メインコンテンツへスキップ

概要

AI推進とは、生成AIツールの導入を、組織の開発生産性やプロダクトの成果の向上につなげるための活動です。ツールを配布して使い方を周知するだけでなく、開発組織とAI活用の状態を計測し、足りないものを特定し、仕組みとして組織に定着させるまでを含みます。 本ページでは、AIを導入しても生産性が上がらない理由、AI活用の前提となる土台、組織の現在地を測る物差しとしての「AI活用レベル」、推進の体制、推進を続けるためのサイクルを扱います。 個々のツールや拡張の仕組みは、それぞれのページで解説しています。AIとの対話型の開発はVibe Codingを、AIへの実装の委任はAgentic Workflowを、Skillなどを組織に配布する仕組みはPluginを参照してください。

AIを導入しても生産性が上がらない理由

体感と実際の成果のずれ

AIを導入すると、開発者は「コードを書くのが速くなった」と感じやすくなります。しかし、その体感がリリースや価値提供の増加につながっているとは限りません。体感と実際の成果がずれているかどうかは、計測した数値で確かめる必要があります。 よく起きるのは、AIが速くしたのはコード生成という1つの工程にとどまり、ボトルネックが別の工程に移っただけ、という状態です。たとえばAIの出力を理解しないままレビューに回すと、レビューでの指摘と修正のやり取りが増え、開発全体のスループットは変わりません。

AIは既存の強みと弱みの両方を拡大する

AIは、組織がもともと持っている強みも弱みも増幅します。土台が整っていない状態でAIを使うと、次のように弱さが増幅されます。 AIは既存のコードや仕組みにならって出力するため、品質の低いコードがあれば、同程度の品質のコードが生成されます。AIによって遅い開発が速くなるのではなく、もともと速い開発がAIによってさらに加速します。

AI活用の前提となる土台

AI活用を進める前に、AIに関係なく重要な基本が整っているかを確認します。次の順で下から積み上げ、上の層は下の層が固まってから載せます。 AIが期待どおりの成果物を出さないときは、AIの使い方を見直す前に、この土台を見直します。基本が先で、AI活用は後です。

AI活用レベル

AI活用レベルは、組織やチームがAIに何を任せているかを3段階で表す物差しです。自分たちの現在地を見極め、次に着手することを決めるために使います。レベルはどれか1つを選ぶものではなく、土台の上に下から段階的に積み上げます。なお、開発生産性の考え方で扱う生産性の3段階とは別の物差しです。 レベル1とレベル2はアウトプット(作る量と質)に関わり、レベル3はアウトカム(作ったものが生む価値)に関わります。

レベル1: 速く作る

レベル1は、AIエージェントにコードを生成させ、プルリクエストの作成までを自動化する段階です。Vibe Codingがこのレベルにあたります。 このレベルでは、AIの使いこなし度に個人差が出ることや、AIの出力を理解しないままレビューに回してプルリクエストの質が下がることが課題になりがちです。そのため、理解と責任の所在を次のように整理します。
  • AIが出力したコードの責任は人間にある。 どれだけ自動化しても、品質と判断の最終責任は人間が引き受けます。
  • レビューをセルフレビューとレビューに分ける。 レビュー依頼を出す前のセルフレビューまでをAIに任せ、コード変更そのものの確認はセルフレビューで済ませます。人間のレビューは、人間が最終判断すべき内容に集中させます。
  • AIが参照するガードレールを整える。 README、エージェント向けの指示ファイル、コード規約、定型作業のコマンド化を整えると、AIが文脈を理解し、一貫した品質の出力を繰り返し得られます。

レベル2: 正しく作る

レベル2は、AIに渡す作業の手順を整え、実装をAgentic Workflowに委任する段階です。人間はタスクとIssueの方向性を決め、AIが計画・実装・自己検証を進めます。 このレベルでは、要件をどう実現するかという手順がAIに渡せる形になっていないことが課題になります。タスクの粒度や手順を誰も決めていない、AIに何を渡せば精度よく動くかが属人化している、という状態です。そこで次の3つを整えます。 AIの出力の質は、AIに渡す設計図であるタスク分解の質で決まります。レベル1からレベル2への移行は、AIと「協働」する関係から、AIに「委任」する関係への変化でもあります。 複数のタスクを並列に委任するようになると、IDEで1つずつ作業するより、ターミナルの複数のウィンドウやペインでAIエージェントを同時に動かすほうが扱いやすくなります。開発環境そのものも、並列に委任しやすい形へ変わっていきます。

レベル3: 必要なものを作る

レベル3は、エンジニアリングの外にある要件定義やQAにAIの支援を広げ、何を作るかという上流の判断まで踏み込む段階です。 開発が速く正しくなると、今度は何を作るかが決まらないことがボトルネックになります。要件の実現可能性を調べられるのがエンジニアだけであったり、システムとプロダクトの概念が離れたまま施策が進んだりするためです。 このレベルの出発点は、システムとプロダクトの両方の現状把握です。両方を計測・取得したうえで、施策によって何がどう変わるかを検討し、実装・検証・計測のサイクルを再現性高く回します。

AI推進の体制

兼務ではなく専任にする

AI推進は、日々の開発業務と兼務すると進みにくくなります。理由は次の3つです。
  • 物量。 AIツールのアップデートは毎週のように発生し、片手間ではキャッチアップが追いつきません。
  • 優先度。 検証・展開・教育が同時に発生し、兼務では日々の業務が優先されて推進が後回しになります。
  • オーナーの不在。 誰が責任を持つかが曖昧なまま進むと、社内展開が遅れ、作ったSkillなどがやがて使われなくなります。
そのため、同じ工数を割くとしても、複数人が少しずつ兼務するより、1人が専任で担当するほうが取り組みは速く進みます。専任の担当者が情報収集・検証・展開を一貫して担うことで、オーナーシップも明確になります。

推進担当に求められる資質

すべてを満たす人材は多くありません。このうちAIへの熱量は周囲のサポートで補いにくいため、経験のあるエンジニアに任せるか、熱量のある若手に任せて周囲が支えるかのどちらかが現実的です。

AI推進のサイクル

AI推進は、一度の施策で終わるものではありません。「可視化 → 配布 → 浸透」を1つのサイクルとして回し続けます。

可視化

可視化は、改善のサイクルを再現性高く回すために欠かせません。勘や経験に頼った改善は当たることもありますが、なぜ当たったかを説明できず、再現できません。 可視化では、次の2つの軸を並べて読みます。片方だけでは、成果が出ていない原因までたどれません。 PDCAサイクルでは、計画(P)と評価(C)の両方で、可視化した数値を読み解く工程が必要です。読み解きの精度によって仮説も評価も変わり、改善が当たる割合が左右されます。読み解いて得た気づきは、Skillやエージェントとして形にします。開発生産性の指標そのもの(AI活用レベルとは別の、生産性の3段階)については開発生産性の考え方で解説しています。

配布

作成したSkillやエージェントは、Pluginとして組織全体に配布します。Pluginを社内向けのリポジトリで管理すると、メンバーはワンコマンドで導入・更新でき、改善はマージされた時点で全員に届きます。 リポジトリは、推進担当だけでなく誰でも改善を提案できるように開いておきます。欲しいSkillや直したい点をプルリクエストで出せるようにすると、AI推進が組織全体の取り組みになります。チームの手元にあるSkillもPluginに移すと、他のチームが使えるようになり、改善も全社に返ってきます。

浸透

作って配るだけでは、やがて使われなくなります。知ってもらい、使いこなしてもらうための施策を続けます。 基礎力の強化が必要なのは、AIの出力の良し悪しを判断するのに基礎知識が欠かせないためです。特にレベル2では、AIが提案した設計が正しいかを判断するために、データベース・ネットワーク・アルゴリズム・計算量といった、特定の言語に依存しない知識が求められます。

推進するうえでの注意点

  • 単一の施策で生産性が大きく上がることはない。 小さな改善を積み重ね、目の前の課題と向き合い続けます。
  • AIを使うこと自体を目的にしない。 まず開発生産性の指標で成果を確認し、そのうえでAIの使い方を見ます。量ではなく使い方を見ます。
  • 推進担当がすべてを担わない。 誰でもSkillを改善できる仕組みを通じて、組織全体で改善し続けられるようにします。
  • 基本が先、AI活用は後。 土台が弱いと、ガードレールもAIも成果を出せません。

関連ページ

Agentic Workflow

レベル2の中心となる、計画・実装・検証をAIに委任する進め方を扱います。

Plugin

推進サイクルの「配布」を支える、Skillなどを組織に届ける仕組みを扱います。

開発生産性の考え方

可視化で読む開発生産性の指標を、定義と3つのレベルから整理します。