Geolonia の開発現場における AIの活用について

Transcript

1. GEOLONIA Geoloniaの開発現場における AIの活用について 2026年9月 Geolonia Inc.
2. AIによる開発を全面的に導入した結果 エントリーレベルのエンジニアの仕事がなくなってしまった なくなってしまった ISSUEの数は問題ではなくなって 問題ではなくなってしまった 02
3. 数字で見る変化 — 上位3名のエンジニアに絞ると 生産性が高い開発者はさらに高く 指標 2025-08 2026-08 Commits／人 64.3 301.3 PRs／人 22.7 204.3 生産性が高いエンジニア上位30%のみの平均値 03
4. SECTION GeonicDB プロジェクトでは 04
5. 開発コスト COCOMO 試算との対比（2026-01-23〜06-01, 約4.2ヶ月） 観点 COCOMO 理論値（Semi-detached） 実際 削減比 工数 361 人月 約 4.2 人月（1 FTE × 4.2ヶ月） 約 1/86 期間 19.6 ヶ月 4.2 ヶ月 約 1/4.7 体制 18.4 人 1 人（コミット 94.5% / コード行 96.8% を主 開発者が占有） 約 1/18 コスト（@¥100万/ 人月） 約 3.6 億円（レンジ 2.1〜6.1 億円） 約 420〜500 万円 約 1/80 本番ソース約 72.1 KLOC（テスト・docs を含む総成果物は 35 万行超）に対する COCOMO 81 (Basic) による理論工数と、実際の開発実態の対比。 05
6. 品質 第三者基準と国際標準による客観評価 品質指標 IPA 中央値 GeonicDB テスト密度（件/KSLOC） 35.7 147.3（4倍超） 検出バグ密度（件/KSLOC） 1.60 0.79（半分） 未解消バグ密度 — 0.03（オープン2件のみ） テストカバレッジ（行） 推奨 80%+ 99.5% テストカバレッジ（条件分岐） 推奨 80%+ 96.3%（DO-178C 相当） 出典: IPA「ソフトウェア開発分析データ集」（日本企業約30社・5,500プロジェクト）。条件分岐 96.3% は航空・防衛向け（DO-178C）クリティカルレベル基準（95%）相当。 06
7. GEOLONIAの実例 — /SECTION9（社内スキル） AIがAIを指揮する3層の開発体制 Cursor — ISSUE #241 調査 → 実装 → テスト → PR作成 → レビュー対応 指揮役 — AIの司令塔 相談・許可 人間 仕様の「決め」 マージの最終許可 Claude Code ・担当の起動と指示 ・設計判断に答える ・レビュー・検収 ・マージ実行 起動・指示・差し戻し 調査 → 実装 → テスト → PR作成 → レビュー対応 Claude Code — ISSUE #247 コードは書かない 調査 → 実装 → テスト → PR作成 → レビュー対応 状態ファイルで報告（質問・検収依頼・完了） 原則 Cursor — ISSUE #244 担当 — issue単位で並列に自走 人手で止まるのはマージ許可の1回だけ。CI・レビューが緑でなければマージされる経路はない。 07
8. うまくいかないこと 落とし穴は「AIを信じすぎる」ことではなく、仕組みの不備 01 02 03 テストがないと効果は半減 AIの成果を機械で検証できないと、結局すべて人間が読 む羽目になる。 「動いた」と「正しい」は違う もっともらしく見えて間違うのがAIの失敗モード。レビ ューと変異テストで潰す。 コストは設計で決まる 同じ質問を繰り返させない、大きなファイルを丸読みさ せない。AIの使い方にも設計がいる。 08
9. AIに書かせる力とは、 仕様化とレビューの力。 コードを書く速さの勝負は終わった。 何を作るかを決め、正しさを保証する仕組みを持つチームが、AIの恩恵を総取りする。 09