハードルは金銭コストのみ、障壁が低いので参入しないことで劣後するリスクがある 42

５. 開発支援の独自ツール 44

挑戦：AIはレガシーシステムを救えるか？レガシーになってしまった社内システムの移植作業が進行中課題: "秘伝のタレ"化したレガシーコードドキュメント不在実装当時の意図が蒸発... EOLにより旧システムの解析に困難が伴う膨大な作業量による開発リソースの不足 45 ©

1. AIによる"秘伝のタレ"解読術リバースエンジニアリング × LLM ワークフロー: ソースコード → 静的解析 →
中間表現(JSON) → LLM(説明付与) → ドキュメントポイント: LangGraph でワークフロー化静的なロジック解析 + LLMの"読解力" (社内用語マッピングも理解！) 効果: 移植時の調査工数半減を見込む 47 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

2. "解読"から"創造"へ LLMによるコード生成入力: 解析ドキュメント + 元ソースコード出力: 移植先システムのコード HTMLテンプレート生成
APIコード自動生成単体テストコード生成効果: 単純・反復作業の劇的な工数削減補足: Devinなどの汎用エージェントも活用しつつ、自前ワークフローも開発中 48 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

6. 今後の展望 49

目標：生産効率 100%アップ AIを活用することで、ソフトウェアエンジニアリングにおける生産効率の 100%アップをめざす重要な視点は、「人間がAIを使いこなす」から、「AIが自律的に価値を生む」へ。そのために、組織とプロセスを進化させます。 52

生産効率 100%アップ実現への道筋 AIとの共進化例えば、高性能なロボット掃除機が登場した際、私たちはその能力を最大限活かすために部屋を片付け、より掃除しやすい環境を整えるといったことをしている AIによるソフトウェアエンジニアリングにおいても、AIの特性を理解し、AIが最も効率的に価値を生み出せるように、人間が開発プロセスやデータの準備、タスクの分担などを最適化していく必要がある 53

AIとの共進化 AIとの共進化とは、つまり「AIと人間が互いの特性と限界を深く理解し、相互に影響を与え合いながら、それぞれの役割、能力、そしてソフトウェア開発のプロセスそのものをダイナミックに変容させていく関係性」を意味する。要約すると、「AIと人とで共に進化し開発プロセスを変え続ける関係」ということ。 54 ©

AIとの共進化変わらないことと変わること結局ソフトウェアエンジニアリングのベストプラクティス自体は AI があってもなくてもかわらない。変更容易性やテスト容易性、ドメイン理解といったソフトウェアエンジニアリングの基礎的な考え方は今後も重要。重要なのはこれらすべてを AI を中心としたプロセスに変えていけるか、またそれを前提とした組織に自分
たちが変わっていけるかということ。これについてはまだまだ正解はみえない。ではどう達成するのかするのか。 56 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

イノベーションのための実験の大規模な実施小さな日常的な実験から、プロセスレベルの構造的な実験まで、大規模に仮説検証を行う。個人の開発生産性をあげる取り組みから、開発プロセスをラディカルに AI ネイティブに変化するところまで全エンジニア規模で実験を広く行って有効なパターンを抽出していく。失敗を恐れずに挑戦し、成功パターンを迅速に組織全体に展開していくことで、イノベーションを加速する。モノタロウでの具体的な取り組み
AI駆動開発ツール価値探索プログラムレガシーシステム移植プロジェクト 58 © 2025 MonotaRO Co., Ltd. All Rights Reserved.

継続的な技術トレンドの追従と適応日進月歩の AI 技術を貪欲に学び、組織に取り込み続ける。地道な研修などで全エンジニアのAI駆動開発スキルや知識のベースラインを着実にあげていく。組織全体に着実にAI駆動開発とその考え方を浸透させていく。モノタロウでの具体的な取り組みトレンドラボでの議論 DOJOでのAI駆動開発研修 59

AIとの共進化のために大事なことチェンジマネジメント AI をどうつかうかは当たり前に重要もっと重要なのは、人と組織が AI の進化の速度についていけるか実験や、トレンドの追従を組織的に大規模かつ着実に、継続して取り組むことで AIと共進化し続けられる組織になる 60

まとめモノタロウは、AIを活用することで、ソフトウェアエンジニアリングにおける生産効率の100%アップをめざすそのためには「AIとの共進化」が重要 AIとの共進化のために「イノベーションのための実験の大規模な実施」と「継続的なトレンド追従による適応」の2つを戦略とする変化の速いAI技術に対応するには組織的なチェンジマネジメントが必須実験とトレンド追従を組織的に継続することで、AIとともに進化し続けられる組織になる本当に試されているのは、私たち自身が変化できるかということ 62

モノタロウのAI駆動開発 ～AI駆動開発Conference Spring 2025登壇資料

モノタロウのAI駆動開発 ～AI駆動開発Conference Spring 2025登壇資料

More Decks by MonotaRO

Featured

Transcript

モノタロウのAI駆動開発～AI駆動開発Conference Spring 2025登壇資料

モノタロウのAI駆動開発～AI駆動開発Conference Spring 2025登壇資料