あなたのシステムはすでに盲点を抱えています。AIはそれをさらに悪化させるだけです。

2022年、生成的コーディングツールが日常のエンジニアリング作業の一部になる前に、私は書きましたツール選択に関する私の哲学について。それは予想以上にうまく機能しています。当時、私は実際に解決している問題から始め、弱点を把握し、ツールを使う方法を優先すべきだと主張しました。単に最も魅力的に聞こえるツールに飛びついてうまくいくことを期待するのではなくです。自分自身と目標を知り、ツールに対する適切な期待値を設定できるようにしましょう。

当時、私はAI生成コードではなく、SaaS sprawl について考えていました。ですが、今日では私の哲学はさらに緊急性が増し、守るべき重要性が高まっています。

私たちの多くは、2025 DORA report、そこでは前年とは異なり、AI導入がデリバリーのスループットと正の相関があることが判明しました。その背後にある発見は、デリバリーの不安定性が上昇し続けており、速度向上がそれを補えるかどうかがテストされたことです。結果は補えないということでした。これは私たちの経験と一致します。私たちのチームはエージェント型ソフトウェア開発を採用し、2四半期でスループットが48％増加し、その後安定性の問題が16％増加しました。10人というサンプルは小規模ですが、全体像を把握できるサンプルでもあり、パターンは維持されました。

AI導入はもはや質問ではありません。あなたは導入を始めたばかりか、すでに本格的に取り組んでいるかのどちらかです。現在の違いは、エンジニアリングリーダーがAIを採用し、その効果を証明することが期待されている点です。CEO、取締役会、財務部門は皆、AI投資を最適化する方法を知りたがっています。彼らは、選んだツールが実際の問題を効率的に解決しているかどうかを問うています。

ギャップは常に存在していました。AIはそれをさらに広げただけです。

CTOとして、私は時間のかなりの部分を他のエンジニアリングリーダー、顧客、見込み客、そして同僚と話すことに費やし、AIに関する経験や成果、そして不満点を比較しています。十分な会話を重ねるうちに、AI導入とその結果にパターンが見えてきました。

主要な観察は私のものではありません。DORAはここ2年間それを先導してきました。AIは組織内で既に起きていること、強みも弱みも増幅させます。クリーンなアーキテクチャと健全なレビュー習慣を持つチームは速度が上がります。コードを出荷できる程度に技術的負債をかき集めたチームは、今やその負債が大きな障壁に成長していることに気づきます。ただし、この枠組みが見落としているのは、なぜ多くのチームが不意打ちを受けるのかという点です。AIがこれらの弱点を隠したわけではなく、私たちが依存してきたシステムがそれらを表面化させなかったのです。

ほとんどのエンジニアリング組織が使用しているチケット・レポーティングスタックは、人間が持つ質問に人間の速度で答えるために、作業の「完了」の概念を大まかに理解している人々によって構築されました。これは決して完全な記録ではなく、常に近似であり、下にあるより複雑なものを要約する人が埋めていました。現在、AIは量を増やし、新たな入力を加えて新しい活動を生み出します。従来の非AI開発手法で使用されていたシステム（またはツール）は、これに対応するようには作られていませんでした。

それでも、私たちは同じ目標に対して責任があります。スピード、品質、コスト、そしてチームの実際の状況は依然としてあなたの管理下にあります。ただし、昨年のダッシュボードを盲目的に信頼することはもうできません。

ここには妥当な反論があります。DORA’s 2026 ROI reportはJカーブを示しています。採用直後に生産性が低下し、これは学習曲線、AI生成コードの検証コスト、そして追いついていない下流プロセスが原因です。彼らはこれを変革の「授業料コスト」と呼び、リーダーに失敗と勘違いしないよう警告しています。確かにその通りです。しかし、授業料と実際の問題は、チケットから作成されたダッシュボード上では同じように見えます。どちらにいるか判断できなければ、忍耐強くなることはできず、推測しているに過ぎません。

基本に立ち返る必要があります。自分自身を知り、チームを知り、解決すべき問題を知りましょう。

AIで「自分自身を知る」にはどうすれば良いか？

私の会話から、従来のシステムが盲点となっている5つの主要領域を特定しました。これらは人間が生成し報告する作業のために構築されています。これらを無視すれば、AI導入を続ける中で弱点が増幅されるリスクがあります。

盲点 1：スピード・シアター

コミット数やプルリクエスト数が増えると進捗のように感じ、実際にそうであることも多いです。AIは両方の数を自動的に増やします。 Stanford ケーススタディはAI導入によりプルリクエスト数が14％増加したことを示しました。しかし、見落としているのは、その活動のうちどれだけが実際にリリースされる機能作業で、どれがメンテナンス、再作業、または定着しなかったリファクタリングによる churn なのかです。

これに対処するには、機能作業とメンテナンスの比率、そしてデプロイ頻度とリードタイムを業界平均ではなく自社の過去のベースラインと比較して監視してください。その分割がなければ、実証できない進捗を報告していることになります。

盲点 2：レビュー負債

レビュー容量は出力に比例して自動的に拡大するわけではありません。検証コストは通過すべきフェーズではなく、エージェント開発の固定費の一部です。 recent survey of engineering leadersは、80%のチームが少なくとも作業時間の10%をレビューに費やしており、約10%のチームが40%以上を費やしていることを見出しました。その負荷の下で、チームは増大するバックログと形だけの承認の間を揺れ動き、どちらも実質的な解決策とはなりません。

出荷の制約は、もはやコードが書かれる速さではありません。重要なのは 人間が変更が正しいと自信を持てるまでの速さ、欠陥を検出し対処できる速さと正確さ。レビュー負荷がチーム全体で実際にどのように分散しているかを確認しないと、シニアエンジニアに過負荷がかかり、リリースが遅れ、重大な本番問題を引き起こすリスクがあります。

盲点 3: 隠れた作業

リファクタリングやアーキテクチャの変更は、他のチケットの中に隠れがちで、チケットシステムに現れることすらありません。AIはこの種の作業を減らすのではなく、むしろ増やします。エージェントはバグ一つを修正するために12ファイルに手を付けることをためらいませんが、人間は一旦立ち止まって再考することがあります。記録システムを迂回する作業は計画も迂回することになり、結果としてキャパシティモデルが誤り、その上に構築されたすべての予測も誤りになります。

実際にどれだけの作業が行われているかを把握するには、コードベースとプルリクエストの履歴で実際にどれだけ変更が起きているかを監視する必要があります。これがなければ、キャパシティ計画は人々が記録したことを元にしたものであり、実際に行った作業に基づいていません。

盲点 4: 品質ドリフト

同じ調査によると、エンジニアリングリーダーのほぼ半数が週ごとにセキュリティ問題を検出するのに苦労していることが分かりました。適切に見える小さな変更が多数積み重なることで、不要な複雑性、重複、そして本来属さない依存関係が蓄積します。これら単体では警戒すべき兆候には見えません。同じスタンフォードの事例研究では、コード品質が9％低下し、そのばらつきは3倍以上に拡大しました。平均値はわずかに変動しただけですが、ばらつき（実際に目にする部分）は大きく変動しました。AI規模の環境では、これらは多くのレビュー工程が追いつく前に急速に蓄積します。ドリフトは、誰もレビューした記憶のない依存関係に起因するオンコールアラートとして表面化することが多く、これが発生した時点で顧客が既に気付いている可能性が高いです。

セキュリティ検出、依存関係、障害と復旧のトレンドラインを監視してください—個々のコミットではなく。数週間にわたって増大する複雑性や重複は、レビューで指摘される単一の変更よりも重要です。これがなければ、ほとんどのチームが現在も行っているように、インシデントが発生した後にしかドリフトを検出できません。

盲点 5: 証拠のない支出

AIの導入が議論の対象でなくなると、AIへの支出とROIが皆が注目する課題になります。財務部門は資本化できる費用と運用費用の違いを知りたがります。経営陣は投資の成果を知りたがります。多くのチームは依然として、金銭と実際に提供された作業との関係を証明するデータではなく、直感に基づいてツール、ライセンス、人数の決定を行っています。

エンジニアリングの取り組みがコードベース内で実際にどこに流れているかを四半期ごとに監視してください—ロードマップが示すべき場所ではなく。このリンクがなければ、来年度の予算を逸話で擁護することになり、CFOとの厳しい対話では逸話は通用しません。

見えないものから始める

財務部門の資本化支出に関する質問と、午前2時のオンコールページは無関係に見えますが、実はそうではありません。どちらも活動から「概算」でき、実際にはコード自体から証拠をもとに答えることが可能です。

DORAが示す答えはエンジニアリングシステムそのものです：プラットフォームの品質、ワークフローの明確さ、チームの整合性。これは正しいですが、最初のステップでもありません。見えないシステムは改善できません。これら5つの領域はすべて、投資を正当化する前に観測できる必要があります。

最初に取るべき有用なステップは新しいツールやプロセスではありません。自分自身を正直に知り、これら5つの領域のうち実際の証拠が不足している盲点を特定することです。多くのリーダーはすぐに（そして注目して）これらの領域のいずれかで問題を特定できます。しかし、情報が最も少ない領域こそが、AI導入を進める中で最も表面化し、痛みを与える可能性が高いのです。