> ## Documentation Index
> Fetch the complete documentation index at: https://lib.findy.co.jp/llms.txt
> Use this file to discover all available pages before exploring further.

# AI推進の進め方 — 活用レベルと改善サイクル

> AI推進は、生成AIの導入を組織の開発生産性の向上につなげる活動です。前提となる土台、AI活用レベル、推進体制、可視化・配布・浸透のサイクルを解説します。

## 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](https://lib.findy.co.jp/ja/ai/vibe-coding.md)を、AIへの実装の委任は[Agentic Workflow](https://lib.findy.co.jp/ja/ai/agentic-workflow.md)を、Skillなどを組織に配布する仕組みは[Plugin](https://lib.findy.co.jp/ja/ai/plugin.md)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。

| 土台が欠けている状態 | 増幅される問題 |
| - | - |
| コード規約がない | 生成されるコードの書き方がばらつく |
| テストコードがない | 正しさを担保できず、不具合や障害が増える |
| タスクの粒度が粗い | 巨大なプルリクエストが量産され、レビューが破綻する |

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。

| 順序 | 層 | 内容 |
| - | - | - |
| 1 | コード品質・テストコード | 統一された規約、型定義、十分なテストコード |
| 2 | 開発文化 | プルリクエストの粒度、レビュー文化、タスク分解の習慣 |
| 3 | ガードレール | READMEなどのドキュメント、エージェント向けの指示ファイルやルール、規約の明文化 |
| 4 | Skill・Pluginの横展開 | 実証済みのワークフローをSkillにし、組織全体へ配布する |

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](https://lib.findy.co.jp/ja/productivity/why-measure.md)で扱う生産性の3段階とは別の物差しです。

| レベル | 目的 | 対象工程 | AIの役割 | 人間の役割 |
| - | - | - | - | - |
| レベル1 | 速く作る | コード変更・プルリクエスト作成・セルフレビュー | コード生成からプルリクエスト作成、セルフレビューまでを実行する | コード生成の舵取り、セルフレビュー結果の判断 |
| レベル2 | 正しく作る | タスク分解・Issue作成・レビュー | タスク分解と構造化されたIssueの作成、並列での実装、レビュー観点の抽出 | タスクとIssueの方向性の決定、レビュー |
| レベル3 | 必要なものを作る | 要件定義・QA | 現状の把握と要件の構造化、QA観点の洗い出しと実行の支援 | 何を作るかの意思決定、品質の最終保証 |

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。

```mermaid theme={null}
flowchart LR
    A[要件定義] --> B[タスク分解] --> C[Issue作成] --> D[コード変更] --> E[プルリクエスト作成] --> F[セルフレビュー] --> G[レビュー] --> H[QA] --> I[マージ] --> J[リリース]
    subgraph L3[レベル3: 必要なものを作る]
      A
      H
    end
    subgraph L2[レベル2: 正しく作る]
      B
      C
      G
    end
    subgraph L1[レベル1: 速く作る]
      D
      E
      F
    end
```

### 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](https://lib.findy.co.jp/ja/ai/vibe-coding.md)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](https://lib.findy.co.jp/ja/ai/agentic-workflow.md)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。

| 要素 | 内容 |
| - | - |
| タスク分解 | 要件を、AIが処理しやすい単位に分割する |
| Issue作成 | 分解したタスクを、構造化された親子のIssueとして表現する |
| コードレビューの再定義 | AIが担うセルフレビューと、人間が担うレビューの領域を分ける |

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。

| 観点 | 協働（レベル1） | 委任（レベル2） |
| - | - | - |
| 関係性 | 隣で並走するパートナー | タスクを任せる実行者 |
| 人間の役割 | 自分で操作しながらAIの支援を受ける | ゴールと制約を与え、判断が必要なときだけ関わる |
| 任せる粒度 | 1行〜1関数 | タスク、プルリクエスト、フロー全体 |
| 人間とAIの比率 | 1対1 | 1対N（複数のタスクを並列に委任する） |

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

| 資質 | 内容 |
| - | - |
| 幅広い知識 | 特定領域の専門性より、開発全体を広く把握していること。推進はさまざまな領域に関わるため |
| AIへの熱量 | 誰よりもAIを触り、変化を追い続けられること。推進は一日中AIと向き合う仕事であるため |
| 推進力 | 自ら動き、施策が組織に定着するまでやり切れること |
| 影響力 | 周囲を巻き込み、全社に広げられること |

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。

```mermaid theme={null}
flowchart LR
    V[可視化<br/>数値を読み、気づきをSkillにする] --> D[配布<br/>Pluginで全社に届ける]
    D --> P[浸透<br/>通知・定例・育成で定着させる]
    P --> V
```

### 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。

| 軸 | 見るもの | わかること |
| - | - | - |
| 開発生産性 | 1人あたりのプルリクエスト作成数、コミットからオープンまでの時間、レビューから承認までの時間、コメント数、Four Keysなど | 成果に変化が出ているか、どの工程で遅れているか |
| AI活用 | 利用率、セッション数、トークン量とコスト、実行されているSkill・エージェント・MCPの種類と回数 | AIを誰が・どこで・どう使っているか、なぜ成果が出ていないか |

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](https://lib.findy.co.jp/ja/productivity/why-measure.md)で解説しています。

### 配布

作成したSkillやエージェントは、[Plugin](https://lib.findy.co.jp/ja/ai/plugin.md)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。

| 施策 | 内容 |
| - | - |
| 更新の自動通知 | Pluginのリポジトリで前日にマージされた変更を要約し、チャットに毎日通知する |
| 定例でのアナウンス | エンジニアの定例会などで、推進の活動や新しいSkillを定期的に紹介する |
| Vibe Codingのペアプログラミング | 若手がAIと対話して実装する様子を推進担当が横で見て、指示の出し方や使い方を助言する |
| 画面共有 | 推進担当がAIを使って開発する画面をライブで共有し、希望者が見て質問できるようにする |
| 基礎力の強化 | ソフトウェアエンジニアリングやコンピューターサイエンスの学習・資格取得を推奨・支援する |

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

> [card] [Agentic Workflow](https://lib.findy.co.jp/ja/ai/agentic-workflow.md)
>
> 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。

> [card] [Plugin](https://lib.findy.co.jp/ja/ai/plugin.md)
>
> 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。

> [card] [開発生産性の考え方](https://lib.findy.co.jp/ja/productivity/why-measure.md)
>
> 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。


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.