開発生産性を妨げる「3つのボトルネック」
セッションの冒頭中津川氏は、急速な盛り上がりを見せるAI支援開発の現状を俯瞰した。日本のGitHub利用者数は2024年から2025年の1年間で100万人増加し、450万人を突破した。公開コミットの4％がClaude Code経由のAI生成コードだという。さらにAIの登場により、エンジニア以外の職種がソフトウェアを開発する市民開発も急増している。一方で、セキュリティや品質面において、AI生成コードに対する懸念が高まっている点も無視できない。
AIによるコーディングが日常化する一方で、実際の開発生産性が向上しているかという疑問も生じている。中津川氏は、AI支援開発の現場で発生している課題として以下の3点を挙げた。
（1）コードレビュー
キッカケクリエイションの調査によると、コードレビュー担当者の約9割が、AI生成コードの普及による負担増加を実感している。レビューすべきコード量が激増しているにもかかわらず、レビューを担当するシニアエンジニアの人数が増えていないことが原因だ。コードレビューは単にコードを閲覧する作業ではない。プルリクエストに記載された業務要件や設計意図を読み込み、既存コードへの影響まで確認する必要があるため、認知負荷が極めて高い。その結果、コードの生産量が増えてもレビューがボトルネックとなり、開発スピードが向上しない事態に陥っている。
（2）AI活用スキルのばらつき
AI生成コードの品質は、スキルやエージェントの設定といったハーネスに大きく左右される。しかし、そのノウハウは個人内に閉じやすい。例えばシニアエンジニアであっても、ハーネスの設定が不十分であれば低品質なコードを出力してしまう。過去の実績からコードレビューも甘くなり、品質面のリスクがさらに高まる恐れがある。加えて、LLM特有の不確実性により、同一のモデルとハーネスを使用しても出力品質に揺らぎが生じることは避けられない。そのため、ハーネスに関する知見を組織内で共有し、チーム全体でコード品質を管理・制御する仕組みづくりが不可欠となる。
（3）AIに対するROI（投資対効果）の明確化
これまで現場の関心は、AI支援開発に着手すること自体にあった。そのため開発者各自が自由にAIを利用できる環境が整っていた。しかしマネージャー層の関心は、コードの生産量から「AIがもたらす実際の収益」へと移りつつある。中津川氏は、昨年まではAI予算を自由に活用できる段階であったが、今年後半からは本格的に投資対効果が問われるようになると予測する。
AI支援開発の本格化に伴い、様々な課題が顕在化している。開発生産性向上に対する疑念についても、それを裏付ける調査結果が出始めている。2025年のMETR[1]の調査によると、AI利用により24％の高速化が予測されていたにもかかわらず、実際には開発期間が19％増加していた。また別の研究では、コア開発者のレビュー負荷が6.5％増加したことで保守に工数を奪われ、コードの生産性が19％低下したと報告されている。
[1] METR（Model Evaluation and Threat Research）：アメリカの非営利研究機関。自律タスクを行う先端AIモデルの評価を通して、企業や社会におけるAIの潜在能力とリスクについて研究している。
