個人の生産性向上がチーム成果につながらない現実
「今日は『AIエージェントの利用率が100％であれば、生産性は10倍』のはずだったのに、チームの実測を見たときにどうだったか……という話をします」。奥村氏はセッションの冒頭にそう述べ、AIを活用した際の生産性向上に関する質問を、会場の参加者に投げかけた。すると、個人の業務が速くなったという人は多数いたものの、チーム全体として速くなった実感がある人はぐっと減る結果となった。このギャップこそが、本セッション全体のテーマだ。
奥村氏はAI-DLC推進プロジェクトでアーキチームのプロダクトオーナーを務める。ミッションクリティカルな基盤を担当する14名のチームで、AWSのAIエージェント型IDE「Kiro」を採用し、その利用率は100％だ。
だが、AI導入の道のりは決して楽ではなかった。ツールの選定やガバナンス設計などの環境整備（フェーズ1）、勉強会や啓蒙活動による利用率向上（フェーズ2）を経て、ようやくチーム全体が日常的にAIを使用し、効果を実感する状態（フェーズ3）にたどり着いた。その結果、個人の体感では生産性が3～5倍になるという、大きな成果を生み出した。一方で、奥村氏はチームでの生産性についても計測。すると、実測値でたった1.1倍という、わずかな向上しかみられない結果となったのだ。
この結果について、奥村氏は「1.1倍は『遅い』のではなく『漏れている』のシグナル」と表現。個人の改善が全体最適に変換されていない、構造的な歪みを示すシグナルとして受け取るべきという意味だ。
そのギャップを整理するために、奥村氏はチームの速度を3つの要素に分解し、「パイプを通るボール」に例えて示した。チーム全体のアウトプット量（ボールの量）は、「ボールの速度（個人の速さ）」「パイプの太さ（速さが効く範囲）」「パイプの長さ（フロー効率）」の3要素で決まる。AIの導入によってボールの速度は確実に上がった。しかしパイプの太さ、つまりすべての業務タスクに対して同じようにAIの効果が出ているかはまた別の話だ。加えて、パイプの長さ、つまり速くなった分だけ次の工程までの「待ち」が新たに生まれている可能性を指摘する。「ボトルネック以外の部分を速くしても全体の処理スピードは変わらない」という発想を、AI活用の文脈に持ち込んだ。
その上で、奥村氏は自分以外のチームメンバー13名全員にアンケートを実施した。1つ目の質問はAIが効果を発揮する作業での生産性倍率、2つ目の質問はAIを使っても生産性が変わらない・むしろ低下する作業での変化の度合い、3つ目の質問はAI利用できている作業の割合だ。そして、アンケートの結果が示したのは「100％の利用率」という言葉だけでは見えない現実だった。
