概要
AI駆動開発の真の効率性は、コード生成の速さではなく、AIの出力を「人間が確認せずに済む（機械的に検証できる）」仕組みを組織が持っているかどうかに依存する。
詳細内容
最新の複数の実証研究（GitHub、Google、METR、Meta、DORA等）に基づき、AI駆動開発の投資対効果（ROI）が決まる「勝てる境界」を考察したコラムです。
### 1. 生産性のパラドックス
GitHubやGoogleの研究では21〜55%の効率化が見られる一方、熟練開発者を対象にしたMETRの実験では逆に19%の工数増が観測されています。この境界は「AIを監督する時間」が「自分で作る時間」を上回るかどうかにあります。
### 2. 工程別のAI適正
- **要求・設計**: 文書化やパターン提示には強いが、利害調整や暗黙知を伴う意思決定は人間が優位です。
- **テスト**: 生成されたテストをビルドやカバレッジで機械的に自動選別する仕組み（MetaのTestGen-LLM等）があれば、AIの大量生成能力を直接利益に変えられます。
- **保守**: Javaのバージョンアップなど、ゴールと合否判定が明確な「閉じたタスク」では劇的な効果を発揮します。
### 3. 組織基盤の重要性
DORAの調査によれば、CI/CDや自動テストなどの開発基盤が弱い組織では、AIがコード供給量を増やすことでレビューや統合が詰まり、かえって安定性が低下します。AI時代の開発において最も重要なのは「どれだけ速く書けるか」ではなく、「どれだけ安く、独立して正しさを（自動でNoと言える形で）確認できるか」であると結論づけています。