powered by TechFeed
表示モード
Deep Dive

エンジニア1人あたり月4,500ドルのAI費用を64%削減——incident.ioが公開した生産性・品質・コストの実測データ

11月13日、Gergely Oroszが「The Pulse: Details of incident.io's AI spend」と題した記事を公開した。ソフトウェア信頼性プラットフォームのincident.ioがAI支出の詳細データを社外に公開したもので、コスト・生産性・品質にわたる2年分の実測値が揃っている点で、AI投資対効果の議論に具体的な素材を提供する事例だ。本記事の軸はコスト削減(64%)にあるが、その背景にある生産性変化やインシデント動向を合わせて読むと、単純な「削減成功」とは異なる複雑な実態が浮かび上がる。

11月13日、Gergely Oroszが「The Pulse: Details of incident.io's AI spend」と題した記事を公開した。ソフトウェア信頼性プラットフォームのincident.ioがAI支出の詳細データを社外に公開したもので、コスト・生産性・品質にわたる2年分の実測値が揃っている点で、AI投資対効果の議論に具体的な素材を提供する事例だ。本記事の軸はコスト削減(64%)にあるが、その背景にある生産性変化やインシデント動向を合わせて読むと、単純な「削減成功」とは異なる複雑な実態が浮かび上がる。


エンジニア1人あたり月4,500ドル→1,600ドルへ

incident.ioは2021年創業のソフトウェア信頼性プラットフォームで、ChatGPT登場より1年早く設立された。同社はあらゆる指標を計測することにこだわっており、今回AI支出の詳細なデータを公開した。

最大の注目点はコストの劇的な削減だ。今年の夏、AIコストはピークを迎え、エンジニア1人あたり月約4,500ドルに達していた(主な要因はAnthropic Claude Opus 5の利用)。ところが、Claude Opus 5.5の登場により月約1,600ドルまで約64%削減された。7月には月間AI支出が30万ドルを超え(年換算で360万ドルペース)、現在の年間AI支出は約160万ドルのペースで推移している。

支出の内訳はClaude約80%、Cursorが約20%。Opus 5.5への移行は急速で、モデル別利用シェアのグラフを見ると短期間でほぼ置き換わっている。


「エフォートポイント」という独自指標

incident.ioがAI支出を評価するために考案したのが「エフォートポイント(effort point)」という概念だ。人間が書いた、またはエージェントが生成した中規模のプルリクエスト(PR)を1エフォートポイントとして定義する。コード行数より一歩踏み込んだ粒度で、AIが生成したPRと人間が書いたPRの複雑さを横断的に比較できる。

このエフォートポイント単価はやはり夏にピークを迎え、その後Opus 5.5の登場で下落している。

興味深いのはチームによるコスト差だ。インフラチームは他のほぼすべてのチームに比べて、同一エフォートポイントあたり約5倍のトークンを消費している。同社のエンジニアであるLawrence Jonesはこう説明する。

「これは、PRあたりコストに一律の目標を設けることが難しい理由の好例です。AIチームはevalの反復など非常にトークン集約的な作業を行います。インフラチームはClaudeを使って本番環境の調査や分析、ベンチマーク実行などを行うことが多く、それがPRに直結しないため、PRあたりコストが高く見えます。作業の種類が違えば、コストプロファイルも変わります。」

この指摘は重要で、「PRあたりコスト」という一見シンプルな指標も、チームの業務特性を無視して横断比較すると誤った判断につながりうることを示している。


PRと生産性の変化:2年間で何が起きたか

記事の主軸のひとつは、コスト削減よりもむしろ生産性の実態だ。2024年から2026年にかけての変化を主な数字で整理する。

  • エンジニア数:18人→50人(2.7倍)
  • 1日あたりリリース数:35回→140回
  • エンジニア1人・1日あたりのリリース数:1.9回→2.8回(47%増)
  • PRのサイズ(行数):22行→111行(4.8倍)
  • エフォートポイントの出荷量:6倍増
  • エフォートポイントあたりの人間コメント数:80%減
  • PRあたりのインシデント率:60%減

2025年6月、Claude Agentsのリリース、Worktreeツールの改善、そして「複数のエージェントセッションを並列実行すべき」というエンジニアの認識変化が重なり、AIエージェントによるコード生成が爆発的に増加した。現在、本番環境に出荷されるPRの約80%にエージェント生成コードが含まれる。

Oroszはこうした事例を継続的に取り上げており、AIエージェントの実運用に踏み込んだ企業のデータを追うならThe Pragmatic Engineerの過去記事も参照に値する。


生産性の実態:ベテランほど恩恵が大きい

AIがエンジニアの生産性を高めているかという問いへの答えは、一筋縄ではいかない。

  • 中央値のエンジニア:週あたりPR数が約10%増(10.1→10.7本)
  • 平均のエンジニア:約30%増(11.1→14.8本)
  • 在籍年数の長いエンジニア:約70%増(11.1→19本)

在籍年数が長いほど恩恵が大きいという傾向が明確だ。中央値と平均の乖離が示すように、一部のエンジニアが大きな生産性向上を実現している一方、全体への恩恵は限定的という非対称な構造が見える。

また、同社は新入社員に対して「入社後1ヶ月はAIを使わない」よう指導している。入社直後からAIを多用した新人は、中長期的にパフォーマンスが低下するという社内調査の結果を受けた措置だ。コードベースや業務ドメインへの理解が浅い段階でAIに依存することのリスクを、同社は実データをもって認識している。


インシデントは減ったが、総数は増加

信頼性プラットフォームらしい視点として、PRあたりのインシデント率は60%低下している。しかし、PR総数が増えたためインシデントの総数は増加している。これは、AIによる開発速度の向上が品質保証の仕組みより先行している状況を示しており、コスト削減・生産性向上という明るい数字の裏にある課題として注目される。

当初は「レビューで防げたはずのコードバグ」が主な原因だったが、コードベースのAI向け改善、CursorのBugbot活用、より厳格なルール設定、そして新しいモデルへの移行を経て、現在は「本番環境に関する情報の欠如」が主要因に変わった。同チームはエージェントが本番環境を観察して学習できるフィードバックループの構築に取り組んでいる。


詳細はThe Pulse: Details of incident.io's AI spendを参照していただきたい。