20260924_2026年の弥生AI駆動開発振り返り / AI-Driven Development Retrospective in 2026

弥生株式会社　もくテク
AI駆動開発を組織に根づかせるには ──CTO・推進者が語る取り組んできたこと・見えてきたもの（2024/09/24）
https://mokuteku.connpass.com/event/404798/

Transcript

1. 弥⽣AI駆動開発振り返り（2026） 2026.09.24 弥⽣株式会社 CAO 佐々⽊淳志 © 2026 Yayoi Co., Ltd. All rights reserved.
2. はじめに • ここ1年間、AI-DD推進に取り組んだ結果の共有です • 開発マネージャーや技術部⾨のリーダーなどを聴講者として想定してい ます • 2025年12⽉の「AIを活⽤した開発⽣産性向上の全社的な取り組みの進め ⽅について」の続編です © 2026 Yayoi Co., Ltd. All rights reserved.
3. Summary 新規開発のプロダクト 既存システム 全体 ‧開発コストが80％低下 ‧製品リリースリードタイムが50％短縮 ‧開発コストが25％低下 ‧機能リリースリードタイムが25％短縮 ‧プルリク数が1.63倍 • 効果測定は以下の2パターンで実施 o ①「AIを利⽤せずに開発した場合の⾒積もり」と「AIを利⽤して開発を⾏った結果の実績値」でコストを⽐較 o ②「AI利⽤を進めた結果のアウトプット量の増分（GitHubのプルリク）」を測定 • 数値は伸び続けている o 1st Releaseまでの計測値は上記の通りだが、改善を続けたらAI未使⽤と⽐較してプルリク数が30倍以上に（新規プロダクト） o 全社平均の1⼈当たりプルリク数は2025年5⽉に⽐べて2026年5⽉時点で1.19倍、2026年8⽉時点で1.63倍 © 2026 Yayoi Co., Ltd. All rights reserved.
4. Scope • 今回の検証のスコープは「設計 → 実装（コーディング）→ テスト → デプロイ」のところ • 運⽤保守はAI-SRE（仮称）と名付けて別途取り組み中 企画 設計 実装 （コーディング） テスト デプロイ 運⽤保守 今回のAI活⽤フォーカス領域（濃⾊） • AI-SREの実装例（おまけ） • インシデント対応：Cloud Watch→New Relic→PagerDuty→AWS DevOps Agent→Slack（実施すべきワークアラウンド提⽰） • 問題対応： Cloud Watch→New Relic→PagerDuty→AWS DevOps Agent→Notion＆GitHub （問題の原因をIssue化） © 2026 Yayoi Co., Ltd. All rights reserved.
5. 利⽤しているAI • ホワイトリスト化された物から選択して利⽤している o Cursor、Devin、Claude Code、GitHub Copilot、Codex、Kiro • 開始当初のメインはCursor、Devin。2026年5⽉くらいからClaude Codeが⼈気に • Claude Codeが⼈気の理由の⼀つとしてサブスクで結構使えるから • 評判の良いLLMはClaude OpusやFableだがコストが⾼い • Claude Codeはサブスクを使いたいのでTeamプランを契約中。管理者の⽴場としてはEnterpriseにしたいがお値段が… • １セッション5万円とか • Devinは開発者以外が製品仕様を調査する⽤途にも利⽤されている • コンタクトセンターの⼈が製品仕様を調べるために利⽤ • いままではエンジニアに問い合わせていた © 2026 Yayoi Co., Ltd. All rights reserved.
6. 成果（定量＋定性） チーム/対象 指標 数値 備考 新規クラウドサービス（アジャイル） リリースまでの期間 約50%削減 新規開発∕AIなし想定⾒積もりと実績値⽐較 新規クラウドサービス（アジャイル） 総コスト 約54%削減（90⼈⽉→約41 ⼈⽉） 新規開発∕AIなし想定⾒積もりと実績値⽐較 新規クラウドサービス（アジャイル） 内部設計‧実装⼯数 約80%削減（45⼈⽉→9⼈ ⽉） 新規開発∕AIなし想定⾒積もりと実績値⽐較 既存基幹システム（ウォーターフォー ル） 内部設計‧実装⼯数 約25%削減（1サイクル20 ⼈⽇→15⼈⽇） 既存システム∕開発プロセスをAI前提で変更 既存モバイルアプリ（アジャイル） 内部設計‧実装⼯数 約60%削減 AIなし想定⾒積もりと実績値⽐較∕タスク別17% 〜93%とばらつき 既存モバイルアプリ（アジャイル） 体感効率化（SPACE平均） 4.075/5.0 4名回答、線形換算モデルで約21.5%効率化 全チーム プルリクエスト数増⽐ 11.19/6.73=1.62倍 2025/5 vs 2026/8、エンジニア1名当たりの⽉間プ ルリク数 © 2026 Yayoi Co., Ltd. All rights reserved.
7. 新規クラウドサービスの開発に従事した1エンジニアの実例 • ⽉6万円のAIコストでプルリク数が2倍弱に増えた © 2026 Yayoi Co., Ltd. All rights reserved.
8. 開発⽣産性指標 • エンジニアのアウトプット量を開発⽣産性指標として定義した • Driver KPI：Pull Request件数、Four Keys（迅速性と品質の指標） • Driver KPIは可視化が完了している。Four Keysは活⽤に⾄っていない © 2026 Yayoi Co., Ltd. All rights reserved.
9. AI活⽤ロードマップ（計画） ここを⼀気に進める 2022〜2024 2024〜2026 ループの主体：⼈間 ループの主体：AI ループは実装がメイン 【使うための環境整備】 ‧契約、利⽤ルール整備 ‧利⽤状況の可視化 ‧ウォッチする指標の検討 【利⽤促進‧⾼度化のための仕組み】 ‧markdownやツール配布の仕組み ‧利⽤状況の可視化 2026〜 ループの主体：AI ループの範囲が⽇々拡⼤ ⼈は監督‧例外対応‧仕組み作り AIの性能向上で仕組みはどんどんシンプルに 【AI前提で開発するための仕組み】 ‧コンテキスト整理 ‧ハーネスの整理 ‧品質担保の仕組み © 2026 Yayoi Co., Ltd. All rights reserved.
10. ⼀気に進めるために • ある程度標準化された「開発の仕⽅」を決める • 例：AI-DLC v2ベースのaidlc-workflowの導⼊ ←あくまで例 • アジャイル∕ウォーターフォールとはまた別の話。どちらでやるにせよAI前提 • 2025~2026年はゆるい情報共有で進めた結果、エンジニアの個性が出る結果になった © 2026 Yayoi Co., Ltd. All rights reserved.
11. チーム体制の変化 • ボトルネックの変化 • エンジニア⾃⾝が仕様に関する意思決定をできる状況にするとめちゃくちゃ早くループ回せる • E2Eテストが未整備なチームはテストがボトルネックに • 「どこまでAIにお任せできるか？」はLLMの性能がボトルネック • LLMの性能はそのうち上がる。⼀時的にハーネスなどで対応する • チーム体制の変化 • 実装よりも意思決定がボトルネックになるので、1チーム当たりのエンジニア数は少ないほうが早い • １サービスあたりエンジニア8名の開発体制から１サービスあたり1〜3名の体制へ 今までのチーム体制 ‧PdM：1 ‧TechLead/Sr Engineer：2 ‧Engineer：6 最近のチーム体制 ‧PdM：1 ‧TechLead/Sr Engineer：3 将来の体制？ ‧PdM 兼 TechLead/Sr Engineer 兼 DomainExp：1~2 © 2026 Yayoi Co., Ltd. All rights reserved.
12. 学び • AIに実装ループを回させる前提で業務を再設計すべき • エンジニアが意思決定できる状況になるとクソ早い • ⼈間同⼠のコミュニケーションコストは重い • コンテキストの蓄積は重要、既存システムのコンテキスト抽出は重要 • レビューがボトルネックになっていたが、気が付いたらレビューもAIができるようになっていた • CICDやo11yなどはAI活⽤のインフラとして必要 • ⼯数がカツカツすぎるチームはAIを試す余裕がない • エンジニア1名当たりのAIコストの増加が激しい（⽉$500〜$1000、最⼤$4000） • 「少ないコストで上⼿にAIを使う」もエンジニアリングスキルとして育成が必要 © 2026 Yayoi Co., Ltd. All rights reserved.
13. AI-DDの導⼊⽀援に有効だったこと、⽤意したほうが良い事 • Claude CodeやDevin、Cursorなどの契約やアカウント管理 • やってよい事、悪い事の判断基準の明確化 ◦ ＡＩがアクセスして良いシステムとアクセス⼿段 ◦ 使ってよいＭＣＰサーバ ◦ 使ってはいけないＬＬＭのモデル • 他チームの成功事例共有 • CICD、o11y、インシデント管理システムなどの準備 • コスト管理と可視化⼿段の提供 • 実⾏環境のセキュリティガードレール（ＡＷＳアカウントの分離など） © 2026 Yayoi Co., Ltd. All rights reserved.
14. 課題になっている事 • コスト ◦ • 品質担保のための施策 ◦ • 開発早くなれば売上‧利益で回収できるはずだが、タイムラグが存在する 特に職⼈技＆暗黙知による⼿動実⾏を必要としているＥ２ＥテストをどうＡＩにやらせるか 効果測定 ◦ 右肩上がりに実装速度が上がっており「プルリク数を追うことに今後も意味はあるのか？」と いう気がする ◦ 売上や利益を⾒るとタイムラグがある ◦ ユーザーが得る価値を⾒る必要がある（プロダクトによりけり…） © 2026 Yayoi Co., Ltd. All rights reserved.
15. • AI-DDを使って開発したい⼈ • Agentic AIを開発したい⼈ お待ちしています！ © 2026 Yayoi Co., Ltd. All rights reserved.
16. Thank you！ © 2025 Yayoi Co., Ltd. All rights reserved.