日本 × 開発（177件）（51〜100件目・2/4ページ）

レコメンド基盤を刷新し、①「急上昇」(note内で盛り上がっているトピックを高頻度反映)②「おすすめ」(クリエイターの行動履歴から興味度を計算し「フード」→「和食」等の細粒度トピック単位で提案)③「カテゴリページ」(映画・ドラマ等分野別の人気トピック表示)の3セクションを導入。アーキテクチャはSnowflakeを責任分界点とし、note AI creative株式会社がGeminiで記事にタグ付与→RDB経由でSnowflakeに同期→Databricksで機械学習処理→S3/SQS経由でnote本体に非同期反映する構成。ツールの境界と組織の境界をリンクさせ、各チームが自領域に集中できる設計にした。

組織を跨ぐ機械学習基盤刷新は、システムの責任分界点(Snowflake)を組織の役割分担(AI子会社=タグ付与・スコアリング、本体エンジニア=機械学習処理とプロダクト反映)と一致させることで、チーム間調整コストを下げつつ開発速度を維持できる。プロトタイプ実装から約3ヶ月というテスト期間の短さと、安藤PMが言及する「累計16回の検証、今後の検証候補50個」という反復ペースが、数ヶ月単位でインプレッション4倍・PV2倍という結果に結びついた一因と読める。

カカクコムが8部門・22名を対象にGitHub Copilotを2ヶ月間トライアル導入。効果測定にはPR数などの生産量指標ではなく、開発者の満足度・幸福度や効率・フローも含むSPACEフレームワークを採用。結果、1日平均27分（月換算約9時間）の作業時間削減、削減効果ありと回答したのは86%。特にテストコード生成での効果が高かったほか、人材獲得・離職防止の観点でも73%がポジティブに回答した。

生産量（PR数など）だけでなく満足度・幸福度を測るSPACEフレームワークを使った点が特徴で、単純な「アウトプット増」ではなく開発体験の改善を定量化している。最も保守的な試算でも6ヶ月で年間利用料を回収できるとしており、投資対効果の説明材料としても具体的。記事の公開日は2023年10月27日で、比較的初期のCopilot導入検証事例である点に留意。

楽天グループがClaude Codeを社内の開発ワークフローに導入。新機能の市場投入までの期間を24営業日から5営業日に短縮（79%減）。複雑なコード修正タスクで99.9%の精度を達成。オープンソースの大規模リファクタリングでは7時間にわたり自律的にコーディングを継続し、複数のプログラミング環境にまたがる1,250万行規模のコードを処理した。

大企業の開発現場でもAIコーディングエージェントを長時間の自律タスクに任せられる段階に来ている。市場投入速度の短縮は開発工数削減にとどまらず、リリース頻度そのものを引き上げる効果につながりうる。

SREの著者がAWSコスト最適化業務にClaude Codeを導入。1アカウントあたりの調査を「サービス別コスト→Usage Type別コスト→根本原因特定」の3段階で深掘りさせるワークフローを組み、メトリクス確認・Terraformコード読み込み・既存Issueとの重複チェック・削減提案の一覧化までをAIに任せ、Go/No Go判断とリスク評価・優先度付けのみ人間が担う分業にした。

従来は「調査コストが重く費用対効果に見合わない」として放置されていた小規模なコスト最適化を、AIによる調査の高速化で拾えるようになった。ボトルネックは実装力ではなく調査（課題発見)力にあり、AIが得意なのはコードを書くことよりも大量のログ・メトリクス・IaCを横断して根本原因を突き止めるフェーズだという指摘。調査範囲も「主要数アカウントのみ」から「全主要アカウント」へ拡大でき、深さも「1〜2個の深掘り」から「全サービス→全Usage Type→根本原因」まで到達できるようになった。

通販大手ベルーナが、COBOLなど長年の改修で複雑化・属人化した基幹業務システムの保守運用(調査・設計書作成)に自律型AIエンジニア「Devin」を導入。ULSコンサルティングが導入・活用を支援し、2025年10月からトライアル運用を実施した。

特定業務システムの調査・設計書作成にかかる作業時間を約3割(29%)削減。あわせて作業の属人性軽減・品質の平準化効果も確認され、担当室長は「AIと人が協調する新しい開発スタイル」の確立を掲げ、今後Devinの活用範囲を拡大する方針。

株式会社エブリーの開発本部が、運用チームからの「実データを確認しないと答えられない問い合わせ」(管理画面設定やAWSジョブの実行状況など)に一次対応するbotをClaude Managed Agentsで構築した。Custom tools(管理画面API・AWS確認)、MCP(Confluence・Slack連携)、GitHub(ソースコード参照)を組み合わせ、書き込み操作は実装せずread-only限定で展開。試運転で約30件の実問い合わせに一次回答した後、評価用データセット32件(5観点・計10点満点、8点以上を合格ラインとする採点基準)でスコアリングし、平均8.1点/10点、合格ライン達成21件/32件(約65%)を計測した。

問い合わせbotは作って終わりにせず、評価データセットとスコアリング基準を用意して運用開始前に品質を定量把握する設計が有効。複数の社内システム(管理画面/AWS/Confluence/Slack/GitHub)を横断調査する用途はコーディングエージェントの得意領域を非開発業務に転用できることを示す。

ダイニーの開発チームが、社内の「データ・ログ・コードを人が読みに行かないと答えが出ない」タイプの問い合わせに答えるSlack bot「@ask-anything」をClaude Managed Agentsで構築した。構成はSlackイベントを受けるHTTPハンドラ／セッション管理・イベント中継／カスタムツール実装の3層で、BigQuery実行・Cloud Loggingのログ確認・monorepoのread-only検索・Notionの過去事例参照などをツールとして持たせている。前回Mastraで自前実装したオーケストレーションの約7割が不要になり、認証情報の管理もMCP server側に委譲した。

社内問い合わせ対応は、コーディングエージェント基盤をSlack bot化して既存システム（DB・ログ・コード）を横断調査させることで、エンジニアへの割込み負荷を大幅に下げられる。エスカレーション率という単一指標を週次で追い、改善を継続する運用設計が定着の鍵になっている。

ソーシャルEC「カウシェ」の開発チームは、GitHub Actions上でClaude Code Actionを稼働させ、Goシニアエンジニア・シニアアーキテクト・GCPスペシャリストという3つのペルソナに並行してPRレビューを担当させている。各ペルソナはレビュー設定ファイルやコーディング規約、サービス固有の実装パターン、開発者プロファイルなどをコンテキストとして参照し、指摘をマージを止める「BUG」と参考情報の「SUGGESTION」に分類する。機能追加・リファクタリング・テスト追加などの日常的なサービス開発PRはCIが通りブロッキング指摘がなければAIレビューのみで自動マージし、DBスキーマ変更や設計判断など不可逆性の高い領域は人間レビューに残す運用にしている。

AIコードレビューは「人間レビューの負荷軽減」にとどまらず、不可逆性の低い変更については品質ゲートそのものを代替できる段階に来ている。線引きの鍵は「ロールバック可能かどうか」で区切ることにあり、DBスキーマ変更や決済・認証など戻せない領域だけを人間に残す設計が、自動化率を上げつつ事故を防ぐ現実解になる。

ファインディ株式会社のプリンシパルエンジニアが、開発組織でのClaude Code / GitHub Copilot活用状況をFindy AI+（AI活用可視化ツール）で計測し、AI DevEx Conference 2026の登壇内容としてブログにまとめた。組織体制を「兼務から専任」へ切り替え、Claude Code Pluginsを使ってSkillを全社一斉配布し「可視化→配布→浸透」のサイクルを回す運用にした。

AI導入は配布して終わりではなく、利用ログ(セッション数・実行回数・トークン量・PR作成数など)を定点観測して可視化し、改善サイクルを回すことで組織に定着し活用が拡大する。専任チームを置いてツールを配布・浸透させる体制自体が、生成AI活用を「一部の得意な人だけ」から組織全体へ広げる鍵になる。

WebFetchでURL取得し、本文とmethod_summaryの整合を確認。著者は株式会社アドバンテッジリスクマネジメント(ARM)のフロントエンド開発担当「もろ」氏で、複数プロジェクトを掛け持ちする中でClaude Codeへの繰り返し共有の手間を解消するため、Obsidianに Global.md(全プロジェクト共通ルール)/各プロジェクトのRules.md(固有ルール)/Feedback.md(指摘ログ) を整理し、Claude Codeのskills機能で「read-project-memory」「log-feedback」「thread-memory」の3種を実装、ルールの自動読込・自動更新を行う仕組みを構築した事例と一致。

複数プロジェクト担当者が「同じ指示を毎回繰り返す」問題を、Obsidian(外部ナレッジベース)+Claude Code skills(自動読込・自動更新)で解消するパターン。App Factory文脈では既存の CLAUDE.md + memory(sub-index)構成に近い発想だが、skillsを使い「read/log/thread」の3機能に役割分割して自動化している点が参考になる。

Claude Code の Skill 機能で社内プロジェクトの進行(週次定例前の「前うち」時間内に複数タスクを並列実装しデモ可能状態まで仕上げる)を仕組み化

受託開発会社では優先度が下がりがちな社内プロジェクトを、気合いではなく仕組み(Claude Code Skillによる並列タスク処理の型化)で前進させた事例。週次定例前の限られた時間に集中して成果を出す運用に応用できる。

1ヶ月間、ドキュメント作成(使い方/スクラム開発活用パターン/OpenSpec導入ガイド)+ハンズオンセッション開催+GitHub Actionsでのテンプレ自動配布+Slackでのフィードバック収集・改善サイクルにより「使う雰囲気」作りを優先して定着を推進

既存のAIコーディング支援(Devin/Copilot)からClaude Codeへの移行を「コーディング支援」から「開発プロセス全体のAI駆動化」への転換と位置付け、ハンズオン+Tips共有という地道な定着施策で1ヶ月という短期間にIssueクローズ数3.4倍・テスト関数数10.1倍という定量成果を出した点が実務導入の参考になる

Claude Code(AI判断+オーケストレーション) + xactions CLI(Xツイート検索/JSON取得) + Chrome DevTools MCP(ブラウザ上でいいね・フォローボタンをクリック) + OpenClaw(結果をDiscordに自動投稿)。AIが文脈判断で自事業領域(ヒューマノイドロボット関連)に関連性が高いツイートのみ選別していいね・フォローする、単純な無差別自動化ではない仕組み。

著者はヒューマノイドロボット開発スタートアップOrboh創業者(建設現場向けUnitree G1活用)のKota Ueda氏。Claude Codeを「AI判断+オーケストレーション」役として使い、複数ツール(xactions CLI/Chrome DevTools MCP/OpenClaw)を組み合わせることで、機械的な連打でなく文脈判断に基づく「意味のあるいいね・フォロー」を自動実行できる事例。

2026年3月19日、AWS Startup Loft Tokyo(目黒)にてAWSとクラスメソッド社共同開催。Claude Code on Amazon Bedrockの使い方をハンズオン形式で学んだ後、各参加者が持参したビジネスアイデアをその場でプロダクトとして構築(約3時間)。エンジニアの背景知識を問わず参加可能で、ビジネス職・企画職も多数参加した。

「エンジニア経験なしでも3時間でプロトタイプ完成」というイベント型の実証は、社内ワークショップや顧客向けPoCイベントの企画フォーマットとして直接流用できる。

SNS発信を始めたい個人開発者(box2box)が、Claude Codeとの対話だけで発信戦略の壁打み→GitHubリポジトリ連携(zenn-cli)→投稿テンプレート(X用・Zenn記事用)作成→ネタ帳IDEAS.mdの仕組みまでを整備。人間の手作業はZennダッシュボードでのリポジトリ連携の数クリックのみ。以降は「IDEAS.mdの1行と、レビューの赤入れだけ」で記事化できる運用に移行した。

コンテンツ制作の「準備・環境構築」フェーズを丸ごとAIとの対話に任せることで、本来数日かかりそうな下準備を1時間で終わらせた実例。bocchi/note運用や新規skill立ち上げ時のセットアップに転用できる、初期整備コストの圧縮パターン。

DeNAのデータアナリストが、個人の~/.claude配下のClaude Codeセッションログ・メモリを解析するデスクトップアプリ「geniハーネスくん」を開発。利用状況をAIが読み込み、繰り返し説明している前提や直させている癖を、現行CLAUDE.mdとの差分の形で改善提案する。ターミナルを見せずボタン操作のみで使えるUIとし、Slack/Google WorkspaceへのMCP接続も認証ガイド付きでボタン設定できる。個人で育てたハーネスをアプリから社内共有リポジトリに登録でき、メンバーの登録が増えるほど「組織のハーネスカタログ」が育つ仕組み。

「~/.claudeには宝が眠っている」という切り口通り、個人のAI利用ノウハウ(セッションログ・メモリ)を自動抽出→CLAUDE.md差分提案→組織共有まで一気通貫にする仕組み化のアイデアは、自社のmemory運用改善に直接応用できる。特に「利用状況の差分からCLAUDE.md改善を機械提案する」発想はmemory-checkup skillの拡張候補になりうる。

DeNAの大規模プラットフォーム開発プロジェクトで、エンジニアだけでなくPdM・デザイナーも含めチーム全員でClaude Codeを業務フローに組み込んだ。デザイナーがClaude Codeでモックアップを生成し、それを触りながらPdM・エンジニアが具体的なインタラクション仕様まで早期にすり合わせる運用に変えた。デザイナーはAIに「Figmaのオートレイアウト適用データにして」と指示し、モックから正式デザインデータへの落とし込みも行っている。

PdM・デザイナーというエンジニア以外の職種がClaude Codeを直接使い、モック生成→即座に触って仕様確認という運用で、テキスト仕様書では見落としがちな細かいインタラクション仕様の考慮漏れ・後工程での手戻りを未然に防いだ点が特徴的。倍率換算で数日〜数週間かかっていたサイクルが1〜2日に圧縮されている、職種横断AI活用の具体的な定量事例。

Wantedlyのバックエンドエンジニア小室光啓氏が社内AIハッカソンで、Claude Codeプラグイン「onboarding-kit」を開発。2つのAgent Skillsを内包し、リポジトリの「手がかり」と「地図」、そして「手順」を持たせることで新規参画エンジニアが自走できる仕組みを構築。/onboardingコマンドでディレクトリの役割・ドメインモデルの関係性・アーキテクチャ解説などを対話的に学習でき、/setupコマンドでは冪等性の担保・構造化された出力・自動修復を実装し環境構築のトラブルを自動解決する。

定量指標は無いが、社内テストで「ざっくり理解できた」「ほぼ自動でやってくれた」というポジティブなフィードバックを得た定性評価の実例。オンボーディングSOPやスキル設計(手がかり/地図/手順という3層構造)の参考になる。

テコテック公式開発者ブログ(著者:システム開発第一事業部 大泉氏、2026-07-06公開)。バッチ処理の実行時間遅延の障害調査という具体的題材で、①ログ分析による異常値検出②コード読解による原因特定③複数改善案のトレードオフ比較提示④人間によるレビューを経た実装⑤改善前後の効果検証、の5段階ワークフローにClaude Codeを実務適用。

著者は、Claude Codeを使うことでログ分析からコード読解、改善案提示までの各工程を高速化できる一方、実装レビューと最終判断の責任は人間が担うべきと強調。人間はボトルネック特定作業でなく「意思決定・レビュー」に集中できる点が価値だとしている。

Journey機能開発チーム(エンジニア約5名)が、AGENTS.md でプロジェクト構成・ドキュメント索引・開発ルールをセッション開始時に自動読込させ「知るべき情報」を設計。Permission/Hooksで機密検知や保護ブランチへの直接commitブロック等「禁止事項」を機械的にブロック。Skills/SubagentsでPR作成・TDD実行・Issue仕様明確化等の定型ワークフローを再現可能化し「実行方法」を型化。gitリポジトリを情報の正規源とし、修正コストが低い前提で高速フィードバックループを重視する設計思想。

個人の熟練に依存せず、AGENTS.md(知識)/Permission・Hooks(禁止)/Skills(手順)の3層分離でチーム全体のClaude Code運用を仕組み化すると、新規メンバー参加時も同一設定で再現可能なワークフローとなり、PR数を4倍に拡大しても品質担保が破綻しない。

Anthropic公式Customer Storyページ(claude.com/customers/money-forward)をWebFetchで直接取得し本文を確認。社内プログラム「MEPAR」でClaude Codeをトライアル展開し、結果共有後にトライアル対象外のチームから200名超のエンジニアがアクセスを希望するボトムアップ普及が発生。

エンジニアの80%が日常業務にClaude Codeを導入・70%超が日次利用・コード採用率90%超という高稼働率に加え、Public API Initiativeでは実装コードの約80%をClaude Codeが生成し、API実装工数を2日→5時間(約70%減)に短縮。新規エンジニアのオンボーディングも1週間→1日に圧縮。早期導入者への社内調査ではエンジニア1人あたり週7時間の削減効果。MCPサーバーもエンジニア1名で3ヶ月で構築するなど、開発生産性向上の事例として横展開可能。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。