生成AIによる開発生産性の向上はなぜ条件付きなのか：開発者インタビューから見る実態
公開日
開発生産性
生成AIツールはソフトウェア開発の現場に急速に普及していますが、生産性に与える影響については「開発速度が向上した」という実験結果がある一方で「熟練開発者が使い慣れたコードベースでは遅くなった」という報告もあり、見解が分かれています。コード生成速度の向上だけでなく、要件理解やコード検証といった開発全体のプロセスの中で、生成AIがどのように機能しているかを把握することが重要になっています。
本記事では、フィンランドのラッペーンランタ・ラハティ工科大学（LUT大学）のTran Huy Nguyen Nguyen氏による論文「HOW GENERATIVE ARTIFICIAL INTELLIGENCE (AI) TOOLS CAN ENHANCE SOFTWARE DEVELOPMENT?」を紹介します。北欧の企業に所属する6名のソフトウェアエンジニアを対象とした半構造化インタビューをもとに、日常業務における生成AIツールの利用実態と、生産性向上が条件付きになる理由を整理します。
調査の概要：北欧のエンジニア6名を対象とした質的インタビュー
本研究では、単一タスクの完了時間を測る定量実験では捉えきれない「開発者がどのような文脈で生成AIを扱い、その影響をどう捉えているか」を明らかにするため、質的調査の手法が採用されました。
データ収集は2025年12月から2026年7月にかけて実施され、異なる経験年数とドメインを持つソフトウェアエンジニア6名（P1〜P6）に対して約25分〜35分のオンライン半構造化インタビューが行われました。
表1：インタビュー参加者の概要
| 参加者 | 役職 | ドメイン | 経験年数 | 主な利用AIツール |
|---|---|---|---|---|
| P1 | スタッフエンジニア | AIアプリケーション | 約14年 | Claude Code, ChatGPT, Gemini |
| P2 | シニアフルスタック開発者 | Web・ソフトウェア製品 | 約10年 | Cursor |
| P3 | シニアソフトウェアエンジニア | Eコマース | 約8年 | Claude Code, Gemini, Perplexity, GitHub Copilot agent, 社内AIツール |
| P4 | ジュニアソフトウェア開発者 | 航空・クラウド基盤 | 約3年 | GitHub Copilot |
| P5 | ジュニアソフトウェア開発者 | ソフトウェア・Web開発 | 約1年 | Antigravity, ChatGPT |
| P6 | ソフトウェアエンジニアリング研修生 | 電気通信 | 初職（研修生） | Cursor |
テーマ1：日常業務に組み込まれる生成AIと情報理解への活用
インタビューの結果、すべての参加者が生成AIを日常の開発ワークフローに組み込んでいることが確認されました。利用形態は単純なコード補完にとどまらず、多岐にわたっています。
定型的な実装作業の加速
ボイラープレート（定型コード）の作成やUIのスタイリング、複雑なループ処理の記述、巨大なファイル内での関数呼び出し箇所の特定など、反復的で定型的な作業において生成AIが広く活用されていました。例えば参加者P5は、要件定義からデモ用のコードベース全体を数分で生成させ、その後のデバッグやリファクタリングに時間を充てるワークフローを報告しています。
問題理解とドメイン知識の補完
コード生成以上に大きな効果として挙げられたのが、要件分析、用語の調査、ログ解析、レガシーコードの理解といった「問題理解」の補助です。参加者の多くは、総労働時間の中で実際にコードを書く時間は20〜30%程度であり、大半の時間は要件のすり合わせや調査に費やされていると述べています。生成AIがWeb検索の代替として機能し、仕様の不明点や過去のコードの意図を把握する時間を短縮している様子が示されました。
組織ポリシーとデータ保護による制約
一方で、ツールの利用範囲は組織のセキュリティポリシーによって大きく左右されます。参加者P3の企業では、社内サーバーにモデルをホストしゲートウェイを経由させることでセキュアな利用環境を整えていたのに対し、参加者P4やP6の環境では機密コードやログの外部送信が制限されており、AIの恩恵を受けられない領域が存在していました。
テーマ2：生産性向上を左右する4つの条件
すべての参加者が生成AIによる生産性向上を実感していると回答したものの、その見積もりには「全体で約5%の時間短縮」から「特定タスクで半分以下の時間に短縮」まで大きな幅がありました。このばらつきは、以下の4つの条件によって説明されます。
- タスクの種類：定型的なボイラープレートやテスト作成では高い効果が得られる一方、プロジェクト独自の制約や予算要件が絡む新規機能の開発ではAIへの依存度が下がり、手動での実装が中心となります。
- コードベースへの習熟度：コードベースの構造を熟知している熟練者の場合、1行の修正を自力で行う方が、AIに指示を出して生成コードを検証するよりも速いケースが挙げられました。
- 開発者の専門知識：AIに適切なコンテキストを与え、出力されたコードの妥当性を評価するためには、プログラミング言語の構文知識以上にエンジニアリングの基礎知識や問題解決力が求められます。
- 組織のアクセス方針：社内規定により機密データの取り扱いが制限されている場合、AIを利用できる領域が限定され、得られる効果も制限されます。
定量的な先行研究で示された「単純タスクでの大幅な速度向上（Peng et al., 2023）」と「成熟したコードベースでの作業遅延（Becker et al., 2025）」の対立は、測定対象となった作業の性質やコードベースへの習熟度の違いが反映された結果であると解釈できます。
テーマ3：コーダーからマネージャーへの役割の変化と検証コスト
生成AIの導入によって、開発者の役割は「コードを一から書く作業」から「コンテキストを提供し、生成された出力を検証・監督する作業」へとシフトしています。
信頼の限界と検証の負担
生成されたコードは表面的には正しく見えても、未使用の関数が含まれていたり、コメントが意図せず削除されたり、誤った依存関係が設定されたりするリスクが存在します。参加者P1は「AIは赤ん坊のようなもので、脳がないため散らかすことがある」と表現し、出力に対する無批判な信頼は危険であると指摘しています。
検証にかける深さは、コードの重要度や開発者の経験によって異なります。研修生であるP6がコミット前に全行を慎重に確認する一方で、熟練者は設計やアーキテクチャの確認に注力するなど、確認作業にかかる工数がコード生成によって浮いた時間を相殺する構造が見られました。
人間同士のコミュニケーションの継続
要件のすり合わせやステークホルダーとの調整、プロジェクトの歴史的経緯に基づく判断などは、生成AIでは代替できない領域として残っています。チーム内のコードレビューにおいては、AIがコードレベルの細かな指摘を担うことで、人間同士の議論がアーキテクチャやシステム設計といった上位の論点にシフトする傾向も観察されました。
SPACEフレームワークから見る開発生産性の再評価
論文では、Forsgren et al.（2021）が提唱したSPACEフレームワークの5つの次元に沿って、生成AIの影響が多面的に整理されています。
表2：SPACEフレームワークの各次元における影響のまとめ
| SPACEの次元 | 本調査で報告された主な利点 | 発生したコスト・制限事項 | 全体的な傾向 |
|---|---|---|---|
| Satisfaction & Well-being | 手作業のコーディングや定型タスクの負担軽減 | 不確実性への不安、検証負担、予期しない修正への対処ストレス | 限定的・好悪が混在 |
| Performance | 人間による監督と組み合わせることで実用的なコードを作成可能 | 生成された単体テストの信頼性不足、冗長なコードの混入リスク | 人間による検証が前提 |
| Activity | 短時間での大量のコードやプロトタイプの出力 | 生成前のコンテキスト準備や生成後のデバッグ・リファクタリング時間は測定されにくい | 見かけの活動量増加に注意が必要 |
| Communication & Collaboration | PRレビューにおけるコードレベルの指摘をAIが支援し、設計の議論へ集中 | 計画・要件調整や顧客との対話は代替不可。過去の文脈把握には同僚への相談が有効 | 役割の再配分（代替ではない） |
| Efficiency & Flow | 調査、テンプレート作成、レガシーコード読解の迅速化 | コンテキスト入力と出力検証に時間を要し、単純な生成速度ほど全体の時間は減らない | 向上（ただし生成速度単体よりは控えめ） |
コミット数や作成コード行数といったActivityの指標だけを追跡すると、生成後のデバッグやレビューにかかる時間が隠れてしまい、生成AIの生産性への寄与を過大評価する恐れがあります。
開発現場で生成AIの活用を検討する際のポイント
本研究の結果は、Web開発者やエンジニアリングマネージャーが日常業務やチーム運用を見直すうえで参考になります。
- レビュー能力を重要スキルとして捉える：生成AIを頻繁に利用しても、出力の正しさを判断できなければ手戻りが増える可能性があります。特に経験の浅い開発者にとっては、コードの検証能力を養うことが重要です。
- 表面的な活動量指標に依存しない：マネージャーが生産性を評価する際、コード行数やコミット数だけで判断すると、レビューやデバッグに費やされた労力が見落とされるリスクがあります。
- 組織に応じたデータ環境を整える：機密保持の観点から利用を制限する場合でも、社内ホスト環境や安全なゲートウェイを用意することで、セキュリティを維持しながら開発支援を受けられる余地が生まれます。
まとめ
生成AIツールは、定型的な実装作業や要件・コードの調査を大幅に効率化する一方で、生成物の確認や修正といった新たな監督業務を生み出しています。生産性の向上幅は一律ではなく、タスクの性質、コードベースへの習熟度、開発者の基礎知識、組織のアクセス制限によって左右されます。
開発生産性を検討する際は、ツールのコード生成速度だけに注目するのではなく、前後のコンテキスト準備や品質検証を含めた開発プロセス全体を多面的に評価することが推奨されます。
開発生産性やチームビルディングにお困りですか？ 弊社のサービス は、開発チームが抱える課題を解決し、生産性と幸福度を向上させるためのさまざまなソリューションを提供しています。ぜひお気軽にご相談ください！
参考資料：