AIは本当に開発者の生産性を下げるのか？ - AIとの「並列作業」が生産性を向上させる
はじめに
近年、AIコーディングツールが急速に普及する一方で、その効果に疑問を呈する声も上がっています。特に、2025年7月にMETRが発表した研究『Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity』は、「エンジニアはAI活用が生産性を上げていると認識しているが実は逆に低下している」と考察しており、多くの開発者に衝撃と混乱を与えたと思います。
本記事は、この研究結果について、その主張の限界を指摘するとともに、AIの真のポテンシャルを引き出すための活用法を紹介します。AIに対する誤解を解き、開発者がAIを「並列作業のパートナー」として捉え直すことで、生産性を飛躍的に向上させるための具体的な考え方と実践方法を伝えることを目的とします。
引用：https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
発端となった論文 - AIは本当に生産性を下げるのか？
METRの論文は、AIツールが経験豊富な開発者の生産性を低下させる可能性を示唆したことで、大きな注目を集めました。AI活用に日々励んでいる開発者にとって、この結果は自身の取り組みを否定されたかのように感じられたかもしれません。
しかし、私たちはこの結果を鵜呑みにするのではなく、その背景にある実験条件を冷静に分析する必要があります。実は、この論文の実験設定には、現代のAI開発の実態を見過ごした、いくつかの重要な限界点が存在するのです。
論文の主張に対する2つの批判的視点
私たちは、METRの論文の結論に対して、主に2つの視点から批判的に考察する必要があると考えています。
批判1：実験対象のAIが限定的である
論文で評価対象とされたAIは、コード補完やチャットが主体のツールでした。これには、DevinやClaude codeに代表されるような、より自律的にタスクを計画し遂行するようなツールは含まれていません。
現代のAI開発の最前線は、単なるコード生成支援から、タスクの大部分を自律的にこなすエージェントへと移行しつつあります。したがって、特定の種類のAIツールでの結果をもって、AI全体の生産性への影響を語るのは早計ではないでしょうか。
批判2：AIの「使い方」が考慮されていない
論文の実験では、開発者がAIをどのように使ったか、特に「シングルタスク」で使ったか「マルチタスク」で使ったかが統制されていません。
多くの開発者が、AIに指示を出し、その応答を待つ間、他の作業をせずにただ待機してしまっている、あるいはそれに準ずるような行動をとっているのではないでしょうか。これでは、AIのメリットを享受できているとは言えません。AIの性能だけでなく、AIとの「協業プロセス」こそが、生産性を左右する重要な鍵となります。
AIの真価を引き出す「並列作業」という考え方
AIによる生産性低下の根本原因は、AIの応答を待つだけの「AIとのシングルタスク作業」にあると私は考えます。
AI活用のメリットを享受し生産性を高めるためには、「並列作業」という感覚を持ってAIを活用することが重要です。これは、AIを単なるツールとしてではなく、自律的に動く「同僚」として捉え、タスクを分担するという考え方です。
具体的には、以下のようなシーンが考えられます。
- AIにAPIのスキーマ定義を生成させている間に、自分はフロントエンドのUIコンポーネントを実装する。
- AIに複雑なアルゴリズムのたたき台を実装させている間に、自分は関連するユニットテストの準備を進める。
- AIにドキュメントの翻訳や校正を任せている間に、自分は次の機能の設計に取り掛かる。
このように、AIの処理時間を「待ち時間」ではなく、自身の「生産時間」として活用することで、開発プロセス全体のスループットを最大化できるのです。
「並列作業」を実現するための課題と解決策
「並列作業」と簡単に言いましたが、その実現にはいくつかの課題が伴います。しかし、これらの課題もまた、AIを活用することで乗り越えることが可能です。
課題1：コンテキストの共有
AIに自律的にタスクを任せるには、プロジェクトの全体像やコーディング規約といったコンテキストを正確に伝える必要があります。
解決策:
GitHub Copilotの#codebase機能や、プロジェクト共通のカスタム指示（instructions）などを活用することで、AIに対して効率的にコンテキストを共有できます。これにより、AIはプロジェクトの文脈を理解した上で、より精度の高いアウトプットを生成できるようになります。
課題2：明確な要件定義
AIにタスクを委任するには、人間が明確な要件を定義する必要があります。この準備コストが、並列作業の導入を妨げる一因となり得ます。
解決策:
要件定義のプロセス自体にもAIを活用しましょう。人間がゼロからドキュメントを作成するのではなく、AIにたたき台を作らせ、人間はレビューと修正に集中することで、準備コストを大幅に削減できます。
どの程度の粒度でタスクを任せるべきかは一概には言えませんが、「要件定義の時間 ＜ 自分で実装するタスク遂行の時間」かつ「レビューしやすい粒度」というのが一つの目安になるでしょう。
参考: 要件定義をどう効率化すればよいかアイデアがない方は、こちらの記事で紹介されているプロンプトが参考になるかもしれません。肝はAIとユーザーのインタラクションに重点を置いたプロンプトの設計という点です。お互いの認識の齟齬が発生しにくくなる利点があります。
【GitHub Copilot】Custom Chat Modeが登場！Copilotのカスタマイズがより柔軟に。
課題3：AI出力のレビューコスト
AIが生成したコードの品質を担保するためには、人間のレビューが不可欠です。しかし、AIの出力が毎回異なると、レビューコストが増大してしまいます。
解決策:
レビューコスト増大の一因は、出力フォーマットが標準化されていないことにあります。テンプレートや構造化された出力形式（例: JSON、特定のクラス構造）を事前に指示することで、出力の予測可能性が高まり、レビューの効率は格段に向上します。将来的には、このレビュープロセス自体を支援するAIツールの登場も期待できるでしょう。
まとめ
METRの論文は、AIと開発者の関係性について、私たちに重要な問いを投げかけました。しかし、その結論は限定的な状況下のものであり、AIの可能性を狭めるものではありません。
AIをシングルタスク的に使うのではなく、自律的にタスクをこなす「同僚」として捉え直し、マルチタスク的に活用すること。これこそが、AIの真価を引き出し、開発者の生産性を飛躍させる鍵となるでしょう。
おまけ（宣伝）
Next.jsで自分のキャパシティを把握しながらTodo管理ができるアプリを開発・リリースしています！
「３日坊主になってしまう」、「Todoは作るけど結局予定がくるってタスクをこなせない。。」といった悩みを抱える方にうってつけのアプリになっています。
現在は製品化に向けてアプリを刷新中で、夏中にはリニューアル版をリリースする予定です。PoCという位置づけではありますが、機能面では充実していますのでぜひ１度使ってみてください！
Discussion