DORAの大規模調査が明かす「AIで成果を出すチームの条件」 — コード品質が上がるのにデプロイ障害も増える矛盾をどう解くか

7月30日、Ben Lindersが「AI-Assisted Software Development: Team Profiles and Capabilities for Putting Research into Action」と題した記事を公開した。DORAの2025年AI研究をもとに、AI導入で成果を出すチームの特徴と組織的な成功要因を解説した内容だ。

AIは「増幅器」——組織の土台なき活用は局所的な生産性で終わる

QCon LondonでNathen Harvey（Google、DORA担当）が強調したメッセージは明快だ。

AIへの投資で最大のリターンを得るには、組織システムそのものへの戦略的な注力が必要だ。その土台なしには、AIは局所的な生産性の孤島を生み出すだけで、下流の混乱に飲み込まれてしまう。

DORA（DevOps Research and Assessment）は毎年、ソフトウェアデリバリーのパフォーマンスと組織文化に関する大規模調査を実施している機関で、2025年には「State of AI-Assisted Software Development」を公開した。本記事はその知見をどう実践に落とし込むかを解説したものだ。

7つのチームプロファイル——あなたのチームはどこにいるか

DORAの研究者はチームのパフォーマンス、製品の成果、個人の有効性、摩擦、バーンアウトといった複数の指標を横断的に分析し、7つの固有のチームプロファイルを特定した。

Foundational challenges（基礎的な課題を抱えるチーム）
The legacy bottleneck（レガシーがボトルネックのチーム）
Constrained by process（プロセスに縛られたチーム）
High impact, low cadence（インパクトは高いが頻度が低いチーム）
Stable and methodical（安定・着実なチーム）
Pragmatic performers（実利的な実行者チーム）
Harmonious high-achievers（調和の取れた高成果チーム）

Harveyが特に取り上げたのが「Constrained by process」のプロファイルだ。以下のスパイダーチャートで可視化されている。

このプロファイルでは、バーンアウトが高く、摩擦も高く、個人の有効性と有意義な作業時間はともに低い。ソフトウェアデリバリーの安定性は他と比べて高い水準にあるが、スループットは低め。「完璧なチームではないが、大きな価値を届けられてもいない」とHarveyは表現した。

AI活用で成果を出す7つのケイパビリティ

DORAはAIを採用した上で、より良い成果に結びつく7つのケイパビリティを特定した。

明確に共有されたAIスタンス（組織としてのAI活用方針）
健全なデータエコシステム
AIがアクセスできる社内データ
堅固なバージョン管理の実践
小さなバッチで作業すること
ユーザー中心の思考
高品質な社内プラットフォーム

この中でHarveyが特に強調したのが「小さなバッチで作業する」という点だ。DORAは長年、小さなバッチでの作業がデリバリーパフォーマンスを向上させることを示してきたが、AIはこの原則に逆風をもたらすリスクがある。AIモデルは大きな変更セットやプルリクエストを提案しがちで、大きな変更はレビューが難しく、リスクも高まるからだ。Harveyは「AIアシスタントと協力して、大きな変更を独立してデプロイできる小さな単位に分解する使い方ができる」と述べた。

また、「高品質な社内プラットフォーム」についてHarveyはこう語っている。

プラットフォームはケイパビリティを組織全体に提供する最適な手段だ。セキュリティポリシーの強制などの複雑さをプラットフォーム側に押し込むことで、利用者はその複雑さを意識せずに済む。

矛盾するデータ——コード品質は上がったのに、デプロイ障害も増えた

インタビューでHarveyが明かした点は興味深い。AI導入が進むにつれて、コード品質の知覚と個人の有効性の自己評価はともに上昇した。特に個人の有効性の向上幅は、調査した他のすべての指標の中で最大だったという。

一方で、ソフトウェアデリバリーの不安定性も同時に増加した——つまりデプロイのロールバックやホットフィックスが増えている。

Harveyはこの矛盾の原因として「インセンティブのずれ、あるいは変更が本番環境に与える影響への可視性の欠如」を示唆した。新機能を作ることに集中するあまり、それが本番でどう動くかへの関心が薄れるケースがこれに当たる。

この矛盾こそが、タイトルの問いに対するDORAの答えでもある。「矛盾を解く鍵は、個人の生産性指標だけを追うのをやめ、デリバリー全体の可視性と組織的な土台を整えること」——というのがHarveyの一貫したメッセージだ。コード品質の向上が本番の安定性に直結しない現象は、AI生成コードが個々の開発者の手元では良く見えても、本番環境におけるシステム全体の文脈や依存関係を十分に考慮できていない場合に起こりやすい。7つのケイパビリティが個人ではなく組織・プラットフォーム・プロセスを対象としているのは、まさにこのギャップを埋めるためだとHarveyは強調した。

実践への落とし込み

昨年12月にDORAは「AI Capabilities Model」レポートも公開している。Harveyが提案する実践ステップは以下の3点だ。

現状のアセスメント — まず自チームが7つのプロファイルのどこに位置するかを把握する。バーンアウトや摩擦の高さ、スループットの低さといった指標を正直に評価することが出発点となる。
優先順位の設定 — 7つのケイパビリティをすべて同時に改善しようとするのではなく、自組織の最大のボトルネックに絞って着手する。「Constrained by process」のチームであれば、プロセス過多の解消と小バッチ化が先決になるだろう。
継続的改善の文化の醸成 — DORAのレポートの知見を正解として受け取るのではなく、自組織のコンテキストに合わせて読み替え、仮説として活用することが重要だ。データを取り続け、改善の効果を検証するサイクルを組織に根付かせることがゴールとなる。

「DORAのレポートの知見を自組織のコンテキストに合わせて読み替え、仮説として活用せよ」というのがHarveyのメッセージだ。

詳細はAI-Assisted Software Development: Team Profiles and Capabilities for Putting Research into Actionを参照していただきたい。