AI駆動開発は個人技からチーム戦へ：組織でAIを使いこなすための実践設計

AI駆動開発カンファレンス 2026夏での発表資料です。

https://aid.connpass.com/event/392229/

Transcript

1. #AI駆動開発 AI駆動開発は個人技からチーム戦へ： 組織でAIを使いこなすための実践設計 CodeRabbit 中津川篤司 @AI駆動開発Conference Summer
2. 𝕏 自己紹介 中津川 篤司 CodeRabbit デベロッパーアドボケイト 一般社団法人DevRel 代表理事 @goofmint fb.me/goofmint
3. CodeRabbitについて覚えてほしい3つのこと 🥕 レビューを基本とした、Agentic Change Management 🩴 シート単位の定額・OSSは無料 ⛵ キャラクターの名前はHoppy coderabbit.ai/ja
4. Agentic Change Managementとは？ AIエージェントが大量に生成するソフト ウェアの変更を、検証・優先順位付け・ 理解・承認・保守まで一貫して管理する 仕組み
5. アジェンダ 1.AI駆動開発の推移 2.最近のAI駆動開発の課題 3.開発生産性とは 4.開発“組織”でAIを活用するための設計 5.CodeRabbitでのAI利用例
6. AI駆動開発の推移 1.エンジニアリングの変化 2.セキュリティ/品質ガバナンス需要増 3.ROI（費用対効果）
7. エンジニアリングの変化 1.シチズンデベロッパー（市民開発者）増 2.自動化の追求
8. シチズンデベロッパー（市民開発者）増 1. 企業の63%が内製化、38%が市民開発に取り組み※1 2. 生成AI導入済み企業は57.7%※2 3. ローコード・ノーコードツールの導入が51.0%に※2 ※1 アプリケーション開発に関する調査 | IT Foresight ※2 野村総合研究所、日本企業を対象に「IT活用実態調査（2025年）」を実施 | ニュースリリース | 野村総合研究所(NRI)
9. 自動化の追求 2022年 プロンプトエンジニアリング 2024年 エージェントエンジニアリング 2025年 コンテキストエンジニアリング 2026年 ハーネスエンジニアリング ループエンジニアリング
10. セキュリティ/品質ガバナンス需要増 1. 全テストケースの45%に脆弱性が含まれる※1 新モデルを利用しても改善されず 2. AIが利用する外部ライブラリの49%に既知脆弱性※2 昨今のサプライチェーン攻撃に繋がる問題 3. AIは人の1.7倍、深刻な問題を含むPRを作成※3 ※1 GenAI and Code Security: What You Need to Know ※2 State Of Dependency Management 2025 | Application Security |… ※3 State of the AI vs. Human Code Generation Report
11. ROI（生産性が本当に向上しているのか？） 1. AI利用で24%高速化すると予測していたが、19%低 下していた※1 2. Copilot導入でバグ数が41%増加。PRサイクルタイム は変化なし※2 3. コア開発者のレビュー負荷6.5%増により、チームの 開発生産性が低下※3 ※1 Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity - METR ※2 Does GenAI Improve Software Developer Productivity? ※3 [2510.10165] AI-Assisted Programming Decreases the Productivity of Experienced Developers by Increasing the Technical Debt and Maintenance Burden
12. 最近のAI駆動開発の課題 1.生成されるコードの品質のばらつき 2.AI活用スキルのバラツキ 3.コードレビュー
13. 生成されるコードの品質のばらつき 1. 学習元データの問題 OSS、コミュニティで公開されるコードは品質が不安定 2. 組織のコンテキスト、セキュリティ水準の不足※1 3. AIは単純で反復的なコードに強い反面、複雑な設 計・依存関係に弱い※2 ※1 The Most Common Security Vulnerabilities in AI-Generated Code | Blog | Endor Labs ※2 [2508.21634] Human-Written vs. AI-Generated Code: A Large-Scale Study of Defects, Vulnerabilities, and Complexity
14. AI活用スキルのバラツキ 1. 適切なコンテキストを与えられているか否か※1 2. 個人のMCPサーバー、スキルの設定に依存 3. 学習元データの問題 OSS、コミュニティで公開されるコードは品質が不安定 知見を個人に閉じるのではなく、チームで共有する ※1 The Most Common Security Vulnerabilities in AI-Generated Code | Blog | Endor Labs
15. コードレビュー 1.AI生成コード増で、レビューがボトルネック※1 2.コードレビュー担当の約9割が、AI生成コード の普及で「レビュアー負担増」を実感※2 3.レビューの待ち時間や対応時間が長引き、バグ の発生率は54%増加※3 ※1 [2605.17548] Rethinking Code Review in the Age of AI: A Vision for Agentic Code Review ※2 【AI生成コードのレビュアー負担に関する調査】レビュー担当者の約9割が「負担増」を実感 ※3 AI Impact on Engineering Productivity: 2026 Report Data
16. 開発チーム体制 PM シニアエンジニア エンジニア
17. エンジニア >> レビュー担当 1.開発「量」は増えても、レビューで止まる 2.レビューはコードを見るだけの作業ではない 3.変更の背景、業務要件、設計意図、既存コード への影響を理解する（認知負荷）
18. 開発生産性とは 速度 体験 品質 フロー レビュー 参照: https://dora.dev/guides/dora-metrics/ https://docs.gitlab.com/user/group/value_stream_analytics/ https:// queue.acm.org/detail.cfm?id=3454124 など
19. 開発生産性とは 速度 ボトルネック把握に利用 速度 1. リードタイム 体験 品質 2. PRマージ時間 3. デプロイ頻度 フロー レビュー
20. 開発生産性とは 品質 速いけど、エラーが多いでは駄目 速度 体験 フロー 品質 レビュー 1. 本番障害件数 2. バグ再発率 3. 変更失敗率 4. テスト失敗率 5. セキュリティ検出件数
21. 開発生産性とは レビュー レビューのボトルネック状態を可視化 速度 体験 フロー 品質 レビュー 1. レビュー待ち時間 2. レビュー所要時間 3. コメント解決時間 4. PRサイズ 5. 差し戻し率
22. 開発生産性とは 実装より待機・調整・割り込みに 時間を奪われていないか 速度 体験 フロー フロー 品質 レビュー 1. 作業中時間 / 待ち時間 2. 会議時間 3. ブロック時間 4. コンテキストスイッチ 回数
23. 開発生産性とは 体験 満足度・効率・フローは重要な観点 速度 体験 フロー 品質 レビュー 1. 開発者満足度 2. 集中時間 3. 認知負荷 4. アンケート
24. 開発“組織”でAIを活用するための設計 1.組織全体でのコンテキスト設計 2.全員の見られる場所でAIを利用 3.品質と安全性の担保 4.透明性と説明可能性の担保
25. 💦 💦
26. 組織全体でのコンテキスト設計 1.AIに何を任せるか決める 2.AIに与える情報を設計する（MCP/API/Skills） 3.人は何を判断・責任を持つかを決める 個人設定もあるが、管理者設定があるとベスト
27. 全員の見られる場所でAIを利用 1.良いプロンプトや失敗を公開、共有して知見 を蓄積する 2.普段使っているツールの中に集約する 3.新しいメンバーに対して、過去の意図を共有 する
28. 品質と安全性の担保 1.コードレビューやテスト、CI/CDなど品質ゲー トでのAI活用 2.ログと解析、権限管理 3.プロンプト（意図）の保存 品質ゲートは個人ではなく、組織で設ける
29. 透明性と説明可能性の担保 1.意図の消えたコードに対する理解負債増を防ぐ 2.人間が理解できないものは直せない 3.AIをどう利用し、どういった結果が得られたの かを保存、可視化する
30. CodeRabbitでのAI利用例 チャット Issue レビュー
31. CodeRabbit, Inc.について 1.従業員270名程度（内エンジニアが100名位） 2.ほぼリモートワーク（US、ベンガルールオフィ スあり） 3.日本支社なし 4.トークンマキシングな企業 https://www.coderabbit.ai/
32. LLMルーティング 1. OpenAI / Anthropic / NVIDIA Nemotron などを利用 2. 用途（要約、調査、レビューなど）に応じてモデル を選択 3. 高いから・最新だから優秀とは限らない
33. Opus 5の評価より 現状よりも、アクション可能なコメ ントを生成（39.3%対35.2%） 既知の問題の検出は減少（55.2%対 61.1%） nitpickは約4倍 精度は現状を下回る（28.6%対 32.8%） https://www.coderabbit.ai/ja/blog/opus-5-model-review
34. https://www.coderabbit.ai/ja/blog/opus-5-model-review
35. チャット（Slack） 1.CodeRabbitというSlackエージェント 2.Datadog/Sentry/Salesforce/Google Driveと接続 3.Slackで対話したり、Pylonに送られてきた問い 合わせを元に調査、Issue作成、PR作成まで行 う
36. チャット（Slack）
37. チャット（Slack）
38. チャット（Slack）
39. チャット（Slack）の活用ポイント 1.普段使っているツール（Slack）で動く 2.皆の見える場所（Channel）で対話する 3.接続するサービス（Context）は管理者が設定 4.問い合わせや時間などを起点に動作（Loop） coderabbit.ai/ja/agent
40. discord.gg/coderabbit
41. Issue（GitHub） 1.Issueを基に実装計画を作成（CodeRabbit Plan） 2.現在のコードベース、過去のIssue、ドキュメン トなどを参照して計画を作成 3.誰でもコメントし、実装計画を改善できる
42. CodeRabbit Planの流れ
43. CodeRabbit Planの流れ
44. CodeRabbit Planの流れ
45. CodeRabbit Planの流れ
46. CodeRabbit Planのメリット 1.普段使っているツール（GitHub/GitLab/Linear など）で動く 2.皆の見える場所（Issue）で利用 3.接続するサービス（Context）は管理者が設定 4.後で参照、振り返りができる coderabbit.ai/ja/plan
47. CodeRabbit Plan
50. レビュー（CodeRabbit） 1.PRレビュー 2.CLIやVS Code機能拡張でローカルレビュー
51. レビューは2つの側面がある レビュイー レビュアー プログラマー シニアエンジニア レビューを受ける人 レビューをする人
52. レビューは2つの側面がある レビュイー レビュアー プログラマー シニアエンジニア レビューを受ける人 レビューをする人 ↑ AIコーディングエージェントのレビュー機能はこちら向け VS Code機能拡張・CLIもこちら
53. レビューは2つの側面がある レビュイー レビュアー プログラマー シニアエンジニア レビューを受ける人 レビューをする人 ↑ 開発生産性を上げるなら、 こちらのサポートが重要 CodeRabbitのPRレビューはこちらも対象
54. 再掲 1. AI利用で24%高速化すると予測していたが、19%低下して いた※1 2. AI生成コード増で、レビューがボトルネック※2 3. コア開発者のレビュー負荷6.5%増により、チームの生産 性が低下※3 4. コードレビュー担当の約9割が、AI生成コードの普及で 「レビュアー負担増」を実感※4 ※1 Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity - METR ※2 [2605.17548] Rethinking Code Review in the Age of AI: A Vision for Agentic Code Review ※3 [2510.10165] AI-Assisted Programming Decreases the Productivity of Experienced Developers by Increasing the Technical Debt and Maintenance Burden ※4 【AI生成コードのレビュアー負担に関する調査】レビュー担当者の約9割が「負担増」を実感
55. CodeRabbitの場合 1. よくあるミス、問題は事前に解決 40+のLinter/SAST、Webクエリーで最新情報を収集 2.人が見るようにレビュー Issue、ドキュメント、過去のコメントでコンテキストを補足 3.人がPRを理解するのに必要な情報を提示 概要、変更ファイルグループ、シーケンス図、Change Stack レビュアーの工数を半分に
56. Change Stack AI時代のコードレビューUI
57. ROI 時間 品質 ナレッジベース マージ前チェック
58. まとめ 🥕 AI利用は個人技からチーム設計へ 🩴 開発生産性向上の鍵はレビュー ⛵ キャラクターの名前はHoppy でチームのAI開発生産性を高めよう！
59. 番宣（8月5日オンラインセミナー） https://bit.ly/4x9VJgl