AI駆動開発はどこまで来たのか？ ファインディの最新実態調査で読み解く現在地 Devin Con Tokyo

AIによる開発支援は「試す」フェーズから「成果を問う」フェーズへ移行しつつあります。
本セッションでは、本イベント参加登録時のアンケート（役職・企業規模・内製開発体制・AIで効果が出ている開発プロセス・導入課題など）の分析結果を発表。さらにファインディが実施するより広範なエンジニア組織調査と比較し、参加者層の先進性や業界全体との温度差を定量的に明らかにします。その上で、自律型エージェントへの移行など、いま押さえるべきAl駆動開発の最新トレンドを整理してお届けします。

Transcript

1. 2026.08.26 AI駆動開発はどこまで来たのか？ イベント申込者× ファインディの最新実態調査で読み解く現在地 ファインディ株式会社 執⾏役員 ⼭⽥ 郷 Confidential © Findy Inc. 1
2. 今⽇の資料 © Findy Inc. 2
3. ビジョン 挑戦するエンジニアの プラットフォームをつくる。 テクノロジーによる社会変⾰の時代に最も必要なことは、エンジニアの可能性を拡げることです。 Findyは、アルゴリズムとヒューマニティの融合によって、 すべてのエンジニアが不安なく挑戦できる世界共通のプラットフォームをつくります。 個⼈のチャンスを⽣み出し、組織の⽣産性を向上させ、社会の⼈材資産を好循環させる。 エンジニアプラットフォームが、デジタル社会の発展を加速していきます。 © Findy Inc. 3
4. ビジョン - 挑戦するエンジニアのプラットフォームをつくる 採⽤⽀援‧開発組織改善、カンファレンス事業など、エンジニアを⽀援するサービスを展開 個⼈向けサービス 企業向けサービス 採⽤⽀援領域 キャリア⽀援領域 個⼈向けサービス Tech Branding⽀援 ロボティクス‧Physical AI領域に参⼊ 技術メディア領域 エ ン ジ ニ ア 開発組織改善‧AI駆動開発⽀援領域 個⼈向けサービス 企 業 技術広報⽀援個⼈向けサービス Findy ID（共通ID） 興味や関⼼事を含むパーソナルデータ ベンダー向け⽀援サービス イベント 参加履歴 メディア 閲覧履歴 スキル 偏差値 資格情報 学習履歴 テックカンファレン ス開催 マーケティング 活動⽀援 IT ベン ダー © Findy Inc. 4
5. テックカンファレンス事業の運営 世界中の知⾒が集まるテックカンファレンスを年10回以上主催 © Findy Inc. 5
6. ⾃⼰紹介 ファインディ株式会社 執⾏役員 ⼭⽥ 郷 Sansan株式会社でPMM‧サービス連携のPMを担当後、2022 年にファインディへ⼊社し。DevRelを経て、カンファレンス 事業、Findy Toolsを⽴ち上げ事業責任者を務める。2026年1 ⽉より執⾏役員就任。 サンフランシスコでのAIE World's Fair、AIE Singapore に参 加。グローバルのAI駆動開発の潮流を追っています。 © Findy Inc. 6
7. AI Engineering Summit 2026 Summer © Findy Inc. 7
8. Findy Tools 技術選定を⽀援する開発ツールのレビュー‧調査プラットフォーム「Findy Tools」。 各社のレビュー記事や特集記事 など、ツールの技術選定に役⽴ つ情報を多数掲載 • アーキテクチャの紹介 • ツールの導⼊背景、選定理由 © Findy Inc. 8
9. 「開発組織におけるAI導⼊‧活⽤実態調査」AIツール調査レポート (2026年8⽉) 回答者の65%以上が67.0%が役職者、従業員1,000名規模 ITツール調査レポート 実施：2026年8⽉ 発⾏：ファインディ株式会社 （n=515） © Findy Inc. 9
10. Devin Con 申込者アンケート ⽴場(n=413) Devin Con 2026 | 会場アンケート 役職(n=413) © Findy Inc. 10
11. 今⽇の問い AIで実装「量」は増加 「コーディング」の外へ踏み出し、 価値を⽣み出す ためには？ © Findy Inc. 11
12. AIの効果は、事業会社‧SIerともに「実装‧コーディング」が最多。 ※事業会社は内製開発を⾏う189名(「ほぼ全て外部委託」「受託が中⼼」「開発に携わっていない」を除く)。SIer‧受託は⽴場での回答者全員。 © Findy Inc. 12
13. 事業会社の課題は「テスト‧QA」、SIerは「要件定義」。 設計‧実装も事業会社より⾼く、「作る前」の⼯程に課題が集中している。 ※事業会社は内製開発を⾏う189名(「ほぼ全て外部委託」「受託が中⼼」「開発に携わっていない」を除く)。SIer‧受託は⽴場での回答者全員。 © Findy Inc. 13
14. 事業会社の課題は「テスト‧QA」、SIerは「要件定義」。 設計‧実装も事業会社より⾼く、「作る前」の⼯程に課題が集中している。 ※事業会社は内製開発を⾏う189名(「ほぼ全て外部委託」「受託が中⼼」「開発に携わっていない」を除く)。SIer‧受託は回答者全員。 © Findy Inc. 14
15. 内製が進む企業は、効果が実装の外(レビュー62%‧設計44%)へ広がり、 課題はテスト‧QA、運⽤へ移る。 これから進める企業は導⼊‧実装も以前として課題。 © Findy Inc. 15
16. AIによって⽣産性は上がったのか © Findy Inc. 16
17. Findy Team+を利⽤している200社以上の企業平均データ ほぼ横ばい ※Findy Team+のログデータ分析（2026年7⽉） © Findy Inc. 17
18. Findyの開発組織 - 全体のPull request作成数 © Findy Inc. 18
19. 1⼈あたりのPull request作成数 © Findy Inc. 19
20. ファインディで起きていたこと： AIを導⼊しても⽣産性は変わらなかった。 稼働⼈数は1.5倍に増えたのに、1⼈あたりのアウトプットは横ばい。 © Findy Inc. 20
21. シニアエンジニアのPull request作成数 © Findy Inc. 21
22. ジュニアエンジニアのPull request作成数 © Findy Inc. 22
23. AIが効率化したのは、「コーディング」という⼀部分。 1年がかりで変⾰を実施し、1⼈辺りのPR作成数を1.5倍へ。 2024年 2026年 2025年 ほぼ横ばい 約1.5倍に ※Findy Team+で計測した、弊社エンジニアの1⼈あたりのPR数の推移 © Findy Inc. 23
24. 開発プロセスをコーディングの外へ 「速く作る」から「正しく作る」 © Findy Inc. 24
25. AI Engineering Summit Tokyo 2026 ⼾⽥の発表より Skills‧役割分解 の詳細はこちら https://speakerdeck.com/starfish719/su-kuzuo-ru-kara-zheng-sikuzuo-ru-he-sheng-cheng-aishi-dai-nokai-fa-hurogai-ge-no-rodomatuputoshi-xing © Findy Inc. 25
26. 速くなったのは開発⼯程ではなくコード⽣成 ⚡ AIが⾼速化したのは「コードを書く」⼯程 💻 書く⼯程 コード⽣成は AIで⼀気に 速くなった ➜ 🔍 レビュー‧検証 ←制約 「正しいか」の確認に 時間がかかる ➜ 🟰 全体は横ばい 確認に時間が掛かり 速さの恩恵が消える 可視化した数値が何よりの証拠 © Findy Inc. 26
27. 正しい作り⽅と⼿順を「ハーネス化」する ⚡ 速くコードを書ける AI でスピードは上がる ➜ ⚠ 質が落ちる 理解せず⽣成しがち ➜ 💢 指摘が増える ➜ レビュー負荷の急増 🟰 ⽣産性は横ばい 速さの恩恵が消える 🛠 「正しい作り⽅と⼿順」をハーネス化 する ファインディは「開発フロー改⾰」としてAI時代の開発を⾒直した ⚡ AI活⽤レベルを3段階に分けて、段階的に進める © Findy Inc. 27
28. 開発⼯程の分解 コード変更 要件定義 タスク分解 Issue作成 Pull request 作成 セルフ レビュー マージ レビュー QA リリース © Findy Inc. 28
29. 開発⼯程の分解 AIエージェント コード変更 要件定義 タスク分解 Issue作成 Pull request 作成 AIで代替できる セルフ レビュー マージ レビュー QA リリース © Findy Inc. 29
30. 開発⼯程の分解 AIがサポート出来る AIエージェント コード変更 要件定義 タスク分解 Issue作成 Pull request 作成 AIで代替できる セルフ レビュー AIで代替しづらい マージ レビュー QA リリース © Findy Inc. 30
31. ロードマップ ①AIエージェントでコード⽣成 AIがサポート出来る AIエージェント コード変更 要件定義 タスク分解 Issue作成 Pull request 作成 AIで代替できる セルフ レビュー AIで代替しづらい マージ レビュー QA リリース © Findy Inc. 31
32. ロードマップ ②AIエージェントでモノを作る ①AIエージェントでコード⽣成 AIがサポート出来る AIエージェント コード変更 要件定義 タスク分解 Issue作成 Pull request 作成 AIで代替できる セルフ レビュー AIで代替しづらい マージ レビュー QA リリース © Findy Inc. 32
33. ロードマップ ③AIで価値を⽣み出す ②AIエージェントでモノを作る ①AIエージェントでコード⽣成 AIがサポート出来る AIエージェント コード変更 要件定義 タスク分解 Issue作成 Pull request 作成 AIで代替できる セルフ レビュー AIで代替しづらい マージ レビュー QA リリース © Findy Inc. 33
34. ⼯程 × 役割：AIと⼈間の分担 🗺 ⼯程ごとに、AIの主体性と⼈間の役割は変わる ⼯程 🤖 AIの役割 👤 ⼈間の役割 要件定義‧タスク分解 壁打ち‧たたき台⽣成 意思決定‧スコープ確定 Issue / コード / PR ⽣成〜PRを⾃律実⾏ 分解されたタスクを渡す セルフ / レビュー 複数観点でチェック 設計‧要件適合の判断 QA‧マージ‧リリース テスト⽣成‧実⾏⽀援 品質保証‧リリース判断 © Findy Inc. 34
35. AI活⽤レベル1：AIエージェントでコード⽣成 コード⽣成からPR作成‧セルフレビューまで、AIエージェントで⾃動 化する © Findy Inc. 35
36. AI活⽤レベル2：「正しく作る」 正しい⽅法と⼿順を⽤意して、Agentic Workflowに委任する • • タスクの粒度がバラバラ ⼿順が決まっていない © Findy Inc. 36
37. 「正しく作る」フェーズと現状課題 ⚠ 課題：要件を実現する⼿順がAIフレンドリーではない ❓ 実現⽅法がわからない タスクの粒度や⼿順を 誰も決めていない 📭 依頼内容を作れない ⽣成 AI へ何を渡せば 精度よく動くかが 属⼈化している 💡 明確で簡潔なステップ構造 = AI に渡す「設計図」が必要 © Findy Inc. 37
38. 「どうやって作るか」を AI に渡す 💭 作りたいもの (Why / What) ➜ 🛠 作り⽅の設計図 (How) タスク分解で表現 ➜ 🤖 AI が実装 ステップ通りに ⽣成 ↻ 🔎 レビュー：作り⽅と実現⽅法が合っているかを検証 → 設計図にフィードバック ✨ タスク分解の品質が、そのままアウトプットの品質を決める © Findy Inc. 38
39. 協働から委任 へ 「協働」 して書くVibe Coding、「委任」 して任せるAgentic Workflow 観点 🤝 AI との協働 (レベル1 Vibe Coding) 🎯 AI への委任 (レベル2 Agentic Workflow) 関係性 隣で並⾛するパートナー タスクを任せる実⾏者 ⼈間の役割 ハンドルを握る運転⼿ ⾏き先を決める指揮者 AI の役割 助⼿席のナビゲーター ⾃⾛する実⾏エージェント 任せる粒度 1 ⾏〜1 関数 タスク / PR / フロー全体 ──── 協働 から 委任 へ ─ スケールさせたい領域から、任せる範囲を広げていく ────▶ © Findy Inc. 39
40. Agentic Workflow ─ 定義と4つの⾃律性 ⼈間がゴールと制約を与え、AIエージェントが計画‧実⾏‧⾃⼰検証までを⾃律的に進める開発スタイル 👤 ⼈間 ─ゴール ＋ 制約 ──▶ 🤖 AIエージェント 計画 → ツール実⾏ → ⾃⼰検証 ─ 成果物 ────▶ 👤 ⼈間レビュー 🎯 ゴール指向 🧭 計画と分解 「何を」を与え、「どう実現するか」はAIが組み⽴てる ⼤きなタスクをサブタスクに分解して順序付けて実⾏ 🛠 ツール使⽤ 🔁 ⾃⼰検証ループ ファイル / Skill / コマンド / 検索 / MCP を能動的に使う テスト失敗 → 修正 → 再実⾏ を⾃律的に繰り返す © Findy Inc. 40
41. 開発Issue作成 1 要件理解 — インタラクティブな質問で曖昧さを解消 ↓ 2 コード探索 — 並列の探索 Agent が複数観点で同時調査 ↓ 3 要件明確化 — 不⾜情報を補完しスコープを定義 ↓ 4 設計提案 — 実装⽅針のドラフトを⽣成 ↓ 5 タスク分解 — 実装単位に分解（粒度判定 Skill 連携） ↓ 6 Issue 作成 — Sub Issue / relationship を含む構造化 Issue ⚡ 4000個以上のIssueを⽣成 © Findy Inc. 41
42. AI活⽤レベル2：「正しく作る」 正しい⽅法と⼿順を⽤意して、Agentic Workflowに委任する © Findy Inc. 42
43. AI活⽤レベル3：「必要なモノを作る」 要件定義‧QAへ越境し、AIで価値を⽣み出す © Findy Inc. 43
44. 「必要なものを作る」フェーズ 🎯 レベル3の⽬的：AIで価値を⽣み出すところまで踏み込む 📋 ✅ 要件定義 → PdM領域への越境 QA 領域への挑戦 エンジニアリングのスピードを プロダクト企画にまで広げる 「AI で代替しづらい」とされた 品質保証も AI ⽀援で進める エンジニアリングの越境がレベル3の鍵 © Findy Inc. 44
45. 「現状把握」が出発点 🧭 システム + プロダクトの 現状把握 🔎 現状把握 システムと プロダクトの両⽅を 計測 / 取得 ➜ 🛠 現状から何がどう変わるか 施策を検討 ➜ 🚀 価値提供 PDCA 実装 → 検証 → 計測 再現性⾼く回す © Findy Inc. 45
46. QA領域への挑戦：「代替」ではなく「⽀援」 🤔 従来の認識 💡 ファインディの仮説 × ユーザビリティ × アクセシビリティ × UI / UX ✓ 「代替」 ではなく「⽀援」 する これらのテストは AI 単独では難しい → 「QA は AI で代替しづらい」 → ⼈間 × AI の協働モデル ✓ AI が QA エンジニアの判断を最⼤化 する形 🔧 AI ⽀援の 4 ステップ 📥 仕様の⾃動構造化 ➜ 🔍 観点抽出 ➜ 📋 テストケース⽣成 ➜ 🎭 ⾃動実⾏ © Findy Inc. 46
47. AIが効率化したのは、「コーディング」という⼀部分。 1年がかりで変⾰を実施し、1⼈辺りのPR作成数を1.5倍へ。 2024年 2026年 2025年 ほぼ横ばい 約1.5倍に ※Findy Team+で計測した、弊社エンジニアの1⼈あたりのPR数の推移 © Findy Inc. 47
48. 役職者の58.9%が今後1年のAIツール投資を「増やす」⽅針。 問題はお⾦ではなく、ROIが⾒えていないこと。 © Findy Inc. 48
49. 「実装」の外へ染み出し、価値を⽣み出すために 参加者みなさんとコミュニティのナレッジがAIの活⽤を加速する © Findy Inc. 49
50. ご清聴ありがとうございました © Findy Inc. 50