AIを活用したソフトウェア開発：研究成果を実践に移すためのチーム構成と能力

原文リンク(2026-07-30)

AIは増幅器である。組織システムに戦略的焦点を当てることで最大の成果が得られると、ネイサン・ハーヴェイはQConロンドンでの講演「Scale High Performance, Not Dysfunction」で説明した。DORAの2025年におけるソフトウェア開発におけるAIに関する調査では、研究を実践に活かすために活用できるチームのプロファイルと成功に必要な能力が提示されている。

Harvey氏によると、DORAはチームが技術活用をどのように改善していくかを研究している。その範囲はソフトウェアデリバリーを含むが、単なる技術にとどまらず、チームとして、あるいは個人としてどのように働くか、さらにはビジネスをどのように推進し、顧客に真に奉仕するかまでを網羅している。DORAは、定性調査を補完する形でアンケート調査を実施している。 2025年には、「DORAにおけるAI支援型ソフトウェア開発の現状」レポートを発表した。

Harvey氏は、ソフトウェア開発におけるAIの主な役割は「増幅器」であると述べた：

AIへの投資から最大の成果を得るには、根底にある組織システムに戦略的に焦点を当てる必要がある。その基盤がなければ、AIは局所的な生産性向上の孤立した領域をもたらすだけで、下流の混乱によってその効果が失われてしまう傾向がある。

研究者たちは、チームのパフォーマンス、製品のパフォーマンス、有効性、業務上の摩擦（friction）、バーンアウトなど、さまざまな要因にわたってチームがどのような状況にあるかを把握したいと考えていた。Harvey氏によると、データから7つの独自のチームプロファイルが特定されたという：

• 根本的な課題
• レガシーによるボトルネック
• プロセスによる制約
• 影響力は高いが、ペースは遅い
• 安定的かつ系統的
• 実務重視の担当者
• 調和のとれた高業績者

例として、彼は「プロセスに制約される」チームプロファイルのスパイダーチャートを示した：

このチームプロファイルでは、バーンアウトが高く、業務上の摩擦（friction）が大きく、 個人の生産性は低く、価値ある作業に費やす時間も少ないとHarvey氏は述べた。ソフトウェアのデリバリーの安定性はかなり良好で、他のどのチームよりも低い数値だが、スループットは他チームよりやや低い。 「所属するには理想的なチームとは言えないが、我々は実際にはそれほど多くの価値を生み出せていない」とHarvey氏は述べた。

Harvey氏は、一部のチームが他のチームよりもAIからより多くの価値を引き出せる要因があるかどうかを知りたかったと述べた。彼らは、AIの導入と組み合わせることでより良い成果をもたらす7つの能力を特定した：

• 明確かつ周知されたAI活用に関する方針
• 健全なデータエコシステム
• AIがアクセス可能な社内データ
• 徹底したバージョン管理の実践
• 小規模なバッチでの作業
• ユーザー中心の姿勢
• 質の高い社内プラットフォーム

私たちが作るソフトウェアはすべて、人間のために作られているとHarvey氏は主張した：

「私たちの仕事は問題を解決することだ。ユーザーを深く理解し、彼らが必要とするもの、つまり彼らの生活を向上させるようなものを構築することだ。」

AIは物事をはるかに速く処理でき、選択肢を広げてくれるとHarvey氏は述べた。1つのプロトタイプを作るのにかかった時間よりも短い時間で、5つのプロトタイプを作ることができる。ユーザーが何を望んでいるかを正確に理解するのは非常に難しいため、Harvey氏は多くのものを構築し、試してみて、チームで議論することを提案した。

昨年12月、DORAは「AI Capabilities Model」レポートを発表した。研究を実践に移すにあたり、Harvey氏は現状を評価し、優先順位を設定し、継続的な改善の文化を醸成することを提案した。「組織で働く以上、独自の文脈や顧客が存在する。DORAのレポートの内容を、その文脈に合わせて解釈しなければならない」とHarvey氏は述べた。 調査結果を仮説として活用すべきだと、彼は結論付けた。

InfoQは、講演終了後にNathen Harvey氏にインタビューした。

InfoQ：AIが個人の生産性やコード品質に与える影響について、DORAレポートから導き出された主な結論は何だろうか。

Nathen Harvey：AIの導入が進むにつれ、コード品質と個人の生産性の両方に対する認識上の影響も大きくなった。実際、自己申告による個人の生産性は、調査対象となった他のあらゆる側面と比較してもっとも大きな上昇を見せた。コード品質に対する認識も向上した。

興味深いことに、個人の生産性とコード品質が向上した一方で、ソフトウェアのデリバリーの不安定性も高まった。これは、新しいデプロイによって生じたエラーを修正するために、デプロイのロールバックやホットフィックスが必要になるケースが増えることを意味する。

この矛盾――コード品質の向上とソフトウェアデリバリーの不安定化――は、インセンティブの不整合や、導入された変更の影響に対する可視性の欠如を示唆している可能性がある。これは、ソフトウェアエンジニアが主に新機能の構築に注力し、それらの機能が本番環境でどのように機能するかについてはあまり気にしない場合に起こり得る。

InfoQ：AI機能は、チームがAIからより多くの価値を引き出す上でどのように役立つのか。

Harvey: これらの機能は、チームがAI導入への投資を最大限に活用する方法を理解するのに役立つ。例えば、DORAのデータはかねてより、バッチサイズを小さくして作業する方が、ソフトウェアデリバリーのパフォーマンスが向上することを示している。AIはこの考え方にプレッシャーをかける。なぜなら、モデルが大規模な変更セットやプルリクエストを提案してしまうからだ。

大規模な変更は、レビューや目的への適合性の評価がより困難になる。さらに、大規模な変更にはより多くのリスクが伴う傾向がある。

チームはこうした知見を活用し、AIアシスタントと連携して、大規模な変更を、個別にデプロイ可能な小さな単位に分割できる。

InfoQ：AIの導入と価値創出において、プラットフォームはどのような役割を果たせるか。

Harvey: 質の高い社内プラットフォームは、組織がAIから価値を引き出す上で重要な役割を果たす。第一に、プラットフォームは特定の機能を組織全体で利用可能にする最適な手段だ。モデルやワークフロー、その他の機能を広く利用可能にすることは、AIの導入と価値実現を促進する。

しかし、その役割は単に機能を利用可能にするだけにとどまらない。プラットフォームにより、組織は複雑さをプラットフォーム側に委ね、プラットフォームのユーザーからはその複雑さを隠すことができる。

例えば、組織が遵守すべき特定のセキュリティポリシーがある場合、プラットフォームは構築される新しいソリューションすべてに対してそのポリシーを適用できる。そうすることで、ポリシーへの準拠性を高めると同時に、ポリシーについて考慮しなければならないという複雑さを抽象化して隠蔽できる。