日本 × 開発（177件）

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。

カウシェのQAリード(亀井亮介氏)がJaSST nano(2026-10-20)で登壇した内容。開発側はAI導入・CI/CD改善・開発標準化・レビュー自動化の組み合わせでPR数が急増。QAはClaude Codeでソースを読んで仕様を事実確認(根拠はファイルと行番号、推測は明記)し、AIでエピックごとのリスクアセスメントを実施。テスト実施は可能な限りAIで自動化し、実機テストはClaude Code+adbでAndroid端末を操作。仕様確認・テストデータ準備などはAIに任せ人は監視(Human on the loop)、判定・リスク評価は人が最終決定(Human in the loop)。テストを減らす判断はQAが持ち根拠を残す。QAプロセスはClaude Codeのスキル化。

開発がAIで加速するとボトルネックはQAに移る。カウシェはQAを増員せず、AIによるリスク評価・コードリバース・テスト自動化とスキル化で追従した。一方でテストする/しないの判断は人(QA)が持ち、根拠を残す設計にしている。なお会社としてQA工程の計測は不十分と認識しており、定量化はこれから。

カンリーの店舗集客チームが、CS/CRからの問い合わせ(フォーム)の一次調査をAIエージェントDevinに任せている。Devinが見られるのは問い合わせ内容・過去の問い合わせ・コード・アプリログで、DBには触れない。開発に回ってきた解決済みの問い合わせ約700件をLLMで「原因の種類」と「答えを確定させた決め手」に分類した。種類はバグ40%、仕様・使い方22%、顧客のデータの状態20%、外部サービス側の事情14%、判断できず4%。バグ以外(約56%)の決め手は、仕様知識・過去事例33%、DB29%、外部サービスの状態17%、アプリログ9%など。

AIによる一次調査の到達点は、モデルの賢さよりも「何を見られるようにするか」で決まる。現状のDevinで特定できるのはバグ以外の約44%で、DB参照を許せば約73%まで上がる見込み(AIがDBを正しく読める仮定の上限値)。DBの次に効くと予想していたAPIアクセスログ(1%)や非同期ジョブ(2%)ではなく、外部サービスの状態(17%)が大きかったのが意外な点。

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。

インパクトホールディングス(従業員1,000名超)の執行役員・DX推進本部長が、5名のエンジニアチームで全社AI基盤を内製した。2026年からバイブコーディングを導入。Gemini・ChatGPT・ClaudeをAPIで接続した従量課金の自社基盤「Colabot」(2024年10月リリース)を提供し、入力データが学習に使われない環境を全社員に用意した。バイブコーディングはチーム開発がしにくいため、1人のエンジニアが1アプリを担当する体制にした。会議ボットと音声テキスト変換で議事録作成を不要にし、自社カレンダーに法人データや名刺情報を連携して営業行動を自動記録している。認証(OIDC)も内製した。グループ約10社から20〜30名の推進委員を集め、週1回の事例共有で浸透を進めた。

本文では、従来およそ3年かかる基盤構築を、5名のチームが今年に入って約5ヶ月で全体の5割まで進めたと述べられている(見出しは「3年から10ヶ月」)。バイブコーディングの特性に合わせ、チームでなく1人1アプリで進めた点が特徴。一方、社内の利用は半数程度で、KPIの全社活用率7割には届いておらず、ベテラン層への浸透が課題とされる。

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。

開発チーム(10名弱)が、GitHub Actions上でClaude Code Actionを動かし、size-label・ai-review・auto-approveの3ジョブを構成した。PRにXS〜XLのサイズラベルを付け、品質・セキュリティ・性能・破壊的変更の観点別に確信度0〜100を付けて、閾値以上の指摘だけを報告する。結論が「マージ可能」でXS/SのPRはbotが自動でApproveする(auto mergeまでは自動化しない)。加えてDevinが月水金の朝に直近3日間のマージ済みPRを巡回し、明確な不具合は修正PRを作る。

AIエージェントでPRが増えるとレビューが詰まるため、AIレビュー、小規模PRの自動Approve、マージ後の巡回を組み合わせて対処した。導入直後はサイズ判定がpushのたびに走り、Claudeの利用量が普段の10〜20倍に膨らんだ。筆者は、4月ローンチ前の駆け込み開発の影響で、平常時はここまでの差にならない可能性が高いと留保している。

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。

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。

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。

Voicyの開発組織は、iOS・Android・Web・バックエンドの職種名を廃止して全員を「プロダクトエンジニア」に再定義した(QAとSREは専門職として存続)。評価は技術力・課題解決・ビジネス・UX/デザイン・連携・スタンスの6コンピテンシー。設計基準に「AIが書きやすいコードか」を加え、バックエンドは中核(チャンネル/放送作成と決済)をAIネイティブ構成へ移行してDBも統一、Webは自動テスト基盤を導入して「書く」より「確かめる」を先に整えた。社内業務AI基盤「ai-no-te」ではClaude(MCP・Skill)前提に業務を組み直し、QAはCRE(顧客信頼性エンジニアリング)へ拡張してZendesk連携で問い合わせの一次調査をAIに委譲している。

専門職種の壁を外した結果、専門領域外のPRが平均55.5%になり、1人1日あたりPRマージ数は0.4件から3.6件(10倍以上)へ増えた。直近半年の重大不具合数は過去推移より減ったと報告する。速度と品質の両立は、生成を速くする前に確かめる仕組み(自動テスト)を作った順序によると本人は分析する。ai-no-teは現場がスキルを書き足す形で広がり、3か月で450件超の改善、1.5か月で47スキル・7プラグインに拡大。品質面の根拠は定性的な記述にとどまり、減少要因は他にもあると記事自身が認めている。

カウシェの1人チームがLINEミニアプリ「カウシェファームミニ」を新規開発。PRD・設計・実装計画をコードと同じリポジトリに置き、PRDから並列化前提の実装計画を作る自作スキルを用意。リーダー役エージェント配下の複数実装エージェントが並列で実装し、1回の指示で5〜15件程度のPRを作成。PRは領域別のAIレビューをCIで通し、基本的にAIレビューのみでマージした。

文書をコードの隣に置くと、AIが計画・実装・レビューを横断して扱え、少人数でもPR量を大きく増やせる。ただし数値は作成PR数であり、品質や成果物の価値そのものを示すものではない。人のレビューを省いた運用である点にも留意が必要(同社のPRレビュー自動化は japan #455 に別記事で収録)。

Findy Team+でAI導入前後を比較すると、1人あたりのPR作成数は横ばいだった。工程別に分解すると、コミットからオープンまでは約10%短縮した一方、オープンからレビューまでが約15%、レビューからアプルーブまでが約30%悪化し、PRへの平均コメント数も約50%増えていた。コメントの過半はセルフレビューで防げる内容だったため、複数観点のセルフレビュー用スキルをPR作成時に強制実行する仕組みを入れ、Findy AI+でスキル利用率、Team+で効果を追った。

AIで実装が速くなると、ボトルネックはレビュー工程へ移り、全体の生産性は上がらないことがある。利用率が上がった後、レビューからアプルーブまでの時間が約10%短縮し、コメント数と変更障害率も小幅に改善、PR作成数は約1.5倍になった。本文の比較は2024→2025で変化なし、施策後に約1.5倍という内容。

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。

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。

CEDEC2026でTencent Japan合同会社の李玥江氏が講演し、Tencent社内で生成AIをデザイン・開発・QA・業務効率化の各工程に組み込んでいる実例を紹介した。ライティング工程ではクラウド並列処理とAI画質強化・アーティファクト除去を組み合わせたツール「Magic Dome」を導入、開発工程ではFigmaの内容をMCP経由で読み込みコーディング支援を行うAIエージェント「CodeBuddy」を社内展開している。

効率化ツールの効果を「N倍高速化」「N%削減」の具体数値で開示している事例で、単なる生成AI導入の宣伝ではなく工程別（ライティング/コーディング/QA）に効果測定値を出している点が参考になる。ASO記事や自社の開発効率化施策の説得材料として引用可能。

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のグローバルシステム部フロントエンドブロック（BtoBサービス「ZOZOMETRY」開発チーム）が、AI生成ユニットテストを2か月間運用。レビュー品質を保つため、①テストサマリ自動生成でレビューの入口のハードルを下げる、②PRサイズを100行程度に抑えて1回あたりのレビュー負荷を下げる、③目視確認をプロセス化する、という3つの施策を導入した。

数値向上と同時に、AIの生成速度と人間のレビュー速度のミスマッチ、コンテキストの属人化、インプット/アウトプットだけでは品質担保が困難という新課題も正直に報告している点が実践知として有用。

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)。

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。

AI駆動開発で実装速度が上がった結果レビューが追いつかなくなったため、AIエージェント Devin にレビューを一次委譲した。カスタムPlaybookを2種類用意し、(1)アーキテクチャ・命名規則・依存関係・コード規約をリポジトリ内docsと突き合わせる実装ガイドライン準拠チェック、(2)要件定義書・仕様書・テストケースとの整合、エッジケース網羅、UXフロー確認を行うビジネスロジック検証に分けた。PR作成後にGitHub Actions経由でDevin APIを呼んで自動レビューを起動し、作成者が先に修正、その後で人間が最終レビューする順序にしている。

実装だけAIで速くしてもレビューが詰まればスループットは頭打ちになる。汎用レビューではなく、自社のガイドラインや要件書と突き合わせる専用Playbookを作り込んだ点が効いている。

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。

2023年5月に導入したGitHub Copilotの社内利用実績をZOZOが公開し、キーマンズネット（ITmedia）が取材・記事化。アクティブアカウント数、コード補完の提案回数と受け入れ回数、Copilot Chatのやりとり回数を継続的に計測している。2025年4月のAgent mode / Code review 提供時には対象エンジニアを約550人へ拡大し、社内勉強会で使い方を共有した。

導入から1年超が経ってもコード補完の採用率が約30%で定着している点、Chatの利用回数のうち実際に開発へ活かされた件数まで分けて見ている点が参考になる。定量指標での計測と勉強会という定性施策を組み合わせて定着させる運用設計。

DeNAインフラSREチームがCursorを活用。①関数呼び出しグラフをGraphviz(DOT形式)で自動生成しビジネスロジックの流れを図解化するカスタムコマンド`/make-function-call-graph`(AIによる動的フィルタリングで必要情報のみ表示可)②PR説明文の作成とPR作成を自動化する`/make-pr`コマンド、を`.cursor/commands/`にGit管理してチーム全体で共有・定型レビュー作業を自動化した。

構造可視化と定型作業の自動化により、レビュー時の認知負荷を下げつつ、浮いた時間を本質的なレビューや設計議論に再配分できた事例。ただし導入対象のプロジェクト数・チーム規模は記事に明記なし。

Four Keys指標（デプロイ頻度・変更リードタイム）を導入前後で比較。デプロイ頻度は31→29件、変更のリードタイムは87.37時間→88.51時間とほぼ同水準を維持。この間シニアエンジニアが1名減員していたにもかかわらず開発生産性の指標が落ちなかった。また技術検証フェーズでCursorを活用したところ、人力でゼロから開発すれば2〜3日かかると見積もっていた検証を1日で完了できた。

AIコーディングツール導入の効果を「感覚」ではなくFour Keys指標という客観的な開発生産性指標で定量評価した事例。人員減という悪条件下でも指標が維持されたことで、Cursorが生産性の下支えに寄与したことを裏付けている。

DeNA IT基盤部SREが、仕様が明確で自動検証可能なタスクはDevin、不確実性の高い作業はCursor、情報収集・方針検討はGeminiと役割分担。Devinの実装待ち時間に人間が並行して他施策を進める体制で、レガシーPerlシステムをGoへモダン化した。

単一のAIツールに頼らず、タスクの性質(自動検証可能性・不確実性)で自律型エージェントと対話型エディタを使い分けることが、大規模レガシー移行の実務時間短縮につながっている。

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。

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。

LayerXのAI・LLM事業部（11〜50名規模、2025年1月導入開始）が自律コーディングAI「Devin」をSlack経由で運用。エンジニアがSlackで「@Devin」にメンションして開発タスクを依頼すると、DevinがGitHub上でPRを作成し、人間がレビューする流れ。リポジトリのコンテキストを登録する「Knowledge」機能も活用し、タスクに適したものを選んでDevinに任せる運用を構築した。

SlackメンションでAIエージェントにタスク依頼→GitHub上でPRレビューという運用フローを構築することで、Devin導入によりコンテナイメージサイズ70%削減・デプロイ時間40%削減という具体的な効率化効果が得られた事例。

株式会社バニッシュ・スタンダードが、要件定義前の「リファインメント」ミーティングにClaude Codeを活用。既存コードベースを読み込ませ、設計パターンやコーディング規約を踏まえた複数の実装案を事前生成し、チーム議論のたたき台とした。

会議前段でAIに実装案を複数生成させておくフローは、口頭説明や都度の質問対応に費やしていた時間を削り、会議を「選ぶ」だけの場に圧縮できる。手戻りゼロという結果は、事前に実装レベルの詳細まで可視化されたことで認識齟齬が起きなくなったことを示唆する。

NECが2026年1月からAIコードレビューサービス「Metabob」を正式導入。社内のAI専門チームが技術検証を実施した。コードの依存関係・実行フローをグラフ構造として解析し、複数ファイルにまたがる複雑なバグや実行時に顕在化するエラーの予兆を事前検出、修正案の提示までを自動化する。

既存の静的解析ツールが構文レベルのチェックに留まる中、グラフ構造解析+AIモデルで複数ファイルをまたぐバグを検出できる点が差別化要因。「AIでコードは書けるがレビューで止まる」という現場のボトルネックにピンポイントで効くツール活用の好例。

TIS株式会社の生成AI活用促進チームが2023年7月からGitHub Copilotの本格導入を推進。2024年9月時点で278名が利用し、グループ会社の新入社員を含む202名が2024年度開発研修でも利用した。効果測定のため23部門119名を対象にアンケートを実施し、生産性・コード品質・レビュー・スキル向上・開発者体験の各項目を定量測定した。

SIer大手が部門横断のアンケートで感想でなく回答比率という定量データを示した事例。生産性・作業時間削減・コード品質・レビュー指摘数減少など複数指標で導入効果を裏付けている。