だからAIコーディングで“逆効果”になる 〜開発現場で起きる「生産性がむしろ落ちた」の真因〜：特集： その「AIコーディング」は本当に必要か？（1）

生成AIの台頭以降、ソフトウェア開発の現場では「AIコーディング」が急速に広がっている。人材不足や開発スピード向上への圧力を背景に、効率化への期待は高い。だが、コーディングが速くなっても開発は必ずしも楽になっていないという声もある。作業の効率化と、開発全体の生産性は必ずしもイコールではない。生成AI技術の進化が著しい今、開発者はAIコーディングにどう向き合うべきか。

[@IT編集部，＠IT]

　生成AI（人工知能）の活用が開発分野にも広がり、アプリケーション開発の進め方や、開発者に求められる役割が大きく変わりつつある。特に企業がエンジニア確保に苦慮する状況の中では、AIコーディングによって開発工程を高速化することへの期待感は高まるばかりだ。実際、AIにコーディングを任せることで作業時間が大幅に短縮された事例や、効率化の効果を実感する開発者の声も増えている。

　だが、AIコーディングの実践例が積み重なる中で見えてきたのは、必ずしもプラスの成果ばかりではない。「AIコーディングによって作業時間が短縮できた」という、一見すると成功した取り組みの裏側で、開発者を悩ませる新たな問題もまた浮き彫りになっている。

　AI技術の進化は速い。AIコーディングの特性を見誤り、既存の開発プロセスに生かし切れないまま進めば、開発全体の生産性をかえって損なう事態にもなりかねない。開発・運用のプロセスにAIツールを取り入れる動きが広がる中で、本特集では「開発における本当の生産性とは何か」を改めて考え直す。

AIコーディング普及の現場で何が起きているのか？

　見誤ってはならないのは、露呈している課題の本質が“AIそのものの欠陥”にあるわけではないことだ。AIツールの利用にブレーキをかけることが解決策にはならない。もっとも、多くの人がAIコーディングによる作業の効率化を実感する中で、AIツールの活用拡大を止めることは現実的ではない。

　AIコーディングは開発者の間でますます日常化している。下表の通り、＠ITの読者調査「@IT読者意識調査2025年4月『アジャイル・DevOps編』」では、開発運用プロセスにおいてコーディングにAIを利用しているとする回答は、2024年から2025年にかけて、12.7％から30.3％へと大幅に増加している。この伸びは、一時的なブームというよりも、開発現場の標準が変わりつつあることを示していると捉えるべきだろう。

	2025年調査時		前年比	2024年調査時
1	コーディング	30.3％	17.6pt	コーディング	12.7％
2	コードの可視化	17.7％	新規	単体テスト	6.8％
3	要件定義	16.4％	10.4pt	要件定義	6.0％
4	コード変換（モダナイゼーション）	13.4％	新規	全体設計	5.8％
5	全体設計	12.4％	6.6pt	運用	4.8％
6	詳細設計	11.3％	6.9pt	詳細設計	4.4％
7	単体テスト	10.5％	3.7pt	システム／総合テスト	4.4％
8	ログデータ分析	8.5％	新規	レビュー	3.8％
9	レビュー	8.3％	4.5pt	結合テスト	3.2％
10	運用	5.8％	1.0pt	-	-
11	結合テスト	4.1％	0.9pt	-	-
12	システム／総合テスト	3.0％	-1.1pt	-	-
開発運用プロセスにおけるAI利用状況（前年比）

　AIを利用している対象のプロセスに関しては、コーディング以外では「コードの可視化」「要件定義」「コード変換（モダナイゼーション）」「全体設計」「詳細設計」「単体テスト」などと続いている。

生成されたコードの品質

　開発プロセス全体にAIツールの活用が広がりつつある中でも、効率化の恩恵を実感しやすいのがコーディング工程だ。その分、普及のスピードも速く、そこで生じる課題や副作用もまた顕在化しやすい領域だと言える。

　前述の＠IT読者調査の最新版（2026年）によると、AI開発支援ツールを運用管理の観点から見た場合の課題として最も多かったのは、「生成されたコードの品質（バグや脆弱〈ぜいじゃく〉性）の担保が難しい」で、回答割合は28.78％だった。「機密情報の入力や著作権に関する法務・セキュリティ上の懸念」（17.87％）、「ガバナンスや運用ルールの統一が難しい」（17.37％）といったセキュリティ、ガバナンスに関する課題がそれに続いている。

AIを使った開発支援ツールに関する運用管理の視点から見た課題（出典：@IT読者意識調査2026年3月「アジャイル・DevOps編」）

　そもそもコーディングは、ソフトウェア開発プロセス全体の中では一つの工程に過ぎない。AIによってコーディング工程だけを高速化できたとしても、設計やコードレビュー、テスト、運用といった他の工程との整合性が取れていなければ、開発全体の生産性がそれに比例して向上するとは限らない。むしろ、設計品質やレビュー体制、テストプロセスといった周辺工程が追い付かなければ、品質低下や運用負荷の増大につながる可能性もある。

AIが書いたコードの責任を誰が持つのか

　GitLabが2025年11月に公開したレポート「The Intelligent Software Development Era: How AI will redefine DevSecOps in 2026 and beyond」によると、「人間のレビューなしに日常的な業務タスクをAIに任せられる」と回答した割合は37％にとどまっている。AIが開発工程に徐々に組み込まれつつあるとはいえ、AIが人間による検証や判断を完全に代替できる段階に達しているわけではないことがうかがえる。

　こうした状況を踏まえると、AIコーディングがソフトウェア開発プロセス全体にどのような変化や摩擦をもたらしているのかを把握することが重要だ。その上で、AIを開発現場にどのように取り入れるべきかを検討する必要がある。

• 参考記事：コーディングは速くなった、だが「週7時間がムダ」に　GitLabが指摘する「AIパラドックス」の正体

AIコーディングを取り入れるに当たっての課題

　AIコーディングを取り入れる開発現場では、さまざまな問題が指摘され始めている。代表的なものを集約すると、以下の通りだ。

局所効率化と全体工数の乖離（かいり）

　AIによってコーディングそのものは高速化するが、生成コードのレビューや修正、整合性チェックといった工程の負荷が増えることで、開発全体の工数が減るとは限らない。作業単位では効率化しても、プロジェクト全体では逆転現象が起きる可能性がある。

品質管理の脆弱（ぜいじゃく）化

　生成コードが一見正しく動作するとしても、設計意図との整合性や例外処理、非機能要件まで十分に担保されているとは限らない。レビューや品質保証の体制が再設計されないまま導入が進めば、品質管理は不安定になる。

セキュリティリスクの増幅

　AIは既存パターンを基にコードを生成するため、脆弱な実装や不適切なエラー処理も再生産され得る。生成スピードが修正や検証の体制を上回ると、リスクは蓄積していく。

可視性・統制の欠如

　個人単位で利用できるAIツールは急速に広がるが、どの工程でどれだけAIが関与したのかを把握できていない組織も多い。生成量や品質への影響が可視化されないままでは、統制や責任の所在が曖昧になる。

組織間の格差拡大

　AIの出力を評価し、プロセスに組み込む能力を持つチームは成果を上げる一方、役割や責任を再定義できない組織では混乱が生じる。AIは生産性を平準化するどころか、組織間の差を拡大させる可能性がある。

• 参考記事：なぜAIによるエンジニア代替はうまくいかないのか？　“効率化”のはずが、現場で起きている逆転現象
• 参考記事：ソフトウェア開発への生成AI導入で現場が疲弊　どう対応すればいいですか？
• 参考記事：「バイブコーディングが脆弱なコード量産」　99％の組織が直面　レビューや修正リリースを上回るペースで

成功するチームと失敗するチーム

　AIツールを導入したにもかかわらず、開発工数が削減されない、あるいはかえって手間が増えるという“逆転現象”は、開発現場において決して目新しい問題ではない。

　AIは確かに高速なコード生成を可能にするが、それだけで開発全体の生産性が向上するわけではない。過去にも、「CI（継続的インテグレーション）を導入すればリードタイムは短縮できる」「アジャイル開発を採用すれば生産性は上がる」といった言説が繰り返されてきた。しかし実際には、特定の手法やツールを導入するだけで、開発プロセスに存在する構造的な課題が解消されるわけではない。こうした教訓は、これまで多くの開発現場が経験してきたことでもある。

GoogleのDORAレポートでも指摘

　開発の生産性向上とAIツールの導入が、必ずしもイコールにならない実態については、Googleが約5000人を対象に実施した調査結果をまとめたレポート「DORA AI Capabilities Model」でも触れられている。同レポートは、AI支援による開発が一律に生産性を押し上げるわけではなく、既存の組織能力やプロセス設計の違いによって、その効果に差が生じることを示している。

7つの能力と成果の関係を示すモデル図（提供：Google）

　AI導入は単なるツールの追加ではなく、開発組織の仕事の仕方や意思決定の仕組みを変える「組織変革」と捉えるべき面もある。成果はAIモデルの性能の良しあしによって決まるものではない。AIを生かすための開発プロセスや組織構造、評価指標といった仕組みを適切に整えられた場合に、持続的な効果が現れるということだ。

• 参考記事：AI支援開発で「伸びるチーム」「崩れるチーム」を分ける7つの能力、Googleが分析

　問題は、AIの役割をどう定義し、AIの出力をどう位置付け、それに対して誰が責任を持ち、どのプロセスにどう組み込むのかという設計が曖昧なまま導入が進む点にある。

　役割分担や評価基準、レビュー体制を再定義しないままAIを組み入れれば、コード生成の高速化はレビュー負荷や品質リスクの増幅に直結しかねない。AIコーディングを生かせない真因は、ツールの未成熟ではなく、開発組織の設計と統制の未成熟にある可能性が高い。

そもそも「生産性とは何か」

　一部の作業時間がAIツールによって短縮されたとしても、それがプロジェクト全体の価値創出のスピードを押し上げていなければ、生産性が向上したとは言えない。生産性とは単に作業を速くこなすことではない。収益やブランド価値の向上につながる成果を、安定的かつ再現性をもって生み出す能力だと言い換えることができる。

　ゴールドラット博士が提唱した「制約理論」（TOC：Theory of Constraints）は、システム全体の成果は最も弱いボトルネック（制約）によって決まるとする考え方だ。この理論が示す通り、ボトルネックではない工程をどれだけ高速化しても、システム全体の出力は基本的に変わらない。

　AIコーディングは、コード生成という工程を劇的に高速化する可能性を持つ技術だ。しかし、開発プロセスの制約が意思決定の遅さや責任分界の曖昧さ、レビュー体制の未整備といった部分にある場合、コード生成だけを高速化しても全体の成果は伸びない。むしろ出力されるコード量が増えることで手戻りや調整コストが膨らみ、プロジェクト全体としての成果はかえって出にくくなる可能性さえあるのだ。

AIコーディングは未成熟さを露呈させる「装置」？

　反対に、制約がどこにあるのかを見極め、そのボトルネックに対して適切な対策を講じた上でAIツールを活用すれば、開発全体のスループットは一気に大きくなる可能性がある。

　AIコーディングやAIツールは、生産性を自動的に高める装置ではない。既存の開発プロセスや組織が持つ強みと弱みを、それぞれ増幅させる存在だと言える。適切に活用できる組織にとっては生産性向上の強力な手段になる一方で、それを生かせない組織にとっては、開発プロセスや組織運営の未成熟さを露呈させる「装置」となってしまうのだ。

---

　本特集の第2回となる次回は、AIコーディングを実践する開発チームの開発者との対談を通じて、AIツールとどう向き合うべきか、そして「本当の生産性」をどう追求していくべきかを探る。