AIコーディングで生産性が上がらない本当の理由——AWS「AI-DLC」が示す処方箋

AIコーディングツールは溢れているのに、なぜ現場の生産性は上がらないのか。その問いに対してAWSが体系化した「AI駆動開発ライフサイクル（AI-DLC）」は、私が日々感じている課題認識と重なる部分が多い。

出典: 生産性の壁を超える！AWS「AI駆動開発ライフサイクル（AI-DLC）」がもたらす開発のパラダイムリープ

要点 (事実のみ)

アマゾンウェブサービスジャパン合同会社シニアデベロッパースペシャリストソリューションアーキテクト福井厚氏による Developers Summit 2026 セッション
AIコーディングエージェントを活用しても、速度向上はせいぜい10〜15%程度にとどまるという統計（ThoughtWorks調べ）が示された
問題は2つのアプローチに整理される。「AI-Managed」（バイブコーディング：全工程をAIに委ねる）と「AI-Assisted」（開発フローの一部のみにAIを使う）、どちらも同様に10〜15%の改善止まり
エージェント活用のアンチパターンとして、多段階の問題をシングルショットで解こうとすること、コンテキストの戦略的管理不足、AIの"行き過ぎ"への無対処、モデルの知識の鮮度問題が挙げられた
目指すべき改善幅は10〜15%のステップアップではなく、2倍・5倍・10倍の「パラダイムリープ」とされ、AI-DLCはその実現を目的として体系化された

徐聖博の見解

ThoughtWorksの統計が示す「10〜15%止まり」という数字は、私の実感とよく合う。私自身が毎日コードを書きながらAIエージェントを使う中で感じるのは、「何をAIに渡すか」の設計こそが生産性の分水嶺だという点だ。

バイブコーディングが機能しない理由は明確で、ビジネスアプリケーションには「書かれていない仕様」が大量に存在するからだ。データの整合性制約、既存システムとの暗黙的な依存関係、エラー時の業務フロー——これらはコンテキストとして渡さない限りAIは推測できない。逆にAI-Assistedで改善が頭打ちになるのは、エンジニアが「自分のほうが速い」と判断した領域にAIを入れていないためで、その判断自体が更新されていないことが多い。

AI-DLCが「計画→質問→レビュー」というループを軸に据えているのは理にかなっている。私が受託案件でAIエージェントを試してきた経験でも、事前のコンテキスト整理（どのファイルに何の責務があるか、境界はどこかを明文化する）に投資した案件ほど、エージェントの出力品質が劇的に変わる。つまり「AIに渡す前の人間の仕事」が生産性の鍵を握っている。

発注側の企業にとっても示唆は大きい。「AIを入れれば速くなる」という期待でベンダーを選定しても、そのベンダーがAI-ManagedとAI-Assistedの二極のどちらかに偏っていれば、生産性は変わらない。発注時に「どのフェーズでAIをどう使うか」を問える眼力が、今後の調達判断を左右すると思う。

(編集レンズ: 実装・運用視点 / 発注側・中小企業・開発実務への含意)

#生成AI活用 #AIエージェント #AWS #AI駆動開発 #開発生産性