直接回答： AIコーディングツールの普及はほぼ全面的ですが、生産性に関する厳密なエビデンスの結論は割れています。METRが2025年に実施したランダム化比較試験では、経験豊富なオープンソース開発者はAIを使うと約19%遅くなり、しかも本人たちは速くなったと信じていました。Stack Overflowの2025年調査は、大多数の開発者がAIを使う一方でその正確性を信頼していないことを示し、GoogleのDORA 2024の研究は、AI採用率の上昇がデリバリーのスループットと安定性のわずかな低下と相関することを示しています。教訓は「AIは失敗する」ではありません。見出しや逸話を信じる代わりに、自分たちの環境で受け入れられた成果を測定すべきだ、ということです。
「AIは開発者を速くする」は、ツールのマーケティングや役員会のスライドで暗黙の前提になっています。しかし、近年の最も強力なエビデンスはそれよりはるかに慎重です。ランダム化試験、大規模な開発者調査、複数年にわたるDevOps研究プログラムという、独立した信頼性の高い3つの情報源が、それぞれ異なる角度からこの主張に留保を付けています。
どれもAIコーディングツールが無意味だとは言っていません。3つを合わせると、正直な結論はこうなります：生産性効果の大きさも、その方向すらも、誰を測るか、何を測るか、どう測るかに依存する。
普及率は高い。信頼は高くない
Stack Overflowの2025年開発者調査によれば、約84%の開発者がAIツールを使用中または使用予定で、前年の76%から上昇しました。使うかどうかは、もはや興味深い問いではありません。
興味深いのは信頼です。同じ調査で、46%の開発者がAIツールの正確性を信頼しないと答え、信頼すると答えたのは33%、出力を「強く」信頼すると答えたのはわずか約3%でした。広範な普及と、正しさへの広範な懐疑が併存している——このパターンだけでも、単一の生産性数値はどれも疑ってかかるべきです。
ランダム化試験が示した意外な減速
生産性に関する主張の多くは、自己申告かベンチマークに依拠しています。非営利研究機関のMETRは、もっと希少なもの——ランダム化比較試験——を実施しました。
METRは、自身が長年メンテナンスするリポジトリ（平均22k以上のスター、100万行超のコード）で働く経験豊富なオープンソース開発者16名を集め、通常業務から246件の実在するIssueを提供してもらいました。各IssueはAIの使用を許可するか禁止するかにランダムに割り当てられました。許可された場合、開発者は当時の最先端ツール——主にClaude 3.5/3.7 Sonnetを組み合わせたCursor Pro——を使いました。
結果は予想を裏切りました：AIが許可されたとき、開発者はIssueの完了に約19%長い時間を要したのです。際立っていたのは認識のギャップでした。開発者は24%の高速化を事前予測し、タスクを終えた後でさえ、AIのおかげで約20%速くなったと信じていました。
METRはこの結果が証明しないことを異例なほど明示しており、繰り返す価値があります：
- 大多数の開発者にとってAIが高速化に失敗することを示すものではない；この研究は特定の集団を対象としている
- 対象はソフトウェア開発のみで、品質基準の高い成熟したリポジトリに限られる
- 数十時間程度のツール使用を超えた学習曲線の効果は排除できない
- METRは後に2026年の継続研究を公表し、2025年初頭の数値を過去のものと位置付けた。
この19%という数字は、要求水準の高い環境についての厳密なデータポイントの一つとして扱ってください——普遍的な判決としてではなく。
個人の速度とシステムのデリバリーは別物
個人が速くなったと感じる場面でも、デリバリーシステムは逆方向に動くことがあります。GoogleのDORA 2024レポートは、AIの採用が個人の生産性、フロー、仕事の満足度を高めた一方で、AI採用率の25%の上昇が、デリバリースループットの約1.5%の低下とデリバリー安定性の7.2%の低下に関連すると推定しました。
より満足し、速くなったように見える個人と、わずかに不安定になったデリバリー——この組み合わせこそ、単一の自己申告指標が見落とすタイプの効果です。
| 証拠の情報源 | 測定対象 | 主な結果 | 単独では証明できないこと |
|---|---|---|---|
| METRのRCT（2025） | 経験豊富な開発者が実在Issueに要した時間 | 高速化を信じていたにもかかわらず、AI使用時に約19%遅い | AIがすべての開発者や環境を遅くすること |
| Stack Overflow 2025 | 自己申告の採用率と信頼度 | 約84%がAIを使用；46%が正確性を信頼しない | 成果物の品質や速度への実際の影響 |
| DORA 2024 | チームのデリバリースループットと安定性 | AI採用率の上昇とわずかな低下の相関 | すべてのチームに当てはまる普遍的な因果法則 |
認識と現実はなぜ乖離するのか
速く感じるのに測ると遅い——この現象は、いくつかのメカニズムで説明できます：
- 自己申告バイアス。 出力のレビューと修正に費やした労力は忘れやすく、生成の瞬間は生産的に感じられる。
- ベンチマークはあなたのリポジトリではない。 範囲が限定され自動採点されるタスクでの高得点は、スタイル、テスト、ドキュメントのレビューを通過しなければならないコードには転移しない。
- 検証のオーバーヘッド。 生成されたコードを読み、テストし、修復するコストは、節約した時間を上回りうる。開発者がすでに熟知しているコードでは特にそうです。
- コンテキストスイッチ。 プロンプトを書き、待ち、提案を評価する作業は、経験豊富な開発者が頼りにするフローを中断する。
代わりに何を測るべきか
現実的な対応は、AIを禁止することでも盲目的に導入することでもありません。本当に重要な成果——自分たちの環境でレビューを経て受け入れられた変更と、その真のコスト——を測定することです。
公正な評価のために、リポジトリのベースラインと受け入れ基準を固定したうえで、次を記録してください：
- 試行数に対する受け入れられた成果の割合と、その後の手戻りやチャーン
- 受け入れられた変更1件あたりのレビュアーの実働分数
- タスク単位の速度だけでなく、時間経過に伴うデリバリーのスループットと安定性
- モデル、コンピュート、レビューを含む、受け入れられた変更1件あたりの総コスト。
これが本サイトのパイロット研究方法論を支える規律であり、AIコーディング・パイロットスコアカードの信頼性とセキュリティの厳格なゲートの根拠でもあります。タスク、環境、レビュー証跡を記録するマネージドプラットフォーム——MonkeyCodeが示すモデル——のほうが、場当たり的なノートPC上の利用より測定を容易にするのも同じ理由です。
結論
AIコーディングツールは広く採用されており、多くの場面で明らかに有用です。しかし現時点で最良のエビデンス——RCT、大規模調査、複数年のDevOps研究——は、「AIで速くなる」を確定した事実として扱うことに警鐘を鳴らしています。採用率は高く、信頼は低く、個人の認識は当てにならず、個人が速くなったと感じていてもチームのデリバリーは後退しうるのです。
主張を予算に拡大する前に、自分たちのリポジトリで、自分たちのレビュアーとともに測定を実施してください。
出典の範囲： 19%の減速、事前予測、タスク後の認識に関する数値は、いずれも経験豊富なオープンソース開発者を対象とした2025年初頭のツールについてMETRが報告した結果です。METRはこれらを過去のデータと位置付け、2026年の更新を公表しています。採用率と信頼度のパーセンテージはStack Overflowの2025年開発者調査、スループットと安定性の推定値はGoogleのDORA 2024レポートによるものです。すべての情報源は2026年7月20日に確認済みで、特定の集団と手法を記述するものであり、普遍的な法則ではありません。