発見と検証を別のAIエージェントに分離し、出典と数値が一致した事例だけを収録しています。
日本の開発分野におけるAI活用実例一覧です。 全153件中 51〜100件目を表示しています（2/4ページ目）。
出典を独立照合し、一致しない事例（384件）は掲載していません。検証プロセス
Sansan独自のAIテスト設計ツール「AITAS」でテスト分析・観点出し・ケース作成を実施。自動E2Eテストは生成AIでPlaywrightコードを生成し、人間が補足・追記して精度100%に仕上げる。コード生成モデルはCopilotやChatGPTより社内評価が高いClaude Code（現時点でOpus 4.6）を採用。
Sansanとfreee共催のQA×AIイベントレポート。自社開発ツール「AITAS」でテスト設計工数を機械的に54%削減し精度85%を実測、さらに自動E2Eテストコード生成にClaude Code(Opus 4.6)を採用しCopilot/ChatGPTより高評価という一次情報付きの具体的検証事例。
AITAS精度85%・工数54%削減、自動E2EテストはAI生成70〜80%精度→人間補足で100%精度
スマートバンクのサーバーサイドエンジニア(nisshyi)が、Anthropic提唱のオープンプロトコル「Agent Client Protocol (ACP)」でエディタとAIエージェントを標準通信させる仕組みを解説し、Zed Industries製アダプター「claude-code-acp」(Apache License 2.0)を使ってClaude Code SDKをACP形式に変換する実装を、初期化フェーズ→セッション設定→プロンプト送信の3段階の通信フローで体験するチュートリアル(2026年1月22日公開)。
Claude CodeをAgent Client Protocol経由でエディタ非依存の標準インターフェースとして組み込める実装例。エディタ側のカスタム統合コストを削減する設計思想が示されている。
Claude Codeのプラグイン機能発表(2025年10月9日)の翌営業日に社内向けプラグインマーケットプレイスを立ち上げ、以後2ヶ月間ボトムアップで有志が「claude-plugins」リポジトリに複数プラグイン(sync-main/magi/mr等)を公開。各プラグイン定義ファイルは50〜300行程度のmarkdownで軽量、MR自動修正モードは最大5回まで反復。
Claude Codeプラグイン機能公開直後から社内ボトムアップでプラグイン群(MCP設定一元管理・MR自動修正等)が自然発生し、定義ファイルが50〜300行の軽量mdで済むため非エンジニア含む有志が量産できた事例。App Factoryの.claude/skills運用（軽量skill定義でボトムアップ拡張）と同型のパターンとして参考になる。
記事内に金額記載なし
Claude Code Skillを用いて、長期記憶(knowledge=過去の実験記録を構造化したMarkdownファイル)と作業記憶(scratch=セッション内一時情報)を使い分け、推薦モデル改善のPDCAを半自動で実行。AIが改善提案を生成し、人間が方針選択・コードレビュー・実験実行を担当する体制。
記憶を「長期(構造化Markdown)」と「短期(セッション内scratch)」に分離することで、AIが単発の思いつきでなく過去の実験を踏まえた改善提案を継続的に出せるようになる。人間は方針選択・レビュー・実行に専念でき、チーム内で出なかった着想(既存手法の非自明な応用)も得られた点が示唆的。
13件の改善提案のうち8件が実験段階へ進み、3件で有意な改善、2件で横ばい、3件で性能低下という結果。
PdM含む上流工程チーフ2人がまず「PRDからDesign Doc」「Design DocからPBI」「JIRAチケット実装」の3スキルを2週間で作成。3〜4週目はモブ開発でPdEメンバーへ展開して再現性を検証。5週目に本実装へ急拡大したところ暗黙知がチーフ個人に偏っておりベロシティが急落。6〜8週目は週次30分の「開発生産性ミーティング」でのライブデモ・専用Slackチャンネル・継続的なスキル改善という立て直し策で回復させ、1スプリント1人あたりのマージ済みPR数中央値を3.75件→6.33件(+68.9%)まで引き上げた。
「AI活用ツールを配布すれば定着する」という前提が5週目のベロシティ急落という失敗で崩れ、「使い方の暗黙知が特定個人にしかない」ことが真因だと特定した上で、デモ・専用チャンネル・継続改善という地道な組織施策で立て直した点が示唆的。技術導入の成否は最初の仕組みづくりより、失速後の立て直しフェーズの設計にあることを示す実例。
開発生産性+68.9%(1スプリント1人あたりマージ済みPR数中央値 3.75件→6.33件)、実装期間8週間、チーム規模PdE3名+PdM1名+スペシャリスト数名
10年以上のQA知見とClaudeを組み合わせ、仕様分析・テスト設計を自動化するAIエージェントを本格導入。対象部門内のClaude Code導入率は92%(2026年2月時点)に到達しており、試験導入した工程で作業時間を実測検証した。
QAという「属人的なドメイン知見に依存し自動化しづらい」とされてきた工程で、ベテランの知見を先にAIエージェントへ落とし込んでから展開したことで、試験導入段階でいきなり半減という効果を出せている。開発サイクル全体のリードタイム40%短縮という川上への波及効果まで見込んでいる点が実務的。
試験導入で対象工程の作業時間を約8時間→約4時間に半減(50%削減)、QA工程全体で将来的に最大80%の省力化を計画、開発サイクルのリードタイムを40%短縮見込み、対象部門のClaude Code導入率92%
Slackメンションで起動しGCE上のDockerコンテナに常駐する"Ambient Agent"としてpcp-agentを設計。Claude Codeをエージェント実行エンジンに採用し、remote-claudeという薄いラッパーで複数ドメインへ横展開可能にした。セキュリティはauth-proxyによるネットワークレベル認証情報注入・PreToolUse hookのfail-closed強制・Denyルール・コンテナ隔離・IaC管理の5層防御。PostToolUse hookでツール実行を捕捉しDXへ送信し、スキル別・ツール別の利用状況を「能力でなく採用」で計測する。障害・アラート調査の一次切り分け、日次トリアージ、問い合わせ調査、週次サマリー生成、PR監視・Issue起票に実運用中。
「LLMを信用しすぎない」という設計思想のもと、AIには"何をやりたいか"だけを任せ"やってよいか/どう繋ぐか"はコードと基盤側で固める責務分離を徹底した点が、決済という誤動作が許されない領域でAIエージェントを常駐運用できた鍵。人間がキックする自動化ツールでなく、トリガー起動の自律エージェントとして設計したこと自体が業務適用範囲を広げている。
実装期間約半年、コールドスタート約30秒・ウォーム起動約2〜3秒、5層防御構成、同一基盤(remote-claude)でSRE・n8n・データ基盤領域へも横展開中
Agent Teams + Sub Agentsの2層構成でタスクを自動分割する複数エージェントオーケストレーターを構築。Hookベースのセッション間学習機構で経験則を自動メモリ化し繰り返しミスを防止。Scout Skillと自動分割機構でドキュメントを自動メンテナンスしトークンコストを圧縮。最終的にAgent定義8種類・Skill定義21種類・カスタムHook4種類の開発環境を整備し、「コンテキスト分割」「ロール明示」「タスク手順化」「実装ルール注入」の4原則でAIに開発させる型を確立した。
Claude Codeを1エージェントに丸投げするのではなく2層のオーケストレーション構造(Agent Teams×Sub Agents)にすることで、プロフィール全8画面という中規模機能実装を30分・PR5本全自動作成まで持っていけた点が示唆的。ドキュメントの自動メンテナンスでトークンコストを3〜10分の1に圧縮したのも、実運用でのAPIコスト管理として実践的。
プロフィール全8画面実装が約30分で完了・PR5本全自動作成、ドキュメント自動メンテナンスでトークンコストを3〜10分の1に削減、Agent定義8種類・Skill定義21種類・カスタムHook4種類
CyberAgentがエンジニア1人あたり$200/年のAIエージェント費用サポートを全社展開し、Cursor/Claude Code/Codexの導入を後押し。導入後、テストピラミッドから「テストスカイスクレイパー」というテスト戦略へ転換し、GitHub Merge Queueで軽量テストと重いテストを分離、Claude Code Actionでコードレビューの最終ゲートキーパーを人間でなくAIに任せる体制を構築。
AIコーディングエージェント全社展開によりアウトプット量(コミット数)が急増する一方、品質保証の型自体を「テストピラミッド→テストスカイスクレイパー」+ CI高速化(Merge Queue)+ AIレビューゲート(Claude Code Action)へ再設計しないと品質が追いつかないことを示す実例。単なるツール導入だけでなく開発プロセス全体の再設計が伴った点が示唆深い。
予算$200/人/年、コミット数約2倍、テスト行/コード行比率 2025年6月78.6%→9月95.2%→12月112.6%（AIエージェント導入から6ヶ月以内にE2E・統合テストを全カバー）
エンジニア一人あたり200ドルの開発AIエージェント費用サポートが全社展開。チーム全体のコミット数が導入前の約2倍になり、テスト行/コード行の比率は2025/06: 78.6% → 2025/09: 95.2% → 現在(2025/12): 112.6%。テストピラミッドから「テストスカイスクレイパー」というテスト戦略をチームで導入し、GitHub Merge Queueを活用してPR作成時は軽量なテストのみ実行、Claude Code Actionを使って最終的なゲートキーパーを人間ではなくAIに任せる。
AIエージェントを「自律的なチームメンバー」として位置付け、要件定義〜PR作成までの開発フローをコマンド1つで起動可能に整備。用途・担当領域別にSkill 37個・SubAgent 24個を構築し、AIが専門知識を持って開発プロセスの半分以上を主導する体制を実現。
要件定義という最も属人的で時間のかかる工程を数時間→10-20分に圧縮しつつ、人員を1/3に減らしても運用継続できている点が示唆的。Skill/SubAgentを「用途・担当領域別」に37/24個と体系的に整備したことが、単発の効率化でなく持続的な開発基盤化に繋がっている好例。
エンジニア6名→2名、ビジネス3名→1名体制で運用継続。要件定義は数時間→約10〜20分に短縮。Skill 37個・SubAgent 24個整備。3〜4タスクを同時並列実装可能。
「このサービスはリリース時はエンジニア6名、ビジネス3名でエンジニアのチーム体制だったのですが、現在ではエンジニア2名、ビジネス1名体制でサービスを運用しています。」「1月末現在、リポジトリ内にはAIエージェントで利用する、Skillが37個、SubAgentが24個 と用途や担当領域別にAIが専門的な知識をつけるための仕組みを整えることができています。」
MercoinクライアントのiOSエンジニア(著者名cyan)が、DesignSystem V3→V4移行(21画面・7 feature area)のためClaude Codeセッションを22並列(2画面・9 macOS Desktops)で運用。18面 git worktreeを用意し、`.user.bazelrc`でBazel共有output_baseを設定し再ビルドコストを回避。Obsidian Vaultをナレッジベース化し、commands/フォルダに35以上のカスタムスラッシュコマンドで移行手順をエンコード。21画面の逐次 modify-build-restore サイクル検証(約1画面1分)で隠れたDS3依存を検出。
大規模リファクタ/移行タスクでは、単一セッションでの逐次処理ではなくgit worktree + 共有ビルドキャッシュ(Bazel)でClaude Codeを物理的に並列化し、さらにObsidian Vault + カスタムスラッシュコマンド群で移行手順そのものをナレッジ化してセッション間の再現性を担保するという「個人の並列オーケストレーション」パターンが、社内の大規模設計システム移行という地味だが実務価値の高い領域で機能した実例。
PR約140件・18 worktree(22セッション運用中)・21画面/7 feature area・隠れ依存3画面検出・検証約1分/画面
"Over the course of this migration, I have created around 140 Pull Requests (PRs), and at one point I had 18 of them open at the same time." / "Each of these runs Claude Code inside a git worktree, and this is where the actual migration work happens." / "All 18 worktrees share a single Bazel `output_base` through a `.user.bazelrc` configuration file." / "The `commands/` folder contains over 35 custom slash commands." / "Out of 21 screens, three had hidden DS3 dependencies in their V4 code that would have broken in Phase 4" / "After migrating 21 screens across seven feature areas to DS4" / "running 21 sequential modify-build-restore cycles took about a minute per screen"
日経記事本文はWebFetchで会員限定ペイウォールに阻まれ本文全文は直接取得不可(見出し「生成AIがシステム丸ごと開発 NTTデータ、IT人材不足に抜本策」のみ確認)。そのため、同一案件を報じたNTTデータ社員本人によるZenn公式記事(nttdata_tech、一次情報源に相当)をWebFetchで直接取得し、エンジニア人数・使用AI・開発期間・コード執筆有無・テスト課題の記述を裏取り。加えてWebSearchで日経記事を引用・要約した複数の二次情報源(shiritomo/Hashout等)でも同じ数値(3人・半年・7割合理化・生産性3倍)が一致することを確認した。
「社員がコードを1行も書かない」全面AI活用型の商用システム開発が、SIer最大手で実際にプロジェクト完了まで到達した実例。プロンプト・rules・skillsを.githubフォルダで蓄積・チーム共有する仕組み(73個のプロンプトファイル)で属人化を防止した点、及び「テスト観点不足によるすり抜けバグ多発・総合試験の負荷増大」という具体的な副作用が一次情報源(開発者本人のZenn記事)で明記されている点が、他の生成AI活用事例と比べて成果と課題の両方を定量・定性で開示している点で価値が高い。
開発期間: 2025年10月〜2026年3月(半年間)。担当エンジニア3名。製造工程で約7割の合理化、生産性約3倍向上。社員はコード・設計書・テストケースを1行も手書きせず。
Zenn記事(nttdata_tech)より: 「社員３名ですべての開発を行いました」「2025/10～2026/3の期間中」「社員は設計書やソースコード、テストケースを１行も手で書いていません」「テスト観点が不足しており、テストコードも不十分なものが多かったです。結果的には、すり抜けバグが相当数発生し、総合試験が大変でした」。WebSearch経由の日経記事要約: 「実証段階では製造工程で約7割の合理化を達成し、工期短縮と生産性約3倍向上という成果が得られた」
Claude Code を使い、キーボードをほぼ使わず音声入力ツール(Typeless / Aqua Voice / Apple純正)を切り替えながら対話形式でバイブコーディング。自社ポータルアプリ「my-chrome-panel(夢が、かなうCockpit)」を2カ月間で開発。プロフィール記載の生年(1963年生まれ)と2026年公開時点から62歳に相当(記事本文に「62歳」という直接表記はないが年齢の記述と整合)。
経営トップ(非エンジニア)がClaude Code + 音声入力の組み合わせでバイブコーディングを行い、SIer換算5000万円相当の開発を3万円で完成させた実例。「コードを書く」行為自体を音声対話に置き換えることで非エンジニアでも大規模開発が可能になることを示す事例。
開発コスト: Claude利用のトークン代 3万円(請求額履歴合計 $435)。比較対象: 大手SIer見積もりでは平均1人月100万円・1000行/人月換算で10万行=50人月=5000万円相当。コード生成量: 2カ月間で約9万7808行(記事中「10万行」、プロジェクト別内訳でmy-chrome-panelが89,932行)。
「僕がこの2カ月間でClaudeに払ったトークン代は、3万円です」「大手のSIerに見積もりを依頼すると、平均して1人月100万円。それで書けるコードは平均1000行」「10万行のコードを書くには50人月、つまり『5000万円』かかっていた」「ほぼキーボードを使っていません。全部音声入力です」「プロジェクト別では『my-chrome-panel(夢が、かなうCockpit)』が89,932行と大半を占めている」
2026年1月より、カスタマーサポートチームから技術調査として開発側にエスカレーションされる問い合わせについて、Claude Code Actions が Skill に沿って横断調査する仕組みを導入。Skill を「動くマニュアル」として整備し、Devin・Splunk MCP等とも組み合わせて一次回答まで自動化。これまで1〜2時間かかっていた調査を約10分に短縮。
コーディング支援用途に留まらず、社内の問い合わせ調査という非コーディング業務にClaude Code Skillを「動くマニュアル」として横展開した事例。Devin・Splunk MCP等の他ツールと組み合わせたマルチツール構成である点も特徴。
調査のリードタイムを平均70%削減
株式会社セラクが「AI SHIFT」戦略の一環として一部開発チームでCursor Enterprise版をトライアル導入し、効果を確認した上で全社導入を決定した。
受託開発・SES系企業でもエンタープライズ向けセキュリティ・ガバナンス要件を満たしつつCursor導入で開発生産性を大幅向上できることを実証した事例。金融・大企業案件を多く抱える企業への導入判断材料になる。
開発工程のサイクルタイムが従来の「1/10」に短縮/リリース頻度が「2〜3ヶ月に1回」から「週に2〜3回」へ向上/プルリクエスト(PR)の数が「2倍」に増加
QAエンジニア(著者tak-imai-m3氏)が半年間Claude Codeを使い込み、既存のローコードツールベースのテスト自動化フロー(週次定期リリースチェック約30種)をPlaywrightへマイグレーション。本文記載の3つの技術アプローチ=「1. 待機処理の最適化(固定waitから条件ベースへ)、2. Page Objectパターンの徹底、3. 並列実行の自由度向上」。Claude Codeと共同でコード生成・実装を実施。
QA領域特化でClaude Codeを使い、単なるテストコード生成に留まらず、待機処理設計・Page Objectパターン・並列実行アーキテクチャという「テスト実行基盤そのものの設計改善」まで踏み込んだ点が学び。ローコードツールの固定wait蓄積という定量化しにくいボトルネックを、AIとの協働で構造的に解消した好例。
テスト実行時間: 既存ツール105分 → Playwright 27分(74%短縮)。年間約68時間分のCI/CD待ち時間削減。
育休復帰したエンジニア（上土井涼馬氏、「LINE Surveys」開発プロジェクト所属、週4日勤務の「えらべる勤務制度」利用）が、Claude Code + MCP を使い、PRのURLからGitHub・Jira・Confluenceの関連情報を自動収集し、構造化されたMarkdown形式のレビューサマリ（テンプレート）を生成する仕組みを構築。補助的にNotebookLMでドメイン理解も深化させた。従来は1件のPRレビュー準備に設計書・企画書等の収集・仕様理解で1時間かかっていたが、この自動化で最低30分短縮した。
全社導入プロジェクトでなく、育休復帰したエンジニア個人が自分の負荷を減らすために作った小さな自動化ツールが定量効果（週6時間）を生んだボトムアップ型AI活用の好例。数値は「体感値」と明記されている点も含め誠実な報告。
週6時間のレビュー工数削減（1日平均3件のレビュー、週4日勤務と仮定し、1.5時間×4日＝週6時間の削減という体感値ベースの試算）
DeNA AI Linkが千葉銀行グループのIT企業ちばぎんコンピューターサービス(ちばぎんCS)に対し、Cognition AI製の自律型AIソフトウェアエンジニア「Devin」導入支援を実施。ちばぎんCSが自社開発・展開する生成AI活用システム「C-chatSupport」とDevinを組み合わせた開発環境を構築し、性質の異なる2プロジェクト(新規システム開発／VB.NETコードマイグレーション)で検証。プロジェクト初期はDeNA AI Linkがアーキテクチャ設計・共通基盤整備を支援し、基盤確立後はDevinが個別機能実装タスクを自律的に遂行、エンジニアはレビューと意思決定に専念。単純変換できない仕様検討など壁打ちや比較検討が必要な作業にはC-chatSupportを併用する役割分担とした。
自律型AIエージェント(Devin)を単体投入するのではなく、自社で既に蓄積してきた生成AI活用システム(C-chatSupport)と組み合わせることで、判断・比較検討が必要な工程の精度と作業効率を底上げできるという「既存の社内AI資産×自律エージェント」の組み合わせ効果が示唆される。ただし工数・原価削減率の算出根拠(何を基準にした「想定工数」か等)は非開示で、数字は導入支援元(DeNA AI Link)と導入企業(ちばぎんCS)自身による発表にとどまる。
新規システム開発プロジェクト: 従来4.0人月の想定→実績1.5人月(原価57.8%削減)。VB.NETコードマイグレーションプロジェクト: 従来12.5人月の想定→実績2.0人月(原価81.6%削減)。
2023年6月、ラクスは全開発組織にGitHub Copilotを導入（希望者は申請制で全員利用可）。導入前にテックリード含む4名の開発チームで約1週間のパイロット効果測定を実施し「同じ開発業務で12%の時間削減、1人当たり月10時間程度の時間短縮」を試算した上で本導入に踏み切った。導入から約5カ月後（2023年11月頃）、社内エンジニア63名（うち実コーディング担当56名）にアンケートを実施し、利用状況と効果を定量調査。結果を自社エンジニアブログで公開した。
パイロット導入で定量効果（12%削減）を先に測定してから全社展開に進んだ点、および導入後も本人アンケートで効果を継続測定した点が特徴。ただし数値はすべて社内アンケートの自己申告ベースであり、外部の独立検証は存在しない（B_self_claim）。パイロットは4名・1週間という小規模サンプルである点、本アンケートも「実感」ベースの主観評価である点には留意が必要。
パイロット(4名・約1週間): 12%の時間削減、1人当たり月10時間程度短縮。本導入5カ月後アンケート(回答63名、うちコーディング従事56名): 71.4%が0.5時間以上/日の時間節約、92.9%が生産的になったと回答、59.0%が品質の高いコードを書けるようになった、66.1%が検索時間を短縮、83.9%が業務を迅速にこなせるようになった、回答者全員が継続利用を希望。
みずほ証券のIT・システムグループがDevin(Cognition AI製の自律型AIソフトウェアエンジニア)のデモを見て即座に導入方針を決定し、2025年12月に正式契約を締結。金融機関特有のセキュリティ要件クリアのため情報セキュリティ部門と約1年間協議したうえで、2026年4月からDevinの本格的な社内展開を開始した(トライアル開始時期として「2025年9月」という記述は本文になし)。PoC(概念実証)では、データベースの桁数変更や区分値追加を行う際の影響調査・テストコード作成などのユースケースに適用。ゼロからの新規システム構築はAIが不得手なため当面は人間のエンジニアが担当する方針。現場エンジニアへのアンケートでも5点満点中4.5点以上の高評価を得た。
影響調査やテストコード作成など「既存システムの仕様変更に伴う定型的な調査・検証作業」でAIエージェントが最大効果(1週間→1日)を発揮する一方、ゼロからの新規構築は依然人間が担う棲み分けが実務的。金融機関での本格導入には、技術検証だけでなくセキュリティ部門との合意形成に約1年を要した点も、規制業種でのAI導入の実コストとして示唆的。
今回検証を行ったユースケース全体としては、70％から90％の工数削減効果を確認できています／これまで手作業で1週間かかっていた影響調査が、わずか1日で完了してしまうほどのインパクトがありました／「生産性30％アップ」を目指し、DXに取り組んできたみずほ証券
ULSコンサルティング株式会社が、札幌総合情報センター株式会社（SNET）の基幹システム標準化プロジェクトに自律型AIエンジニア「Devin」の活用を提案・導入支援。国の「地方公共団体情報システム標準化方針」対応（対象は住民基本台帳・税・保険・福祉など20システム、札幌市の対応期限2027年まで）の一環として、Javaのバージョンアップに伴うOSSライブラリの差し替えなど「共通する技術的なタスクをDevinに一任」し、2025年9月から10月にかけてパイロット開発を実施した。
大規模な自治体基幹システムの技術更新作業（バージョンアップ対応・ライブラリ差し替え等の定型的だが大量な書き換えタスク）はDevinのような自律型AIエンジニアへの一任に向いており、パイロット規模（約150万ステップ）で75%の工数削減が自社発表として示された。ただし数値は受託側企業(ULSコンサルティング)自身の発表であり、独立した第三者検証は本文からは確認できない。
Javaのバージョンアップに伴う約150万ステップに及ぶテストコードの書き換え工数を、従来の200人月から50人月に短縮（約75%削減）
DL数・ユーザー数がごく少数の段階ではAdMob広告収益はほぼゼロに等しく、「アプリを作って広告を貼れば稼げる」という期待値と実態の乖離を数字で示す典型的な失敗（低調）事例。
6円
広告表示の絞り込み・関連性向上の施策が、必ずしも収益向上に直結せず配信率低下で逆に収益を毀損しうるという、AdMob運用のチューニング失敗の生々しい記録。ASO・UI改善で新規ユーザーは増えても広告収益に結びつかない場合がある点も示唆的。
約3年間で合計$180
個人開発でもAIツールを要件定義・実装で使い分けることで教育系SaaSを短期間で立ち上げ、初速で少額でも実収益に到達できることを示す一次体験記。
USD 200 近く（約3万円）
KQL(Azureのログ/テレメトリ監視クエリ)による監視ワークフローにCodexを組み込み、根本原因分析(root-cause analysis)と修正案の提示(suggest fixes)を支援。人間はvalidate/deployに集中する形で検証ステップは維持。加えてCI/CDパイプラインに直接Codexを統合し、社内コーディング基準に基づくコードレビューと脆弱性チェックを自動化。さらに仕様が不完全でも大規模プロジェクト(Python/FastAPIバックエンド+Swift/SwiftUI iOSアプリのフルスタック実装等)を自律的に推進する用途にも展開。
核心主張(運用+開発両面導入/CI/CD直接統合/根本原因分析→修正案生成/MTTR約50%短縮)は原文と一致し裏付けあり。ただし「定型インシデントのデプロイ自動化まで実施」という表現は原文に厳密な根拠がなく、実際は「engineers can focus on validating and deploying fixes」であり、デプロイの最終実行は引き続き人間が担う設計(検証ゲート維持は正しいが、"デプロイ自動化"は言い過ぎ)。事例DB登録時はこの一節を「根本原因分析・修正案提示の支援に留まり、検証・デプロイは人間が実施」と補正推奨。
MTTR(平均復旧時間)を約50%短縮（=障害対応を約2倍高速化）
AIエージェント開発企業ジェネラティブエージェンツ(著者:西見公宏)が2025年1月22日からDevinを社内開発に導入、1ヶ月間の実運用結果(GitHub分析データ含む)を踏まえて人間とAIの得意/不得意タスクの切り分けを技術ブログで総括した。
Devin導入1ヶ月の実運用で、AIは自律検証可能な定型・小規模タスク(依存関係更新・ドキュメント更新)を担い、人間はAIが自律検証できない領域(インフラ・大規模設計・複雑バグ・UI変更)を担う、という役割分担の実証知見が得られた。
CEO自らが「2倍の価値」と定量的に言及し、業務委託込みの全エンジニア規模への投資を経営判断として公言している点が特徴。単なる導入発表でなく費用・オペレーション両面の重みを明示している。
全エンジニア規模(業務委託含む相当数)への費用支出、具体金額の記載なし
全ITエンジニアへのCursor支給 + 全社GitHub Copilot展開 + Devin本番導入
全社的なAIコーディングツール多層導入(Cursor+Copilot+Devin)+予算公表という、投資規模を定量開示する珍しい事例
Devinで360時間の業務効率化、年間数千万円規模のAIツール検証・導入予算
2025年4月よりCognition AI社の自律型AIソフトウェアエンジニア「Devin」の試験運用を開始。コーディング・デバッグからプロジェクト全体の計画立案まで、開発プロセスにおける多様なタスクへの適用を想定。導入Tips(AI用モノレポ作成・ナレッジ整備など)を技術ブログで公開。
同人・エンタメ系IT企業(虎の穴ラボ)が自律型AIエージェントDevinを開発プロセス全体(コーディング〜計画立案)に試験導入し、導入知見を技術ブログで継続公開している事例。method_summaryの「テスト/ドキュメント作成」は本文の「多様なタスク」という表現に含まれる想定で、明示的な列挙ではない点に留意。
記載なし(具体的な工数削減率・金額等の定量成果は本文に無し)
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
対象:テクノロジー部門の全エンジニア・PdM(業務委託含む)、開始日:2025年6月1日
WebFetch (2回、要約モデルが数字を取り違え不一致が出たため) に加え、curlで生HTML取得→Shift_JISをiconvでUTF-8変換して原文(JSON-LD headline/description含む本文)を直接デコードし目視確認。見出し文言・数値の整合を裏取り。
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
レガシーコード移行(社内資産管理APIのPerl→Go移行): 従来半年規模の見込み→約1カ月で完了(約6倍)。ほか: iOS/Android横断コード生成で開発速度約2倍、データ分析業務約3倍、見積作成速度約8倍、オフショア納品コード検収は1〜2日→数時間、仕様書自動更新で確認時間最大10分の1。対象従業員は約2000人、40以上のチームで利用開始。
著者(れん学長)がXで見かけたClaude Code課金に関する注意喚起を受け、自身のMac環境・Claude設定をCodex(別AIツール)にチェックさせ、サブスク認証枠消費とAPIキー従量課金リスクの切り分けを検証した記事。配布している「parallel-infographics」スキルがClaude CodeからCodex(OpenAI側クレジット消費)を呼ぶ設計である点や、ローカルにANTHROPIC_API_KEYが無くてもGitHub Secrets等クラウド環境変数にキーが存在しうるため油断できない、という注意喚起を含む。
Claude Codeのサブスク枠消費とAPIキー従量課金の境界は非自明で、ローカル環境変数だけでなくGitHub Secrets等クラウド側のキー残存にも注意が必要という実務的な注意喚起。別AIツール(Codex)に自分の環境設定を検証させる、というメタな検証手法自体も参考になる。
WebFetchで記事本文を取得し、公開日・並列件数・削減率・並列開発実現の鍵の4点について本文引用と照合。すべて一致を確認。
Devinのようなコーディングエージェントで並列開発を成立させる鍵は、モデル性能そのものより「タスク手順・禁止事項を明文化したPlaybook」と「人間側の段取り管理スキル」という運用設計にある。AIがたたき台を作り人間がレビューで品質担保する役割分担の意識が前提。
設計資料作成: 数時間→約30分(80〜90%減) / テストケース作成: 約1時間→数分(90%以上減) / 1人で3〜4件の案件を並列開発
Devin API + GitHub Actions
estieのQAチームがDevin APIとGitHub Actionsを組み合わせ、PRラベル(devin:review)トリガーでAIにテストケースをmust/want重要度付きで自動生成させ、Dependabot等の影響範囲が読みにくいPRでの抜け漏れ防止に活用している事例。「AIが下書き→人間がレビュー」という役割分担の実例として参考になる。
記載なし(定量的な効果金額・時間短縮率の明記なし)
Speaker Deck資料をWebFetchで直接取得し内容確認。発表者Günther Brunner氏(サイバーエージェント CTO統括室・Developer Productivity室)、2025年6月6日公開の登壇資料。
トップダウン全社通達でなく、小規模チームの実績→社内勉強会・YouTubeイベント(「AI Code Agents祭り!」2万人視聴)経由の口コミで大手企業(従業員1万人超)にCursorを浸透させたバイラル導入戦略が特徴的。定量的なBefore/After比較(実装速度・バグ率・レビュー時間)が揃っており事例として説得力が高い。
機能実装速度 1-2個/日→5-8個/日(400%向上)、バグ発生率15%→3%(80%減)、コードレビュー時間2時間→30分(75%短縮)
機能実装/日: Before 1-2個 → After 5-8個 (改善率400%) / バグ発生率: Before 15% → After 3% (80%減) / コードレビュー時間: Before 2時間 → After 30分 (75%減)。これらの数値は「誇張ではない」とBrunnerが明言。
WebFetchでURLを直接取得し本文を確認
AI inside社はDevin導入からわずか1ヶ月で開発フロー全体(PR作成・修正対応・承認速度)にAIエージェントを深く組み込み、CTOは「全力で使う組織と一部のみで使う組織では効率化以上に大きな差がある」と組織全体でのAI活用を強調している。公開日は2025年6月4日。
PRの50%をDevinが作成、修正の20%を担当(社内2番目)、本番環境コードの15%がDevin製(最終目標80%)
文言修正・小規模機能追加・機能廃止・新規画面基盤構築・コードベース調査には有効だが、UI修正(視覚的検証が必要)・曖昧要件・大量ファイル修正には不向きと具体的に切り分けている点が実務的。
非該当(定性評価)
GitHub Copilot カスタムコマンド (.github/copilot-instructions.md でプロジェクト共通ルール、.github/prompts/ 配下に docstring.prompt.md / unittest.prompt.md / logger.prompt.md 等の作業特化プロンプトを整備し、チャットで /docstring 等を呼び出す運用)
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
全体工数 82.2時間→54.3時間 (34%削減)。内訳: 関数内説明文生成 3.3h→0.2h (94%減)、ログ整備 0.7h→0.0h (95%減)、ユニットテスト整備 5.0h→1.3h (73%減)
WebFetchでNIFTY engineering公式ブログ(engineering.nifty.co.jp/blog/21632)を直接取得し、本文中の記載事実(導入時期・数値)を検証済み
大手企業(NIFTY)がGitHub Copilotを全社導入し、アンケートベースで工数削減(1日38分・コーディング時間23.73%減)と利用者の8割以上が生産性向上を実感したと定量報告している点で、AIコーディング支援の効果測定事例として有用。言語による採用率差(Java 60%超 vs 全体平均)も示唆的。
1日平均38分の工数削減、コーディング時間23.73%減
CLAUDE.mdでの個人ルール設定(回答スタイルの前置き・絵文字禁止で結論ファースト、ブランチ作成前のgit pull自動化、settings.jsonでのステータスライン常時表示、Auto Compactionしきい値を95%→60%に変更)によりトークン削減とセッション精度安定を実践した事例報告
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
Claude Codeで月次運用バッチを自動化(エラーハンドリング+ユニットテスト込み)、また代表との雑談から為替レートAPI連携のプロトタイプ(基本UI/UX含む)を実装
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
月次運用バッチ実装: 見積5人日→実質4時間(約92%削減)。月次運用工数: 2時間→0時間(100%削減、年間24時間相当)。為替レート確認プロトタイプ: 雑談から5時間で完成
著者wataru.saito(RemitAid)、2025年6月27日投稿。月次運用バッチ自動化は「わずか4時間で基本実装が完成」し当初見積5人日から大幅削減、月次運用工数は2時間→0時間に。代表との雑談から始まった為替レート確認画面は「5時間でプロトタイプ完成」、エラーハンドリング・ユニットテストも含む実装だったとWebFetchで確認
Claude Code + Figma(MCP) + Cursor/VS Code + GitHub。Claude Codeが要件定義書の叩きを自動生成し、Figmaの新規画面設計をMCP経由で共有、既存コンポーネントを検索して実装。品質チェック用にGemini製の「Gem」(JIS・デザイン原則・プロダクト固有ガイドライン組込)も併用。
UI/UXデザイナー(Nazca氏)がClaude Codeを使いデザインから実装まで自ら越境する働き方に移行し、品質チェック体制を実装フローに統合した結果「後工程のレビューの手戻りが減っています」と報告。役割境界の融解が語られている。
記載なし(定量的な削減率などの数値は本文になし)
.claude/skills/配下のMarkdownファイル(morning.md/task.md/done.md/evening.md/feedback.md)でClaude CodeがMCP経由でNotion/Slack/GitHubと連携する「仮想秘書」を構築。JSONLトランスクリプトをObsidian用Markdownに自動変換してナレッジベース化。
Claude CodeのSkills機能はコードだけでなく個人の業務ワークフロー(朝の情報収集、タスク管理、1on1フィードバック準備)全体を自動化する「秘書」的用途に拡張できる好例。JSONLログをObsidianへ変換しナレッジ化する発想は他のAI活用事例DBにも横展開できる示唆。
未記載(コスト言及なし)
WebFetchでURL取得し本文内容とmethod_summaryを突合。著者名(中川泰夫)、所属(Sansan技術本部 Contract One Engineering Unit)、マネジャー→エンジニア転向経緯(2025年5月)、Claude Code + container-use(Git worktrees+Dagger)による複数エージェント並列実行、CodeRabbit/GitHub Copilot/Notion AI/Figma Code Connectの併用、AI変更割合82.3%の数値記述を確認済み。
Sansan Contract One Engineering Unitの中川泰夫氏がマネジャー職を退きエンジニアに復帰後、Claude Code + container-use(Git worktrees+Dagger)による複数エージェント並列実行体制と、CodeRabbit/GitHub Copilot/Notion AI/Figma Code Connectを組み合わせたAI駆動開発("LLM Week"の一環)により、直近のコード変更のうちAIによる変更割合82.3%を達成した事例。
直近のコード変更のうちAI変更割合82.3%
NHNテコラス Tech Blog(2025-08-26公開)。データ分析基盤開発チームが2025年7月からCursorを導入し1ヶ月以上運用。導入前後比較で効果測定。
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
PR作成本数: 1.4本/日→2.0本/日(約40%向上)、PR作成~マージ平均日数: 1.5日→1.4日(同水準を維持)
Microsoft Customer Stories(2024-12-03公開)。東芝テック株式会社が約300名の開発者が参加するPoCとして2023年11月にGitHub Copilotを導入。開発者満足度は「とてもそう思う(5)」「そう思う(4)」の合計が40.5%。提案コードの採用率は2024年2月時点26.5%から2024年7月時点35.8%に上昇。
利用期間が長いほど提案コード採用率が上昇し、開発者のwell-being向上とも相関する傾向がPoCで確認された
開発者満足度40.5%、コード採用率3ヶ月26.5%→5ヶ月35.8%
hacomono QA部エンジニア(たっきー/滝田氏)がPlaywright/TypeScriptによるE2Eテスト実装(GitHub Actions連携)にClaude Codeを活用。1回のプロンプトで完結させず、人間のレビューで修正指示を数度重ねる協働プロセスでテスト実装を完了。テックブログ記事の整理・下書きにもClaude Codeを利用。
AIによる高速化は「ワンショット生成」ではなく「人間レビュー→修正指示の反復」を前提にすることで、速度と品質(保守性・本番問題削減)を両立できる好例。QA/テスト領域はAIコーディング活用の実証がしやすい領域として注目される。
テストケース作成時間を従来の50%に短縮
Claude Code の従量課金APIで、iOS/Android/Web/Chrome拡張+バックエンド(Go)の4+1プラットフォーム対応アプリ「LLMonster」(ブックマークでモンスターを育成するアプリ)をKotlin未経験から数日で開発
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
¥52,340 (3ヶ月の従量課金) / 削減工数375時間・時給換算¥1,875,000相当・ROI 3,585%
AIコーディングツール(Claude/類似ツール想定)使用時の実体験3事例をZennで公開。指示範囲外の約1000行の書き換え・削除、古いバージョン知識によるRust非同期処理のコンパイルエラー5往復、既存実装未認識による二重実装(ファイル二重処理)を紹介し、再発防止策として「AIに渡す前にgit commit」「AIの回答はたたき台として扱い公式ドキュメント確認」「変更後は関連機能も動作確認」の3ルールを提示。
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
失敗談3件(約1000行の無言書き換え/コンパイルエラー5往復/二重実装によるファイル二重処理)
個人開発者が宅建試験対策アプリ「takkenai.jp」を1年運営する中で、ChatGPT Plus/Cursor Pro/GitHub Copilot/Claude Proを併用していた月15,000〜25,000円(ピーク3万円超)の課金構成を、Claude Code Max単体(月$100=実質約15,000円)へ整理・最適化した経緯と、設計/リファクタリングにAIツールを投資し単純なコード生成は無料ツールで済ませるという使い分け原則をZennで公開。
(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)
月15,000〜25,000円(併用時、ピーク3万円超) → Claude Code Max($100/月、実質約15,000円)へ集約