Claude Code の活用事例

個人開発者(Isamu氏)が、AIエージェント(Claude Code)を使った高頻度のバイブコーディングを6週間Macで連続稼働させた。Macの起動に約20分かかる事象が発生。Claude Codeに設定変更や削除を伴わない読み取り専用の診断を依頼。強制リセット時の診断ファイルから、起動時にdirhelperが一時ファイル(/private/tmp)の削除完了を待っていたと推定。/private/tmpには起動から9時間半時点で約99万ファイル(Claude Codeの作業ディレクトリ内のclone群が主体)1日あたり約600GBの書き込み(総書き込み251TB、SSD消耗6%)。ある開発用サーバーが11秒で約1800個の子プロセスを起動していた。

AI駆動の超高速開発は、コードだけでなくOSやディスクといった物理層にも負荷の副作用を出す。起動遅延の主因は一時ファイルの「数」であり、ディスクの速さよりファイル数の削減が効くという示唆がある。著者自身、未検証の推定が含まれると明記している。

1on1練習アプリ「キクレン」の共同開発で、実装をClaude Code、レビューをCodexに任せ、Issue起票からPR作成・レビュー・修正まで多くをAIエージェントが担当。レビュー用エージェントがPR本文を更新するたびに(editedを拾うworkflowで)6ジョブが走り、1PRで指摘修正とpushを5〜10回繰り返し、concurrency未設定で古いrunもキャンセルされなかった。GitHub Free orgの月2,000分の無料枠(ジョブ単位で1分切り上げ課金)を使い切り、同orgの全リポジトリのCIが数秒で失敗。対策として規約検査をpr-checksの1ジョブに統合、editedを拾うworkflowの絞り込み、検査系にconcurrency設定を実施。Billing APIの確認にはadmin:org権限が必要でエージェントからは残量が見えなかった。

エージェントは本文を丁寧に更新し指摘にすぐpushするなど正しく動いても、課金の仕組みと無料枠の残量が見えないためCI分数を膨らませる。削減後も月約2,760分で無料枠を超え、2か月続けて月の後半にActionsが止まり、ローカルのpre-pushフックで代用した結果CIが赤いままマージされることが常態化した。使用量の確認と課金ルールの明文化は人が行いエージェントに制約として伝える必要がある。

e-dash のエンジニアが、Next.js(TypeScript) アプリの PR CI(GitHub Actions、ubuntu-latest 2CPU、テストは Vitest)が最長18分超に膨らんだため、まず Claude Code に実行時間の内訳を計測させた。結果、400秒のうちテスト本体は57秒(約14%)で、残りは起動オーバーヘッド(DOM不要のテストも含め全て jsdom で実行、jsdom起動だけで224秒)と、2CPUでワーカー1つの直列実行が原因と判明。対策は4つ。①Vitest projects で .ts は node 環境・.tsx は jsdom に分け、ワーカーを2並列に(テストのジョブ全体 約18分→約12分)、②マイグレーション適用済みDBを pg_dump して Actions キャッシュ化(DBセットアップ 約5分→約2分15秒)、③ユニットテストとインテグレーションテストを別ジョブにし --shard で2分割、カバレッジは blob レポートで合算(テスト関連の待ち時間 9分39秒→5分15秒)、④node_modules をキャッシュ復元(Node セットアップ 41〜47秒→17〜29秒)。キャッシュ増で Actions キャッシュが11.9GBとなり上限10GBを超えたため、Docker ビルドキャッシュを mode=min にするなどで1PRあたり約1.7GB(推定)→673MBに削減した。

AI コーディングエージェントでテストが増え CI が肥大化する副作用(テストファイル数は7月初め89→10月初め432)を、まず Claude Code に内訳を計測させることで特定した事例。ボトルネックはテスト本体(約14%)ではなく環境の起動オーバーヘッドで、施策を考える前に測ったことが最も効いたと筆者は述べている。記事で Claude Code が担ったと明記されているのは計測部分で、各施策の実装主体は本文からは判別できない。

株式会社Storeeelのエンジニア2名(小坂さん・後藤さん)へのインタビュー。デザインは生成AIツールlovableで社内メンバーと確認しながら確定。デザイン確定後はClaude CodeやCodexなどのコーディングAIでコードを生成し、そのままリリースまで進める。ビジネス側はChatGPTやGeminiなど複数の生成AIでリサーチ。AIの出力後は一度メモリをリフレッシュして忘れさせ、フラットな目線で再レビューさせ、別モデルにも聞いて多角的にチェック。動作が大きく壊れるリスクのある機能は人間が必ずレビュー。

デザイン・実装・リサーチ・レビューの各工程にAIを割り当て、レビューはメモリをリフレッシュして別モデルでも確認する運用にした。リスクの高い部分だけ人間が見る境界線を引いている。効果は本人が「体感ベース」と述べており、厳密な計測値ではない。

Ridge-i取締役の市來さんが、約3年前(2023年)から生成AI活用を本格化し、開発でCursor・Claude Code・Codex・Copilotを併用。営業メンバー5〜6名が、デモ(モック)作成に主にClaude Codeを使用。イメージを持ち、的確に指示し、出力コードをレビューしながら進める。作ったモックはプロジェクト開始時にエンジニアへ引き継ぎ、ノウハウを共有して開発へ。社内勉強会に営業も参加、SlackでTips共有、チームのClaude Codeプロンプトはマネージャーがベースを作り合意のもとで更新。

従来はデモ作成にエンジニアの稼働が大きくかかっていたが、Claude Codeで営業自身が作れるようになり、顧客と壁打ちしながら数日後にプロトタイプを見せて商談が進む事例が出た。開発ではClaude Code等のエージェント導入後、導入前比で開発スピードが倍以上になり、特にPoC段階の「とにかく動かす」工程が効率化された。

SmartHRのエンジニアが、情シスプロダクトの新機能開発でClaude Code向け「ハーネス」を先に構築。構成は手順を書いたスキルファイル、進行状態を持つJSON、完了条件を判定するシェルスクリプトの3点セット。実装エージェントは分解したタスク1つにつき1体を起動し、TDDで実装してコミットまで行って終了する。全タスク完了後に1回だけ、仕様突合・並行性・認可・機能の完結性の4観点のレビュアー4体を並列起動。データモデル設計など設計余地のあるタスクにはOpus、定型のAPI/画面追加やテスト追加中心のタスクにはSonnetを充てた。

AIに任せる前に、完了条件を機械検査する仕組みと進行状態の外部化を先に整えたことで、1回の起動でタスク1つだけ進める運用が可能になり、コンテキストの肥大化やデグレを抑えられた。仕様と規律を絞って渡すため、迷う余地の小さいタスクはSonnetでも結果が安定し、モデルの使い分けでコストも抑えられる。

IPAの短信(2026年6月8日〜8月10日の収集分)の1項目として、Wizが公表した欠陥パターンGhostApprovalを要約している。悪性リポジトリのシンボリックリンクの解決先をエージェントが検証せずに追随し、作業領域外の~/.ssh/authorized_keysなどへ書き込めてしまう。確認ダイアログには元のファイル名しか出ない例や、承認ボタンの表示前に書き込みが済む例(Windsurf)、確認なしで領域外を読み書きする例(Augment)がある。

AIエージェントが内部では危険な解決先を認識していても、利用者への承認画面に反映されなければ同意が形だけになる。6製品中、AWS・Cursor・Googleは修正とCVE採番(Googleは修正のみ)に動いた一方、Anthropicは信頼済みディレクトリでの承認を前提に脅威モデル外と回答し、ベンダー間で対応が割れた。コーディング支援を導入する側は、承認UIの表示内容と実際の書き込み先が一致するかを確認する必要がある。

The Pragmatic Engineerの取材によると、Claude Code開発チーム(1人から約10〜12人に拡大)は、モデルが熟知した技術スタックを選び、Claude Code自身でClaude Codeを開発している。コードの約90%がClaude Codeで書かれ、Anthropicのコーディングするエンジニアの80%超が日常的に使う。

Anthropic全体でエンジニア数が倍増した時期に、PRスループットが67%増えた。通常はチームが倍増するとエンジニア1人あたりのPRは減るため異例とされ、夏の間は1日約5本のPRを出していた。数値は取材記事内の記述で、因果の主張は記事側のもの。

2026年6〜8月の3か月、インフラ専任のいない3〜7名のチームが、Claude Code(VSCode拡張とターミナル)とsuperpowersで、調査、設計書、実装計画、TDDの順に開発した。設計書は人間向けのdesign.md、実装計画はAI向けのplan.mdに分け、OpenAPIをAPI型の正とし、CLAUDE.md・共有メモリ・HANDOFF.mdでルールとセッション間の引き継ぎを管理した。adb経由でAndroidエミュレータをAIに操作させ、スクリーンショットで画面を判定し、Firebase MCPでCrashlyticsのFATALを調査している。コミットは人間が行う。

ボトルネックはAIではなく人間のレビューと意思決定で、「人間が決めてAIが回す」分業が要点とされる。落とし穴は6つ(誤情報の混入、引き算が苦手、ドキュメント膨大でレビューが追いつかない、設計と実装のズレ、前提の欠落、Git事故)。未コミット27件が消えかける事故もあり、実装結果の設計書への書き戻しを完了条件にするなどで対処した。

社員と業務委託の計59名(役員含む)を対象に、2026年7〜8月、全社共通の実行環境でClaude Codeの研修を実施した。業務手順を「スキル」として全社の共有基盤に登録・検索でき、他の社員のAIが同じ手順を実行できる仕組みを構築した。デザインシステムもAIが参照できる形式で整備し、デザイナー以外の制作物にもブランド規定が自動で適用される。

個人の習熟度に依存させず、手順を共有基盤に載せて「会社の仕組み」として定着させる設計。活用で生まれた時間の使い道は「業務改善・仕組み化」が最多だった。数値は自社アンケート(有効回答51名)の自己申告で、規模は小さい。

金沢市の精密加工会社・岡田研磨の専務(元富士通の営業職)が、プログラミングの知識がほぼない状態からAIとの対話を1500時間以上重ね、Claude Codeで社内アプリをフルスクラッチで内製した。手順書作成アプリでは、現場社員がタブレットで作った手順書をAIが100点満点で採点して改善案を出し、1点25円の報奨金を支給する。生産実績・設備稼働・不良・勤怠などのアプリも、同一のデータベース上でデータを紐付けて管理している。

専務は時間や紙の削減を目的ではなく結果と位置づけ、本当の目的は自社データ(コンテキスト)の蓄積だと述べる。外部SaaSを連携設計なしに入れるとデータが分断されAIの横断分析の障害になるため、内製して同一DBに集約する方針。50件程度だった手順書は、AI採点と報奨金の仕組みで1年足らずに290件が現場主導で集まった。

ClassLabのエンジニア約10名のチームが、コードを書く道具をGitHub Copilot、レビュー・設計・分析・複数ファイル編集をClaude Codeと役割分担して全員で使った。Claude Code側はルール・フック・権限の基盤層、エージェントとスキルの専門層、10以上のMCPサーバーによる外部連携層の3層で構成した。導入は環境標準化に1週間、ペアでの移行に2週間を充て、その後は運用ルールを継続的に見直す3段階で進めた。方針は「Copilotで書いて、Claude Codeでレビューする」で、数値は導入3か月後の実績として報告されている。

コードを書くAIとレビューするAIを分け、環境の標準化から段階的に広げる導入設計が、待ち時間やPR数といったチーム指標の改善につながっている。数値は自社報告で、第三者による検証はない。

クラウドセキュリティ企業WizのDSPMチームは、信頼できるGo製PDFライブラリがなく、5万行超のPython製pypdfをリソースの重いサンドボックスで動かしていた。Claude Codeにこれを移植させ、1時間ほどで基本機能が動き、約10時間後には社内の500件の難しいテストPDFを通過した。本番では機能フラグの裏で元実装と結果を比較した。残る約1%の不一致は、Claudeが機密情報を含まない構造情報だけを取り出す診断ツールを作って切り分けた。

旧実装との並行比較と、顧客データを外に出さない診断ツールの組み合わせが、移植を安全に本番へ載せる鍵になっている。工数削減や出力20〜30倍の見積もりは当事者の自己評価で、第三者の計測ではない。

PwCでレガシー/メインフレーム刷新を率いるパートナーが、Claude Codeを使った社内研修を実施した。チャットUIではなくVS Code上のClaude Code CLIで行い、1行のインストールスクリプトで環境構築の手間を省いた。CLAUDE.mdに組み込んだ「コーチ」プラグインが最初のプロンプトを案内し、提案依頼への回答、機能・技術仕様書の作成、アプリ構築の3業務を模擬した。

開発者でない人にも、CLAUDE.mdで初手を誘導する仕組みがあれば1時間規模の研修で導入できる。効果の中心はコード生成より分析にあるという現場の見方も参考になる。

ネット広告事業会社の広告プラットフォーム事業部チームが、「開発生産性2倍」を目標に、AWS提唱の開発手法AI-DLC(OSSのaidlc-workflows)とClaude Codeを組み合わせ、レガシーコードのモダナイズ案件に適用した。従来使っていたSWIFTメソッド(イベントストーミングで仕様を整理する手法)の工程を、AI-DLCのInceptionフェーズに置き換えた。計測指標は1日あたりのマージ済みPR数と消化タスク数で、導入前後を比較した。

数値はPR/dayが1.8→2.3(約1.3倍)、task/dayが1.9→2.1(約1.1倍)で、目標の2倍には届かなかった。良かった点は、事前に合意された仕様文書ができて実装時の不安が減ったことと、ストーリーライティングやIPMのコストがなくなったこと。課題は、設計ドキュメントが1機能で800行超になるなど冗長でレビューが重いこと、PRが約4,000行に膨らみ3本に分割し直したこと、レガシーとの挙動一致の検証に時間がかかったこと。今後は仕様ドキュメントの枝刈りと、タスク分割への人間の関与で改善を進める。

Salesforceは開発組織全体でClaude Codeへ移行し、開発者1人あたりのトークンを無制限にした。33本のAPIエンドポイント移行では、従来なら231人日かかる作業を13日で完了したと同社幹部が述べた。PRは5本で、最大の1本が21エンドポイントを含む。

開発者あたりのマージPRは79%増、完了ワークアイテムは50.8%増、インシデントは5%減と同社は説明する。ただし記事自身が、外部監査や独立した測定はなく数値は第三者検証できないと明記している。成果は自己申告値として扱う必要がある。

筆者が9月開始の自作サービス「ccbox」のCM動画4本(15秒2本・30秒2本)を、8月3日に公開された動画生成AI「MiniMax H3」(モデル約40GB)で制作。VRAM 16GB級のゲーミングPCでローカル生成し、台詞・効果音・音楽まで同時に作る。ローカルは縦768px止まりのため、最終の高詳細化(2K)だけ公式クラウド(有料)で再生成し、指示出しにはClaude Codeを使った。

試作の反復をローカルで済ませ、仕上げだけ課金する分業で、CM級の動画が安く作れる。見出しの「約720円」は仕上げの費用を指す数字で、無料公開部分に内訳の記載はない。記事は「弱点」や無料ライセンスの落とし穴にも触れるが、その詳細は会員限定部分のため確認できていない。筆者は自作サービスの開発者で、CM対象も自作サービスである点に留意。

Spotify社内開発者プラットフォーム「Portal」のPrincipal Product Manager Dimitri Mazmanov氏が、Claude Codeのフック機構を使って作った「shunt」というプラグインを紹介。ファイル一括読み取りのようなI/O中心のタスクを安価なGoogle Gemini 2.5 Flashへ委譲し、複雑な推論だけをClaudeに残すルーティング設計にした。

「AIコーディングエージェントの仕事の大半は思考ではなくI/Oである」という着眼から、モデルを一枚岩で使わずタスクの性質ごとに安いモデルへ振り分ければコスト構造を変えられる。エンジニア1人あたり月200〜2000ドルのトークン支出という現実への具体的なコスト最適化策になる。

サイバーエージェントのWINTICKET事業部が、ビジネス職・デザイナー職24名を対象にターミナル操作からGit、Claude Codeの使い方、GitHub運用、セキュリティまでを扱う全6回の研修を実施し、最後に選択式12問+記述式8問(合格点80点)の認定試験を課した。

非エンジニアでも体系的な座学と認定試験を組み合わせれば、実際にコードを書いてPull Requestを出すところまで到達できる。研修後1ヶ月でビジネス職からのGitHub PRが13件を超え、複数メンバーが独自のClaude Codeプラグインやスクリプトを作って社内展開した。

グッドパッチ(従業員約200人)は2026年3月、バックオフィスを除く全事業部門に「3月中に1つのアプリを開発してデプロイする」よう指示した。CEO自身が2月にClaude Codeを個人で試し、年間300万円相当のSaaSと同等の機能を半日で作れたことがきっかけだった。当初は様子見の社員が多く進捗管理を厳格化して取り組みを進めた。

経営トップ自身が小さく試して手応えを得た上で、期限付きの全社義務化と進捗の可視化を組み合わせたことが、コーディング未経験者の86%という高いデプロイ成功率につながった。

Twilio の幹部エンジニア1人が Claude Code と51日間で、テストの生成と改善を自動で回す「Feature Factory」を構築した。90日間で1,000コミット、425個の MCP ツール、npm パッケージ公開に至り、手動では見過ごされていた同一パターンのバグ29件を横断検出した。手動承認ゲート方式から自律運用へは23の設計判断を経て40日で移行した。

個人でも、役割を細分化したサブエージェント群と「承認ゲート付き→ヘッドレス」の段階的自律化を設計すれば、数十日単位でチーム規模の開発生産性に近づける可能性がある。一方で、どの時点で承認ゲートを外すかという権限設計と、基盤(MCPサーバー等)障害時のフォールバックの検討が実運用の成否を分ける。

株式会社アウトバーンが、宮城県仙台市のブランド/EC事業会社・株式会社レニクスに対し「Claude Code・AI駆動開発研修」を3日間実施した。受講者の半数以上がプログラミング未経験の非エンジニア中心のメンバーで、システムの基礎構造理解からClaude Code実践、Gitを用いたチーム開発、実務アプリ開発までを学んだ。最終日には、ボタン1つで領収書PDFを一括ダウンロードする「領収書自動収集システム」やAmazon API連携の「在庫管理システム」など、実務で使える8つのプロダクトを1日の開発時間で完成させた。研修満足度は全日程・全項目で受講者全員が5点満点だった。

プログラミング未経験者でも、AI駆動開発研修という短期集中の型を与えれば数日で実務利用可能なツールを内製できる。外部ベンダーに発注する前に、社内の非エンジニア人材を「AIを使って作る側」に育てる選択肢がコスト・スピード両面で有効という示唆になる。

オーエムネットワーク株式会社は、レガシー基幹システム AS/400 上の帳票発行系プログラム約20本の改修(2026年7〜8月)に Claude Code を使った。従来はベテランに依存していた改修作業を若手エンジニアが主体で進め、手厚いレクチャーなしに構造を自力で理解してリリースまで完遂した。人間による確認工程は残したまま、手作業比で約30〜40%の作業時間削減になったとしている。

レガシー基幹システム(AS/400等)の改修は属人化・技術継承の壁が課題になりやすいが、AIコーディング支援ツールを「若手が構造理解する補助」として使うことで、ベテラン依存からの脱却と若手育成を同時に進められる可能性を示す。ただし人間による確認工程は省略しておらず、AI活用は自動化ではなく作業時間短縮+教育効果という位置づけである点に留意。

Bright DataのSNSスクレイパーを使い、Google検索のSERP API(site:x.com Claude Code after:2026-07-08 等)でキーワード関連URLを洗い出したうえで、X/Instagram/TikTokそれぞれ専用のスクレイパー(tiktok_posts、instagram_reels等)に投げていいね・ビュー・コメント・シェア等の指標を取得する2ステップ構成。コードを書かず「AIに指示するだけ」で一連の収集を実行できる点を非エンジニア向けの利点として紹介している。対象期間は2026年7月8日〜7月15日の直近1週間。

Xはいいね・RT・ビュー数がまとめて取得しやすい一方、Instagramはビュー数取得が難しく(bot対策)、TikTokはいいね・ビュー・コメント・シェアの4指標が最も充実していたなど、プラットフォームごとにスクレイピングで取れるデータの粒度が異なる。バズった投稿は「AIに仕事を任せながら休む/映画を観る」といった共感と笑いを誘うミーム系、または「未経験でも使える」という敷居の低さを訴求するものが多く、フォロワー数の規模は拡散量に直結していなかった。

LayerXバクラク事業部のQAエンジニア(koyatest氏)が、JSTQBの「早期テストで欠陥を予防する」原則を、Claude Code Agent Skillsとして実装。①プロダクトのフェーズ(市場投入期か運用期か)ごとに目指す品質を定義、②プロダクトごとの固有リスクとカバレッジ基準(Capers Jones氏の論文を参考)を定義、③既存のテストピラミッド(各テストレイヤーの検証内容)を統合。Claude Codeはタスク投入時にフェーズ判断→リスク評価→基準適用を自律的に行い、全プロダクトのリスク情報を一括で読むとコンテキスト圧縮(compaction)で精度が落ちるため、対象プロダクトのリスク情報のみ読み込む設計にした。

品質基準を暗黙知のまま放置せず、フェーズ別・リスク別に言語化してAgent Skillsへ組み込むことで、AIが自らリスクの高い箇所を判断し、堅牢な実装とテストを自動生成できるようになった。skill-creatorのEvalsで効果測定も実施済み。

ZOZOのブランドソリューション開発本部ZOZOMO部FBZブロックが、Fulfillment by ZOZO(FBZ)のシステム構成図をClaude Codeで自動生成・自動更新する仕組みを構築。ソースコードと構成図の間に規約ファイル(conventions.md)と構造ファイル(structure.yaml)という中間ファイルを挟み、D2言語でテキストベースの図定義を自動生成、GitHub Actionsでリリース時に自動更新、/create-diagramというスキル(コマンド)でワークフロー化した。

従来1時間以上かかっていた構成図作成が、微調整込みで10分程度に短縮され、従来のおよそ6分の1の作業時間短縮を実現した。

NEC(日本電気株式会社)公式プレスリリース(2026年4月23日付、正式タイトルは「NEC、Anthropicとエンタープライズ AI 分野を中心に戦略的協業を開始」)。日本企業として初めてAnthropicのグローバルパートナーとなり、①金融・製造・自治体向けの業種特化AIソリューションをデスクトップAIエージェント「Claude Cowork」で共同開発、②自社の価値創造モデル「BluStellar Scenario」にClaude Opus 4.7とClaude Codeを導入、③NECグループ約3万人にClaudeを展開しAIネイティブ人材を育成、④Anthropicの技術支援・トレーニングを受け社内にCoE(Center of Excellence)を設立してClaude Codeを活用した国内最大規模のAIネイティブエンジニア体制構築を進める、という4本柱の協業内容。

・国内最大規模となる約3万人規模でのClaude導入を、大手SIer(NEC)が「戦略的協業」の形で発表した事例。・Claude CodeはCoE(社内専門組織)を通じた開発者向けエージェント活用として位置づけられており、全社員一律ではなく段階的な体制構築が計画されている点に留意。・発表時点では協業開始のアナウンスであり、生産性向上や導入効果を示す定量数値は本文中に一切含まれない(将来の追跡調査対象)。

Stripeの開発インフラチームが Claude Code を全社1,370人のエンジニアのノートPCへ事前インストールし、署名付きバイナリでセキュリティ要件を満たしたまま設定不要で配布した。適用例として1万行のScalaコードをJavaへ4日で移行している（手作業なら約10週間相当）。AIを「文脈が足りない優秀な新人」として扱う教育の枠組みで、期待値の置き方とプロンプトの書き方を社内に広げた。

高い稼働率が求められる基盤事業でも、署名済みバイナリと設定不要の配布にすればセキュリティ面の障壁を越えて全社展開できる。言語間移行のような定型で工数の大きい作業に効果が集中して出る。

PR作成前に実装者がローカルで Claude Code（依存関係定義に基づく影響分析と仕様整合チェックのSkill）と CodeRabbit CLI（diff内のコード品質チェック）を並行実行し、問題を潰してから人間レビューに回す。PR作成後は CodeRabbit がGitHub上で自動レビューする。6件のPRで両ツールの指摘を突き合わせたところ一致は5件しかなく、Claude Code は仕様乖離・影響範囲、CodeRabbit は diff 内の具体的なバグ修正案に寄っていたため、この分担をそのまま採用した。

AIレビューを人間レビューの代替ではなく前段のフィルタとして置き、ツールごとに得意な観点で分担させると、レビュー待ちという組織のボトルネックに直接効く。一方で承認までの判断時間自体は縮まっておらず、ボトルネックが着手待ちから承認判断へ移ったことを記事自身が限界として書いている。

デジタルヘルス企業League(北米、規制業界向けに約12年間ベネフィット管理・ケアプログラム・会員向けアプリを開発)が、金曜にClaude Enterprise契約を締結し月曜には全社導入を完了。Claude EnterpriseとClaude Codeをエンジニアリング組織全体に展開し、Claude Code上に構築した社内オーケストレーションツールも活用した。

エージェント型のメンバー体験へ市場が向かうと判断し、従来型のソフトウェア開発アプローチでは対応できないと見切って導入を決断。結果、アイデアからプルリクエストまでの製品開発サイクルタイムが半減し、Claude採用率は全社ロールアウト開始時の80%から98%まで上昇した。エンジニア以外の部門にも導入が広がり、財務チームは60以上の財務プロセスを自ら自動化するなど、規制業界でも本格的にコード生成AIが定着した事例。

JX通信社は元々、権限管理をTerraform(IaC)化したが、HCLをエンジニア自身が手書きしてPRを出す運用は学習コストと手間の面でハードルが高かった。そこでGitHubのIssueテンプレートに `@claude 実装して` の一文をあらかじめ仕込んでおき、申請者はテンプレートの入力欄（ユーザー名・付与したい権限など）を埋めるだけで、Claude Code GitHub ActionsがTerraformコードの差分を自動生成してPull Requestを作成する仕組みにした。さらにterraform planの長大なログはGemini APIで自動解説・レビューさせ、破壊的変更の見落としを防いでいる。利用はAnthropic直契約ではなくGoogle CloudのVertex AI経由（従量課金）とし、稟議申請なしで導入した。

非エンジニアやTerraformを普段書かないメンバーでも、日本語のIssueフォームを埋めるだけでIaCのPRが作れる「セルフサービス化」を実現した点。HCLの学習コストという参入障壁を、Claude Codeを申請フローの裏側に組み込むことで消した。

ファストドクター株式会社のオンライン診療事業本部が、Cursor・Claude Code(SubAgent生成機能を含む)・カスタムAgentを組み合わせて開発プロセスを再設計。「Cursorや Claude Codeなどのツールを使うことで3〜5倍程度はコーディングを速くできるように感じます」という体感をもとに、3ヶ月でPR数200%向上を目標に週次でマージ済みPR数を追跡した。

開発生産性向上の取り組みは「AIツール導入」だけでなく、週次目標設定とPR数の実績トラッキングをセットにすることで、体感的な高速化を組織的な成果指標(3.2倍)として可視化できる。

HubSpotがエンジニアリング・マーケティング・カスタマーサクセスの各チームでClaude Code(MCP経由でHubSpot基盤に接続)・Claude Projects・Claude Sonnet 4.5を導入した公式導入事例(Anthropic公式)。

マーケティングチームはClaude Projectsでキャンペーン文脈を集約して生産性を最大40%向上。カスタマーサクセスマネージャーはClaudeによる直接トラブルシューティングで、顧客エスカレーション対応の技術調査を大幅短縮した。

DeNAスポーツプラットフォーム部が新規サービス開発で、API仕様レビューやコードレビューに特化したサブエージェントをClaude Code・Cursor上に構築。PR作成時に変更ファイルの種類に応じて適切なエージェントが自動実行され、Claude Code ActionsとGitHub Actionsで自動レビューを行う。

機械的に検出できる指摘をAIに委ね、人間は設計・ロジックといった本質的なレビューに集中する役割分担が、レビュー回数・コメント数という定量指標で効果を示している。

Sansanインフラチームが、環境あたり約750リソースが1つのStateに肥大化していたTerraform構成をClaude Codeで分割。設計ドキュメントに構成・命名規則・実装方針を明記→Plan Modeで計画確認→Auto Applyで実行、git-worktreeで複数セッションを並列実行した。

Claude Codeにいきなり実装させず、設計ドキュメント作成→Plan Mode確認→並列実行という段階を踏むことで、大規模インフラのリファクタリングでも工数を実測ベースで圧縮できる。

Zenn運営チームがClaude Codeを使い、zenn-editorモノレポ内の複数package.jsonを段階的に最新化。DevContainerで隔離実行し、simple-git-hooksとsecretlintでシークレット漏洩防止のガードレールを追加。WebpackからRspackへも移行した。

Claude Codeの自律作業は、DevContainerでの隔離実行やsecretlint等のガードレール整備とタスク分割があってこそ、大規模刷新でも安全に効果を出せる。

非エンジニアの採用担当者(著者しおどめ)が、Claude Code・Typefully・xmcp(X公式MCP)・n8nを連携させた自動化パイプラインを設定15分で構築。Claude Codeが翻訳・要約・スレッド分割を生成し、Typefullyの下書きキューで採用担当者本人が1クリック承認した上で投稿する『生成→人が承認→投稿』の3段階構成とし、90日ほぼ放置で運用した。

最終承認を人間が行う承認フローを組み込むことで、AI自動生成でも炎上リスクを抑えたまま長期放置運用が可能になる。非エンジニアでも15分の初期設定で3ツール連携を構築できる点が鍵。

Sansan Tech Blog(Contract One Engineering Unit、著者naoya_takahashi)の一次発信(2025-09-08)。緊急時以外は全コードをAI(Claude Code等複数ツール併用)に書かせる「LLM Week」(7/7-7/13)を実施し、AIコミット比率・AI/人間のコード量・PR件数・PRレビューリードタイム・リリース数を、前後の週(6/23-6/27, 6/30-7/4, 7/14-7/20, 7/21-7/27)と比較して継続計測。

AIコミット比率を45%→80%まで引き上げても、PR件数減少・レビューリードタイム悪化・リリース数の非回復という副作用が生じることを実測データで示した点が貴重。著者自身が「単純なAI活用率の向上だけでなく、その質と運用方法が生産性向上の鍵」と結論づけており、AI活用量の増加が自動的に開発生産性向上に直結しないという反直感的な知見を一次データで裏付けている。