HALBo
📑 目次
AIコーディングエージェントを入れた会社では、書かれるコードの量が30%増えた。それでも、完了した課題の数は統計的に有意には増えなかった。ハーバード大学の研究者2人が、718社・約72万6,000人のソフトウェア技術者の作業記録を調べて示した結果である。Ars Technicaが10月9日に報じた。書く速度は上がったのに、仕事全体が速くならない。その原因として研究は、書かれたコードを人が確かめる「レビュー」の工程を挙げている。
AIが仕事を速くするなら、人が余る。人員計画をそう考える見方がある。この研究は、その途中に詰まる場所があることを、実際の企業のデータで示した。
ハーバード大の研究が調べた718社・3億件の作業記録
研究の題名は「Artificial Intelligence in the Firm: Bottlenecks in Software Production」。書き手はハーバード大学のFiona Chen氏とJames Stratton氏で、2026年8月4日版が公開されている。原稿の表紙には「Job Market Paper」（研究者が就職活動で提出する論文）とある。学術誌の査読を経た確定版かどうかは、原稿からは確認できなかった。
使ったデータは、開発チームの活動を分析するJellyfish社のサービスに残っていた記録である。対象はこの会社の顧客のうち、研究への利用に同意した718社。2021年1月から2026年3月までの約3億件の「作業イベント」を使った。作業イベントとは、コードの保存（コミット）、コードの変更を取り込んでほしいと提出する申請（プルリクエスト）、課題管理ツールJiraの更新といった記録を指す。
調べ方は、AIツールを入れる前と後を、入れた時期がずれている会社同士で比べるものだ。入れた会社と入れていない会社が、もともと同じような動きをしていたという前提に立つ。AIツールの利用は、GitHub Copilot、Cursor、Claude Codeの利用記録と、GitHub上のAIアカウントの動きから判定している。
研究はAIツールを2種類に分けている。ひとつは「アシスタント」で、人が書くコードの続きを補う。もうひとつは「エージェント」で、頼まれた作業をほぼ自力で進めてコードを提出する。
AIエージェントでコード30%増、完了した課題は統計的に有意に増えず
コードを書く量は、エージェントを入れた会社で大きく増えた。追加されたコードの行数が30%、コミットが20%、プルリクエストが23%増えた。三つとも統計的に有意である。アシスタントの場合は、行数12%、コミット9%、プルリクエスト5%の増加で、統計的に有意だったのはコミットだけだった。
ところが、会社としての成果を表す指標は、ほとんど動かなかった。成果の指標に使われたのは、Jiraで「解決」になった課題の数と、機能や案件のまとまりを表す「エピック」の解決数である。どちらもエージェント導入後に小幅なプラスは出たが、統計的に有意ではなかった。
研究は、エージェント導入による成果の増加が基準となる平均の12%を超える可能性を、統計的に否定している。コード量の30%増と比べると、差は大きい。課題が大きくなって件数が減って見えているだけではないかという疑いにも、研究は答えている。機械学習で各課題の所要時間を予測したところ、導入前後で課題の大きさに変化は見られなかったという。
レビュー時間49%増、修正依頼付きのプルリクエストはほぼ倍に
研究が原因として挙げるのは、コードを書く工程の次にある、レビューの工程である。レビューとは、書かれたコードを別の人が読み、間違いや問題がないかを確かめる作業だ。エージェント導入後、プルリクエストが提出されてから取り込まれるまでの平均時間は49%延びた。
中身も重くなっている。修正を求められるプルリクエストの割合は、ほぼ2倍になった。1件あたりのコメント数は35%増えた。レビューを担当する人の割合も14%増え、会社が人手をレビューに寄せていることがうかがえる。
研究は、量と質の両方が関わると整理している。理論モデルでは、AIはコードを書く速度を上げる一方、レビューに回る下書きの質も変える。量が増え、確認の手間も増えれば、レビューが詰まる。コードを書く時間はエンジニアの仕事の30%から40%に過ぎない（エンジニア100人への調査による推計）。残りの時間は、計画づくりや確認といった周辺の作業に使われている。書く工程だけを速くしても、全体の速さはその残りに引きずられる。
AIレビューは約80%の会社が導入済みでも、コメントの主役は人
では、レビューもAIに任せればよいのか。研究はその点も見ている。2026年3月時点で、約80%の会社がAIによるコードレビューを何らかの形で使っていた。それでも、レビューのコメントのうちAIが書いたものは23.3%にとどまる。AIのコメントが1件でも付いたプルリクエストは、全体の10.8%だった。
つまり、AIレビューを入れた会社は多いが、実際の確認作業では人が大半を担っている。Ars Technicaは、2026年3月以降にAIの出力は更新されており、各社が使い方を学んでいる最中でもあると付け加えている。書く時間とレビューの時間のバランスは、今後変わる可能性がある。
エンジニアの雇用は減らなかった──減少は13.8%超を否定
雇用への影響も調べられている。会社全体の従業員数は、LinkedInのデータで測った。エージェント導入による変化は、ほぼゼロだった。減少が2.9%を超える可能性は、統計的に否定されている。エンジニアの人数（Jira上の稼働者数）の推定は精度が低く、13.8%を超える減少が否定されている。
研究は、AIが個人の生産性を上げた分が、そのまま人員削減に回ってはいないと結論づけている。別の角度の研究もある。当サイトが報じたCESifoの研究は、学士号を持つ22〜25歳の失業率が2026年夏に7.3%で、過去と比べて特筆すべき高さではないとした。ただし、これは新卒全体の公的統計であり、ソフトウェア企業の記録ではない。今回の研究が見たのは、エンジニアを抱える718社の動きである。
この結果をどう読むか──当てはまる範囲と限界
この研究には読み方の注意点がある。まず、対象はJellyfishの顧客のうち、研究利用に同意した会社に限られる。ソフトウェア開発の工程を計測しているような、比較的整った会社に偏っている可能性がある。次に、データは2026年3月までで、その後のツールの進化は反映されていない。
原稿の注記によると、Jellyfish社は、情報漏えいがないかの確認のために原稿を読んだだけで、学術的な内容は審査していない。調査費は、Stripeの「Economics of AI」フェローシップなどから出ている。結論は研究者2人のもので、Jellyfish社の見解ではないとも書かれている。
また、この研究が示すのは「会社全体の平均」である。個々のチームの事情までは示していない。研究は、導入から12か月時点でエンジニアのエージェント利用率が、中央値の会社でも約20%にとどまると記している。上位の会社は約60%、下位は0に近い。導入の深さには、会社ごとに大きな差がある。
自社のAIコーディング導入で確かめたいこと
このニュースの意味は、AIコーディングは効かない、ということではない。書く速度は確かに上がった。問題は、その速度を成果に変える通路が、レビューの工程で細くなっている点にある。
AIの導入効果を測るとき、コードの行数やプルリクエストの数を成果として数えると、良く見える。Jiraで解決した課題の数や、リリースまでの日数で測ると、コード量より変化が小さく見える場合がある。この研究では実際にそうだった。導入前に、何を成果の指標にするかを決めておくと、数字に振り回されにくい。
確認する順番は三つある。一つ目は、プルリクエストが提出から取り込みまでに何日かかっているか。二つ目は、修正を求められる割合がどう動いたか。三つ目は、レビュー担当者の数と負担が増えていないか。この三つは、GitHubなどのコード管理ツールの記録から出せる。
日本については、日本でAIが仕事の流れに入っている割合は13.1%と報じた当サイトの記事がある。AIを入れた後の工程全体をどう設計するかは、導入の深さに関わらず残る課題である。
まとめ
ハーバード大の研究は、AIエージェントがコードを30%増やしても、完了した課題は統計的に有意には増えず、レビュー時間が49%延びたことを示した。AIの導入効果は、書く速さではなく、書いた後に確かめる工程を含めて測る必要がある。
参考・出典
- Ars Technica「AI coding agents generate more code, but not more software」
- Fiona Chen・James Stratton「Artificial Intelligence in the Firm: Bottlenecks in Software Production」（2026年8月4日版・原稿PDF）
- Jellyfish（研究データの提供元・開発チーム分析サービス）
📚 関連書籍を Amazon で探す
広告: Amazon アソシエイトプログラムによるリンクです
- 📚 生成AI ビジネス活用 →
業種別の導入事例。意思決定者向け俯瞰書。
- 📚 AI経営戦略 →
企業のAI導入と組織変革の指南書。
