AI×開発生産性を取り巻く予算戦略と投資対効果（石垣雅人 / DMM）¶
作成日: 2026-07-24 出典 / きっかけ: 石垣雅人（合同会社DMM.com プラットフォーム開発本部 副本部長）AI DevEX Conference 2026 登壇スライド 関連: cyberagent_ai活用レベル定義と数値レポート_整理 / mckinsey_ai_trust_2026_agentic_era_整理 / ai駆動開発ループ_interview-dev-loop_整理
0. 要点（3行）¶
- 「測れる数字＝正しい生産性」ではない。Four Keys/SPACE で測れるスループットの裏に、技術的負債と認知的負債（動くが理解が追いつかない）が溜まる。スピードを先行指標にするとグッドハートの法則で本質品質を壊す。
- 最大の障害は"言語の相違"。経営層(P/L・B/S)・事業責任者(Cost・工期)・開発組織(スループット・内部品質)で「生産性」の意味が違う。接続点（PdM↔EM↔開発）で意味を翻訳しないと施策が空論化する。
- 投資構造が「人件費のみ → 人件費＋AIコスト」に変質。年収500万＋AIコスト500万で1,000万の価値創造を期待する時代。ROI は投資回収率6ヶ月以内を目安に、工数削減を金額換算して経営に説明する。
1. AI×開発生産性の捉え方¶
測れるもの / 測れないもの¶
| 測定可能 | 測定困難 |
|---|---|
| プロジェクト進捗遅れ / 見積工数との乖離 | 技術的負債（保守性） |
| Four Keys / SPACE データ | 認知的負債（Cognitive Debt） |
| AIエージェント投資額 | — |
- 認知的負債: 「速度が理解力を上回るとき、コードは正常だがエンジニアの心に負債が存在する」。AI が速く出すほど"動くが理解が追いつかない"状態が蓄積する。
- スピードを先行指標化するとグッドハートの法則（指標が目標化すると本質を損なう）に陥る → 品質を先行指標、スピードを遅行指標に置くのが処方。
"言語の相違問題"（階層で生産性の意味が違う）¶
| 階層 | 「生産性」の意味 |
|---|---|
| 経営層 | P/L（販管費）、B/S（資産・減価償却）への影響 |
| 事業責任者 | Cost（金額）、工数・工期 |
| 開発組織 | スループット（人月あたり）、内部品質、エコシステム |
→ 施策が机上の空論化しないよう、接続箇所で意味を変換するのが EM/PdM の役割。
2. 予算・戦略の枠組み¶
投資比率のシフトと会計処理¶
- 従来: 人件費が支配的（年収800万＝800万の価値）。
- 現在: 人件費＋AIエージェント投資（年収500万＋AIコスト500万＝1,000万の価値創造を期待）。
- 会計処理で見え方が反転: AI で作ったソフトを資産化すると「ソフトウェア仮勘定」→5年償却で営業利益は改善に見える。費用化するとコスト増で営業利益は悪化に見える。同じ投資でも処理で結果が逆転する。
生産性ツリー（階層的目標設定）¶
財務指標（AIコスト・投資回収率）→ 投資工数分布（新規/エンハンス/保守/運用/管理）→ 施策工数・工期 → バリューストリーム → 開発ライフサイクル。
2つの基本戦略¶
| 戦略 | 目的 | 手段 |
|---|---|---|
| 戦略1 | Increment を1.5倍 | 開発プロセスを AI ネイティブ化し、出口の物的生産性を上げる |
| 戦略2 | Capacity を1.5倍 | Ops 工数を AI に置き換え、余剰工数を新規開発へ転用 |
- 採用計画への反映: 従来予定人数 × 0.7 を来期採用予定に。
3. 投資対効果（ROI）の測り方¶
金額ベース¶
- 投資回収率 = 投資額 ÷ 効果額、目標6ヶ月以内。
- 工数削減の金額化（例）: 人件費1億円のグループで、運用工数 −50% / 保守開発 −30% / 新規開発 −20%、1人あたり生産量 +50%。工数単価（例「10,000円」単位）で各施策を金額換算。
監視体制（ヘルスチェックレポート）¶
- 管理会計/財務会計の数値、人員構成（雇用形態・等級）、採用・育成計画、開発生産性（開発/運用比率・AIコスト）、プロジェクト進捗。
- ツール: BigQuery → Looker で可視化、GitHub ライフサイクル分析、Findy Team+ で工数追跡。
人事評価への組み込み¶
- 従来軸（等級・期待値マネジメント・市場価値）に AI投資コスト（トークン数・金額） と AI活用スキル水準 を追加。
- 例: 年収500万の人が AIコスト500万を消費して成果を出したとき、単なる出力でなくスキル評価として昇給対象にするかを判断。
4. 具体の数値・ツール・事例¶
- 管掌部門が1年で 5倍に拡大。工数総計 202.17人月（新規28.38% / エンハンス14.98% / 保守12.07% / 運用17.75% / 管理25.06%）。
- トークンコストは定額制 → 従量課金が世界的トレンド。
- DMM 内ツール: PF-Spec-Kit（仕様/目的駆動開発）、Modifius / Modifius CI（技術的負債分析・設計提案）、GitHub Actions 連携（自動評価情報生成）、Slack/Google Meet 連携（1on1・評価補助）、Devin（AI 同期方法の模索で言及）。
- 外部事例: Stripe が 5,000万行 Ruby の移行を従来2ヶ月 → 1日で完了。
5. まとめ — 結論と提言¶
中核3洞察¶
- 測れる数字＝正しい生産性ではない（認知的負債・グッドハート）。
- 階層間の言語化が必須（経営↔開発の生産性定義の齟齬を翻訳）。
- AI活用は「楽な未来」でなく「大変な未来」。入口（何を作るかのコンテキスト）と出口（品質・セキュリティ）に人の負担が集中 → ドメイン知識と設計・アーキテクト育成が最優先に。
前提条件の順序（"余談"で強調）¶
- AI リーダブルなコード基盤化 → 2. 開発生産性の定量化 → 3. AI-Ready なデータ基盤整備。 これが不十分なまま AI 投資を進めると、本質解決でなく打ち手の羅列に終わる。
最終メッセージ¶
「攻めの AI 活用から、守りの AI 活用までスキルを伸ばす」 — 脆弱性発見・設定見直し・被害防止まで含め、攻撃/防御の両面で AI を使い分ける組織へ。
6. 自分（AI統括推進室ロール準備）への含意¶
- 立ち上げ職の説明責任に直結: 「AI 投資の ROI をどう経営に説明するか」に対する具体解（投資回収率6ヶ月・工数の金額換算・会計処理の見え方）が丸ごと使える。
- 測定の罠を先に潰す: 速度指標だけを KPI にしない（品質=先行、速度=遅行）。認知的負債・技術的負債を評価に含める設計を最初から入れる。
- 2軸戦略のフレーム（Increment 1.5倍 / Capacity 1.5倍・採用 ×0.7）は、推進室の投資対効果ストーリーの骨格にそのまま流用できる。
- 前提3条件（AIリーダブル基盤→定量化→AI-Readyデータ基盤）は、推進室が最初に着手すべき順序の主張として引用価値が高い。
参考リンク¶
- 登壇スライド: https://speakerdeck.com/i35_267/ai-x-kai-fa-sheng-chan-xing-woqu-rijuan-kuyu-suan-zhan-lue-totou-zi-dui-xiao-guo
- AI DevEX Conference 2026（2026-07-22）
- 発表者: 石垣雅人（合同会社DMM.com プラットフォーム開発本部 副本部長）
作成: 2026-07-24 ／ 最終更新: 2026-07-24