なぜAIは組織を速くしないのか令和の腑分け

by su8 / denchu

Embed

Start on current slide

Slide 1

Slide 1 text

Slide 2

Slide 2 text

2 © LayerX Inc. ⾃⼰紹介 ~ いま話している⼈ ~ 名前杉野和⾺すぎのかずま @__su888 趣味読書電柱職業ソフトウェアエンジニア⾦属腐⾷愛好家もどき

Slide 3

Slide 3 text

3 © LayerX Inc. ⾃⼰紹介 ~ いま話している⼈ ~ 名前杉野和⾺すぎのかずま @__su888 職業ソフトウェアエンジニア⾦属腐⾷愛好家もどき趣味読書電柱

Slide 4

Slide 4 text

4 © LayerX Inc. ⾃⼰紹介 ~ いま話している⼈ ~ 名前杉野和⾺すぎのかずま @__su888 趣味読書電柱職業ソフトウェアエンジニア⾦属腐⾷愛好家もどき

Slide 5

Slide 5 text

⽉毎‧週毎‧⽇毎に様変わりするAI界隈最近の出来事を⼀つとりあげてみる

Slide 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

杉⽥⽞⽩に倣いAI時代の⽣産性を腑分けし⾼解像度のモデル（解剖図）を描くことを試みてみる

Slide 9

Slide 9 text

いいじゃん

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

まずはサンプルから。⼀体全体なにが起きているのか？国内外の事例を集めてみた

Slide 13

Slide 13 text

スナップショットとしてご理解ください AIエコシステムの急速な発展により前のめりな情報の陳腐化が稀によくあります

Slide 14

Slide 14 text

© LayerX Inc. 14 AI開発の現在地国内外 40超の事例を調査すると特徴的なカテゴリが⾒えてきたエージェント型開発の台頭 Copilot/Tabnine → Cursor → Claude Code/Devin → Bolt/Lovable 「⼈間が書きAIが補う」から⾃律実⾏へ。Kiroは上流への進出（萌芽的）品質‧計測領域の動き品質：Qodo / Greptile / Snyk 計測：LinearB / Faros AI / DORA 2024, 2025 / GitClear AIがAIを書く Anthropic 70-90% / Microsoft ~30% / Salesforce ~30% / Google全域 Boris Cherny：1⽇22-27 PR、2ヶ⽉以上⼿動コーディングなし⼤規模エンタープライズ Goldman Sachs：46,000⼈展開、S-1 ﬁling（SEC提出書類）95%をAI⽣成 Booking.com：+16% / Intercom: 41%時間節約

Slide 15

Slide 15 text

こうした事例を構造的なモデルのなかで捉えたい⾃分たちの組織は、どこに⽴っているのか

Slide 16

Slide 16 text

事例を⽣産性向上への投資と捉え投資領域の相対的な位置をモデル化してみる

Slide 17

Slide 17 text

Slide 18

Slide 18 text

Slide 19

Slide 19 text

19 © LayerX Inc. AI投⼊解剖図事例の相対位置を⽐較可能にするには、共通の座標軸が要る分類を試みると、2つの⾃然な軸が浮かび上がる縦戦略要件定義設計実装テスト‧QA デプロイ運⽤横個⼈ GitHub Copilotは個⼈のコーディングを速くするチーム Qodoはチームのレビュー品質に効く組織 Goldman SachsのAIエージェント群は組織全体の開発⼒を底上げするライフサイクル⼯程スコープ（誰の⽣産性か）

Slide 20

Slide 20 text

20 © LayerX Inc. AI投⼊解剖図軸をもとに事例をプロットすると、実装 × 個⼈が突出している AI投⼊解剖図：収集した事例をプロットしたヒートマップ個⼈チーム組織戦略要件定義設計実装テスト‧QA デプロイ運⽤

Slide 21

Slide 21 text

薄い⾯の事例を探すことは可能だが⽇々流れる空気感‧体感に合っている

Slide 22

Slide 22 text

22 © LayerX Inc. AI投⼊解剖図熱狂の中⼼は「設計~テスト‧QA」と「個⼈~チーム」 AI投⼊解剖図：収集した事例をプロットしたヒートマップ個⼈チーム組織戦略要件定義設計実装テスト‧QA デプロイ運⽤

Slide 23

Slide 23 text

23 © LayerX Inc. AI投⼊解剖図数字でみる現在地 Anthropic CEO の Dario Amodei は「90%のコードは AI が書くようになる」と予測する。Stack Overﬂow 2025 では開発者の 85%が AI を⽇常利⽤、51%が毎⽇使うと回答した。先に触れた Boris Cherny の 1⽇ 22〜27 PR は、この未来がすでに⼀部で現実になっていることを⽰す。ツール進化の構造近傍のコンテキストから次の⾏を予測するコード補完に始まり、リポジトリ全体を⾒渡してファイル横断で編集する IDE 統合へ。さらに⼈間の指⽰に基づき計画から実装‧テストまでを⾃律実⾏するエージェント、複数タスクを同時に処理して PR として提出する並列実⾏へと進んでいる。開発⽅式の分化 SDD（Spec-Driven Development）は仕様書を起点に AI が実装を⽣成する。Kiro がこの⽅式を採⽤した。TDD with AI はテストを先に書き、AI にテストを通す実装を書かせる。だが、多くの開発者が暗黙に採⽤しているのは対話型反復だ。⽅針を伝え、出⼒を⾒てフィードバックし、精度を上げていく。Sub-agents や Background Agents の登場で、タスクを投げて結果だけを受け取る⾃律実⾏も現実的になった。

Slide 24

Slide 24 text

この熱狂⾃体は問題ではないだが、この熱狂の裏で異変が報告されはじめた

Slide 25

Slide 25 text

Slide 26

Slide 26 text

Slide 27

Slide 27 text

© LayerX Inc. 27 熱狂と齟齬複数の独⽴した調査が同じ逆説的な現象を報告しはじめる開発者の体感と実態負の相関 AI導⼊に対してデリバリー安定性は負の相関 DORA 2025 / 約5,000名調査 -19% AIを使うと実際には遅くなった主観は+20% METR RCT / 16 名の経験豊富な OSS 開発者に 246 タスク +98% 個⼈PR数↑だが組織デリバリー横ばい Faros AI / 10,000⼈超 5.7% コードチャーン率（3.1%→倍増）コピペによるコードの複製は 1.5倍に拡⼤ GitClear / 2億1,100万⾏ 80%~ CEO‧CFO「AIは⽣産性に影響を与えていない」 NBER 2026年2⽉ / ⽶英独豪約6,000名 CEO‧CFO コードの量と質経営層の視点

Slide 28

Slide 28 text

個⼈は速くなった（と感じている）しかし、組織は速くなっていない

Slide 29

Slide 29 text

Slide 30

Slide 30 text

Slide 31

Slide 31 text

Slide 32

Slide 32 text

Slide 33

Slide 33 text

Slide 34

Slide 34 text

Slide 35

Slide 35 text

Slide 36

Slide 36 text

Slide 37

Slide 37 text

Slide 38

Slide 38 text

⼼当たりはないだろうか ● ⾃分は確かに速くなった。だがチームの出荷ペースは変わらない ● PRはすぐ出せるのに、マージまでが遠い ● デプロイの準備はできているのに、承認が降りない ● リリース頻度は上がったのに、ユーザーの反応は変わらない ● ここだけの話、燃え尽きかけてる

Slide 39

Slide 39 text

⼼当たりはないだろうか ● ⾃分は確かに速くなった。だがチームの出荷ペースは変わらない ● PRはすぐ出せるのに、マージまでが遠い ● デプロイの準備はできているのに、承認が降りない ● リリース頻度は上がったのに、ユーザーの反応は変わらない ● ここだけの話、燃え尽きかけてる胸の動悸が...

Slide 40

Slide 40 text

⼼当たりはないだろうか ● ⾃分は確かに速くなった。だがチームの出荷ペースは変わらない ● PRはすぐ出せるのに、マージまでが遠い ● デプロイの準備はできているのに、承認が降りない ● リリース頻度は上がったのに、ユーザーの反応は変わらない ● ここだけの話、燃え尽きかけてる胸の動悸が... ただの不整脈なのに

Slide 41

Slide 41 text

© LayerX Inc. 41 AI⽣産性の”解体新書” 各層間には抵抗があり、⾃動的にシフトするわけではない L6 事業価値層 × 速く届ける ≠ 正しいものを届ける L5 組織デリバリー層 × チームの速度 ≠ 組織の速度 L4 チーム‧プロセス層 × 接続改善 ≠ チームの成果物 L3 接続‧調整層 × 個⼈の速さ ≠ 接続の質 L2 個⼈⽣産性層 × ツール利⽤量 ≠ ⽣産性 L1 ツール導⼊層

Slide 42

Slide 42 text

© LayerX Inc. 42 AI⽣産性の”解体新書” 抵抗の正体を抽象化すると、脳裏にあてはまるケースが思い浮かぶ L6 事業価値層 × 速く届ける ≠ 正しいものを届ける L5 組織デリバリー層 × チームの速度 ≠ 組織の速度 L4 チーム‧プロセス層 × 接続改善 ≠ チームの成果物 L3 接続‧調整層 × 個⼈の速さ ≠ 接続の質 L2 個⼈⽣産性層 × ツール利⽤量 ≠ ⽣産性 L1 ツール導⼊層効率と有効性は独⽴した変数であるサブシステムの速度はシステム全体の速度を決めないインターフェースの改善は構造の改善ではない部分の⾼速化は接続点の負荷を増⼤させる⼊⼒の量は出⼒の質を保証しない

Slide 43

Slide 43 text

© LayerX Inc. 43 AI⽣産性の”解体新書” 多くの組織にとって、接続‧調整層（L3）を天井に感じている L6 事業価値層 × 速く届ける ≠ 正しいものを届ける L5 組織デリバリー層 × チームの速度 ≠ 組織の速度 L4 チーム‧プロセス層 × 接続改善 ≠ チームの成果物 L3 接続‧調整層 × 個⼈の速さ ≠ 接続の質 L2 個⼈⽣産性層 × ツール利⽤量 ≠ ⽣産性 L1 ツール導⼊層効率と有効性は独⽴した変数であるサブシステムの速度はシステム全体の速度を決めないインターフェースの改善は構造の改善ではない部分の⾼速化は接続点の負荷を増⼤させる⼊⼒の量は出⼒の質を保証しない

Slide 44

Slide 44 text

AI投⼊解剖図をまんべんなく濃くすればいい？そうしたら上位レイヤーに到達できる？

Slide 45

Slide 45 text

Slide 46

Slide 46 text

Slide 47

Slide 47 text

© LayerX Inc. 47 AI⽣産性の”解体新書” 共通の軸をもつ、組織の”基礎体⼒”が多⾯的に掛け合わさる戦略要件設計実装テスト ‧QA デプロイ運⽤ → 個⼈チーム組織 INPUT OUTPUT × ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層

Slide 48

Slide 48 text

© LayerX Inc. 48 AI⽣産性の”解体新書” 共通の軸をもつ、組織の”基礎体⼒”が多⾯的に掛け合わさる戦略要件設計実装テスト ‧QA デプロイ運⽤ → 個⼈チーム組織 INPUT OUTPUT × ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層

Slide 49

Slide 49 text

49 © LayerX Inc. AI投⼊解剖図⾃動化 CI/CD パイプライン、テスト⾃動化、Infrastructure as Code などは、AI 登場以前から⽣産性向上の主軸であり、多くの組織で⼀定の蓄積があるプロセス設計スクラム、カンバン、WIP 制限、バッチサイズの縮⼩といった⽅法論は、チーム‧プロセス層への到達に直接効く組織設計 Team Topologies、職能横断チーム、知識共有の仕組みは、接続‧調整層（L3）の摩擦を構造的に下げる計測 DORA Metrics やバリューストリームマッピングは、どのレイヤーで詰まっているかを可視化する⼿段

Slide 50

Slide 50 text

© LayerX Inc. 50 AI⽣産性の”解体新書” 先駆者はAI活⽤だけでなく、複数の投⼊⾯が厚かった Booking.com — スループット +16% ● 計測（DORA Metrics + VSM） ● プロセス設計（リーンな改善サイクル） ● ⾃動化（成熟したCI/CD） ● AI活⽤（3,500⼈超へ展開）複数⼯程にわたって計測‧プロセス設計‧⾃動化が厚く敷かれていたチーム‧プロセス層（L4）に到達

Slide 51

Slide 51 text

© LayerX Inc. 51 AI⽣産性の”解体新書” AI投⼊だけが濃い組織は、他の⾯の薄さに引っ張られる戦略要件設計実装テスト ‧QA デプロイ運⽤ → 個⼈チーム組織 INPUT OUTPUT × ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層

Slide 52

Slide 52 text

© LayerX Inc. 52 AI⽣産性の”解体新書” AIはミラーとマルチプライヤーである — DORA 2025 AI は組織の基礎体⼒を映す鏡だ。プロセス設計、組織設計、計測といった基盤が厚い組織に AI を重ねると、掛け合わせが正の⽅向に作⽤し、レイヤーの到達が加速する。だが基盤の薄い組織に AI だけを重ねると、既存の問題を増幅する。レビュープロセスが機能していなければレビューキューが膨れ上がるだけだし、テスト⾃動化が不⼗分ならコードチャーンが増えるだけだ。

Slide 53

Slide 53 text

強い組織はAIによってさらに強くなり弱い組織はAIによってさらに弱くなる

Slide 54

Slide 54 text

ところで

Slide 55

Slide 55 text

ここまで組織の基礎体⼒として⾒てきたのは開発プロセスの中の投⼊⾯だった⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … これ

Slide 56

Slide 56 text

開発領域以外にも組織の基礎体⼒ってあるんじゃ？⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … これ

Slide 57

Slide 57 text

あるよ

Slide 58

Slide 58 text

開発の外側にある組織全体のシステムにも⽬を向けるんじゃ

Slide 59

Slide 59 text

外部環境市場, 技術, 競合, 規制等経営層インターフェース技術投資の意思決定。AI活⽤⽅針の明⽂化と全社共有。 CEO, CTO, VPoE, CFO リーダー⾃⾝のシステムリーダシップスタイルエネルギー管理戦略‧計画‧価値観診断 -> 基本⽅針 -> ⾏動コミュニケーション社内コミュニケーションネットワーク組織運営システムミーティング, プロセス検証を伴う信頼, 基準調整⼈材ライフサイクル採⽤ -> OB -> 成⻑ -> 評価 -> 退職測定‧フィードバック全レイヤーのミスマッチを可視化⾃分のための測定, ステークホルダー向けの測定

Slide 60

Slide 60 text

経営層インターフェース技術投資の意思決定、AI活⽤⽅針の明⽂化と全社共有、CTOやVPoEが経営層と開発現場の橋渡しをどう設計するか戦略‧計画‧価値観ユーザー中⼼のフォーカスがなければAI導⼊がパフォーマンスを低下させる（DORA）、何を作るかの意思決定がすべての投⼊⾯の前提コミュニケーション知識共有、接続‧調整層の摩擦に直結、社内コミュニケーション設計、プレゼンス構築、組織間のネットワーク組織運営システムプロセス設計の前提、ミーティング体系、意思決定の基準調整、検証を伴う信頼の構築⼈材ライフサイクル採⽤〜退職までの全過程、AIスキルの獲得‧定着は採⽤と成⻑の設計に依存する測定‧フィードバック計測の前提、ここが回っていなければどの投⼊⾯が薄いかすら⾒えない

Slide 61

Slide 61 text

© LayerX Inc. 61 AI⽣産性の”基礎診断” 異なるスケールの⼊⼒⾯を多⾯的‧多層的に認識する戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック組織のシステム構造規模：⼩規模：⼤

Slide 62

Slide 62 text

Slide 63

Slide 63 text

Slide 64

Slide 64 text

いっぱい図が出てきたのでおさらい

Slide 65

Slide 65 text

© LayerX Inc. 65 AI⽣産性の”基礎診断” 出⼒側のモデルは⼀貫した⽣産性レイヤー構造戦略要件設計実装テスト ‧QA デプロイ運⽤ INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等など … 外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック ? ? L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層 ?

Slide 66

Slide 66 text

⼊⼒側はスケールに応じてモデルが変化する

Slide 67

Slide 67 text

© LayerX Inc. 67 AI⽣産性の”基礎診断” 最も狭い⼊⼒（投⼊⾯）は、AI投⼊解剖図 AI投⼊解剖図だけでは説明できなかった戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等など … 外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック ? ? L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層

Slide 68

Slide 68 text

© LayerX Inc. 68 AI⽣産性の”基礎診断” 視野を拡げると、複数の投⼊⾯が⾒えてくる AIは投⼊⾯の⼀つに過ぎない。開発プロセスにおける組織の”基礎体⼒”が掛け合わさる戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … 外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック ? L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層

Slide 69

Slide 69 text

© LayerX Inc. 69 AI⽣産性の”基礎診断” さらに視野を拡げると、組織全体のシステム構造が⾒えてくる開発チームの外側にある組織全体を構成する要素が、投⼊⾯の厚みそのものを規定する戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック組織のシステム構造

Slide 70

Slide 70 text

© LayerX Inc. 70 AI⽣産性の”基礎診断” さらに視野を拡げると、組織全体のシステム構造が⾒えてくる開発チームの外側にある組織全体を構成する要素が、投⼊⾯の厚みそのものを規定する戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック組織のシステム構造 × × 規模：⼩規模：⼤

Slide 71

Slide 71 text

以上おさらい

Slide 72

Slide 72 text

これらの解剖図をもとに介⼊点を特定する

Slide 73

Slide 73 text

© LayerX Inc. 73 AI⽣産性の”基礎診断” 診断 -> 構造化 -> 介⼊点 -> レバレッジ設計 1 現状の診断 3つのスケールの⼊⼒を重ねどの投⼊⾯が薄く、どのレイヤーで詰まっているかを可視化 2 問題の構造化ボトルネックはマトリクスの中か外か、投⼊⾯の薄さなのかバリューストリームで「作業」か「待ち」かを判別 4 レバレッジの設計単⼀⾯ではなく複数⾯の掛け合わせで上位レイヤーへの到達を設計する。重要なのは制約は移動すること。⼀つのボトルネックを解消すれば次のボトルネックが出現する。 3 介⼊点の選択介⼊には深さがある。ツール追加する（浅い）→チーム構造を変える（中間）→評価制度‧前提を変える（深い）。最⼤の抵抗の位置を⾒極めて、介⼊の質を決める。

Slide 74

Slide 74 text

© LayerX Inc. 74 AI⽣産性の”基礎診断” 現状の診断 INPUT / OUTPUT の現状を観察‧分析する戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック組織のシステム構造

Slide 75

Slide 75 text

© LayerX Inc. 75 AI⽣産性の”基礎診断” 現状の診断 AIへの投⼊状況、開発プロセスの基礎体⼒、組織全体のシステム構造のどのあたりが薄いのかを探る戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック組織のシステム構造

Slide 76

Slide 76 text

© LayerX Inc. 76 AI⽣産性の”基礎診断” 現状の診断組織の⽣産性レイヤーのうち”詰まり”をひしと感じるところを探る戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック組織のシステム構造

Slide 77

Slide 77 text

© LayerX Inc. 77 AI⽣産性の”基礎診断” 現状の診断たとえば、次の箇所が課題なのではなかろうか、と診断されたとすると戦略要件設計実装テスト ‧QA デプロイ運⽤個⼈チーム組織 INPUT OUTPUT ⾃動化 CI/CD, テスト⾃動化, IaC 等プロセス設計アジャイル, WIP制限等組織設計チーム構造, 知識共有等計測 DORA Metrics, VSM 等組織の基礎体⼒など … L6 事業価値層 L5 組織デリバリー層 L4 チーム‧プロセス層 L3 接続‧調整層 L2 個⼈⽣産性層 L1 ツール導⼊層外部環境経営層インターフェースリーダー⾃⾝のシステム戦略‧計画‧価値観コミュニケーション組織運営システム⼈材ライフサイクル測定‧フィードバック組織のシステム構造

Slide 78

Slide 78 text

© LayerX Inc. 78 AI⽣産性の”基礎診断” 問題の構造化たとえば、価値を⽣んでいる時間と、ただ待っている時間の⽐率から制約を構造的にとらえる⾃動化バリューストリームを描くと、作業時間よりも「待ち時間」が⽀配的になっている区間が⾒える。その区間が、成果物の流れを律速している。組織設計ひとつの機能を届けるために何チームの調整が必要かを数えると、その数がそのままデリバリーのリードタイムに⽐例している。組織運営システム「作れる状態」から「届けられる状態」までの間に何段階の承認‧会議体が挟まるかを数えると、開発速度とは独⽴した律速が⾒える。

Slide 79

Slide 79 text

© LayerX Inc. 79 AI⽣産性の”基礎診断” 介⼊点を特定するパラメータの調整は最も効果が薄く、システムルールや⽬的の転換が最も効果が⼤きい⾃動化⼿作業をスクリプトに置き換えるのではなく「なぜその⼿作業が存在するのか」を問い直す。待ちの発⽣源そのものを設計から除去できないかを検討する。組織設計チーム間の調整の質を上げるのではなく、調整が不要になるようにチーム境界を引き直す。⼀つの機能を⼀つのチームで届けられるかを問う。組織運営システム承認プロセスを速くするのではなく、「なぜその承認が必要なのか」の前提を問い直す。承認を、検証を伴う信頼に置き換えられないかを検討する。

Slide 80

Slide 80 text

© LayerX Inc. 80 AI⽣産性の”基礎診断” レバレッジを設計する制約を1箇所解消しても、次の制約が現れる。複数⾯の掛け合わせと、制約を追い続けるリズムを設計する⾃動化 CI/CD × テスト⾃動化 × 計測を同⼀⼯程に重ね、コード⽣成の⾼速化がコードチャーンではなくデリバリーに変換される経路を設計する。組織設計チーム境界の再設計 × 知識共有の仕組み × AI活⽤を重ね、個⼈の速さがチームの速さに変換される接続層（L3）の天井を引き上げる。組織運営システム意思決定の分権化 × 計測の定期化 × 診断サイクルの組織リズム化。⼀度の改善で終わらせず、制約が移動するたびに次の介⼊点を選べる状態を維持する。

Slide 81

Slide 81 text

© LayerX Inc. 81 AI⽣産性の”基礎診断” 診断 -> 構造化 -> 介⼊点 -> レバレッジ設計 1 現状の診断 3つのスケールの⼊⼒を重ねどの投⼊⾯が薄く、どのレイヤーで詰まっているかを可視化 2 問題の構造化ボトルネックはマトリクスの中か外か、投⼊⾯の薄さなのかバリューストリームで「作業」か「待ち」かを判別 4 レバレッジの設計単⼀⾯ではなく複数⾯の掛け合わせで上位レイヤーへの到達を設計する。重要なのは制約は移動すること。⼀つのボトルネックを解消すれば次のボトルネックが出現する。 3 介⼊点の選択介⼊には深さがある。ツール追加する（浅い）→チーム構造を変える（中間）→評価制度‧前提を変える（深い）。最⼤の抵抗の位置を⾒極めて、介⼊の質を決める。

Slide 82

Slide 82 text

Slide 83

Slide 83 text

Slide 84

Slide 84 text

（初版が）誤訳だらけですまんかったしかし、誤訳をおそれず真実を追求することを忘れないでほしいんじゃ