DORAレポートから考える：AIによる生産性を組織的な成果に広げる土台づくり

この記事は2025年9月に公開されたDORAレポートに基づき、AI活用を個人の生産性向上から「組織の成果」へ進化させるための鍵となる「AIケイパビリティ」の使い方を提案しています。

AIは「導入」から「活用」のフェーズに

私が所属するビズリーチのSODA推進グループでは開発者の継続的なパフォーマンス向上を目的に、GitHubでのアクティビティや開発プロセスなどの可視化を行っています。

SODA推進グループの活動の一部はこちらの記事・スライドでご覧いただけます。

• ビズリーチSODA構想： データドリブンな組織文化を醸成するビズリーチの取り組み
• 技術投資量の可視化が支えるプロダクト組織の計器飛行
• ビズリーチが挑む メトリクスを活用した技術的負債の解消 / dev-productivity-con2025

さて、2022年のChatGPTのローンチより専門職種に限らない一般層にも爆発的な生成AIブームが起こり、昨年2025年は自律的〜半自動的にAIがタスク実行するようになった「AIエージェント元年」と言われています。

そして現在2026年において、多くの開発組織の皆さんの疑問は「AIを導入するかどうか」ではなく、「導入したAIの価値をいかに最大限に引き出すか」へと確実にシフトしています。

私たちSODA推進グループにとっても、これまでの開発パフォーマンスの指標に加え、この「AI導入の効果の可視化」の重要性が非常に増しています。

この新たな課題に対し重要なヒントを与えてくれたのが、2025年9月に公開されたDORAレポート『AI支援ソフトウェア開発の現状』でした。

DORA（DevOps Research and Assessment）とは

DORAとは、Google Cloudにおけるソフトウェアデリバリーのパフォーマンスと組織文化の研究プログラムです。毎年発行される「State of DevOps Report」は、DevOpsや開発生産性に関する権威あるレポートとして広く知られています。

今回のレポートにおける重要ポイントは、AIは「増幅器（amplifier）」という点です。

AIは存在するものを増幅させる。パフォーマンスの高い組織の強みをさらに伸ばす一方で、課題を抱える組織の弱点を増幅させ、機能不全を浮き彫りにする、と指摘しています。

つまり、AIへの投資を成功させるカギは、高度・高価なAIツールそのものだけでなく、組織の基盤となるシステム、例えば「社内プラットフォームの質」や「ワークフローの明確さ」といった、「基盤」を整えることによってもたらされる、とDORAレポートは示しています。

この記事では、このDORAレポートの知見を参考にしながら、AI活用を組織全体で進めていくための土台作りのポイントを一緒に探っていきたいと思います。

本記事のDORAレポートの引用/参照は特に記載がない限り、2025年9月に公開されたDORAレポート『State of AI-assisted Software Development』v. 2025.1を参照しています。

ライセンスは以下の通りです。

“State of AI-assisted Software Development” by Google LLC is licensed under CC BY-NC-SA 4.0.

また、レポートは英語で提供されており、翻訳には細心の注意を払いましたが、解釈の誤りや不明瞭な点が含まれる可能性があります。必ず原典（英語）を参照してください。

現時点ではAIによる 「個人の生産性向上の実感」と「組織全体の成果」にギャップがある

DORAの調査結果では、調査回答者の95%が現在AIを利用しており、80%以上が「生産性が向上した」と回答しています。

しかし、個人レベルでの生産性の向上やポジティブな実感は、必ずしも組織全体の成果にストレートに結びついていない、という現状も明らかになっています。

2024年のDORAの研究では、AI導入が25%増加するごとにソフトウェアデリバリースループットが1.5%減少し、ソフトウェアデリバリーの不安定性が7.2%増加するとされています。

AI adoption has become nearly universal. The majority of survey respondents (95%) now rely on AI and believe (more than 80%) it has increased their productivity.

The same 2024 DORA research found an estimated 1.5% reduction in software delivery throughput and an estimated 7.2% increase in software delivery instability for every 25% increase in AI adoption.

これは、AIが個人やチームの作業スピードを向上させても、その変化を安全に管理できる組織の基盤システムがまだ追いついていない可能性を示しています。

この現状は、2025年7月の「開発生産性Conference 2025」にスポンサーとしてブース出展した際、私たちが現場で伺った声とも一致します。AI活用に関してどのような実践しているかを募ったところ、多くの回答が「個人の知見の共有」や「使う機会を増やす」といった個人の努力や工夫の領域に留まっており、組織的な仕組み化はまだこれから、という過渡期にあることが見えてきました。

DORAは、この状況を「基盤がなければ、AIは局所的な生産性の向上を生み出すに過ぎない」と指摘しています。AI導入のメリットを組織全体の成果につなげるためには、仕組みや文化を進化させることが不可欠であるとしています。

Without this foundation,AI creates localized pockets of productivity that are often lost to downstream chaos.

AIによる生産性を向上させる組織的な土台を作る：DORA AIケイパビリティモデル

では、AIを組織の継続的な成果につなげるために、どのような仕組みや文化が必要でしょうか？

「DORA AIケイパビリティ」は、その土台づくりの指針を与えてくれます。

「DORA AIケイパビリティ」は、AIによるメリットを最大化するための7つの重要な要素です。

Capabilityは直訳すると「能力」です。ただし「AIの能力」と直訳でレポートを読むと咀嚼しにくい部分があると思います。AI利用ルールの整備や心理的安全性のある開発環境、ユーザーへの価値提供を前提とする文化など、組織に不可欠な「基盤」と「文化」として捉えることが重要です。

また、先に重要ポイントとして挙げた「増幅器」であることを忘れてはなりません。

組織の基盤や文化が不足した状態では、AIを使えば使うほど負の影響が大きくなります。

つまり、AIの効果を最大化するには、「負の影響を減らす基盤と文化」、そして「成果を増幅させる基盤と文化」の両方を整えることが重要となります。

7つのケイパビリティを表1にまとめました。

7つのケイパビリティを同時にすべて向上させることは現実的ではないと思っています。多くの組織では現在の多忙な開発にプラスしてどの要素から取り組むべきか、という課題に悩まれると思います。そこで、次セクションからは自組織の課題に合わせて使える軽量フレームワークを提案させていただきます。

表1　7つのAIケイパビリティ

レポートP49〜64「DORA AI Capabilities Model」を参考に、AIの効果を最大化するために不可欠な7つの要素をまとめたものです。各ケイパビリティが組織にもたらす効果をDORAがポイントとする「増幅」の観点から要約をしています。

No.	ケイパビリティ	ケイパビリティ説明	AI効果を増幅させる理由・根拠
1	明確なAIポリシーの共有 (Clear and communicated AI stance)	AI利用の期待値、許可されているツール、および適用されるポリシーについて、開発者に明確かつ理解しやすい形で認識・伝達している度合い。	ポリシーが明確であることで、開発者が安心してAIを利用し、保守的になりすぎたり、逸脱したりするリスクを減らすことができます。また、AI利用の抵抗感などの摩擦を減少させる効果も確認されています。
2	健全なデータエコシステム (Healthy data ecosystems)	組織の内部のデータが高品質でアクセスしやすく、相互に統合されている環境の状態	AIの成果はAIが学習するデータに依存します。内部データが高品質でアクセスしやすく統一されていることで、組織のパフォーマンスを増幅させます。
3	AIがアクセスできる社内データ (AI-accessible internal data)	AIツールが、社内のコード、ドキュメントなどの内部データソースやシステムにセキュアな接続されている度合い	汎用的な知識だけでなく、会社固有のコンテキストに基づいた情報が提供されることで、個人の有効性とコード品質を向上させます。
4	強力なバージョン管理 (Strong version control practices)	頻繁なコミットとロールバック機能の利用頻度が高い状態	何か問題が発生した場合でも簡単に安定した状態に戻せる（復旧できる）確信を持てることで、リスク軽減だけでなく、開発者が実験的な行動を取りやすくイノベーションを起こしやすくなります。AIを使用していない場合でも重要なケイパビリティですが、AIによりコード生成の量と速度が劇的に増加し、ソフトウェアデリバリーの不安定性も増加するため、そのリスク軽減策として重要度が増しています。
5	小さな単位での作業 (Working in small batches)	チームが変更を「迅速にテスト・評価できる管理しやすい単位」に分割している度合い	AIの生成コード量は増えやすい中でも、変更ごとのコミット行数の少なさや単一のリリースやデプロイに結合される変更数の少なさを保つことで、迅速な検証が可能になります。個人の生産性の局所的な減少（大量コード生成の抑制による）よりも、組織的な成果（製品パフォーマンス）のメリットが上回ります。
6	ユーザー中心の考え方 (User-centric focus)	アプリケーションのエンドユーザーの体験、価値提供、およびビジネス成功との関連を優先的に考える度合い	AIのチームパフォーマンスへのプラスの影響を増幅させます。反対に、この考え方が欠如している場合、AI導入はチームパフォーマンスに負の影響を与えることが判明しています。
7	質の高い社内プラットフォーム (Quality internal platforms)	組織全体で広く利用できるように複数のアプリケーションで共有されている状態	AIのメリットを個人の生産性向上から組織全体のパフォーマンスへとスケールさせ、組織的な競争優位性をもたらすための基盤となります。

AIケイパビリティ改善をライトに始める、軽量なフレームワークを考える

DORAはチームの健康状態を診断するフレームワーク「7つのチームプロファイル」から、どのAIケイパビリティを伸ばすかの検討がつけられるとしています。

しかし、「調和の取れた高達成チーム」や「レガシーのボトルネック」などの類型に分類するためには、自組織でサーベイ、インタビュー、ログベースのデータ収集・分析をする必要があり、多くの組織にとって重すぎる作業だと感じられると思います。

厳密なチームプロファイル診断から始めることは重すぎる作業であるため、まずは「AIケイパビリティ」という具体的な行動指針に焦点を当て、自組織の課題に適合する軽量な思考フレームワークが作れないかと考えました。

— 以下の「軽量フレームワーク」は筆者がDORAレポートを参考にして提案する「仮説」ですのでご注意ください —

軽量フレームワークの検討

「AIは増幅器である」というレポートのコアに基づき、ケイパビリティを以下の3つのカテゴリに分類しました。

まずは、「安全と信頼の土台」、「価値と方向性を確保」を固めてマイナス方向に増幅する可能性を下げます。そして「スケールと持続可能性のシステム」を進めることで、個人の努力を組織の成果へとつなげることができそうです。

表2 AIケイパビリティ改善のための軽量フレームワーク

No.	カテゴリ	該当するAIケイパビリティ	目的
1	安全と信頼の土台	・明確なAIポリシーの共有 ・強固なバージョン管理	AI利用に伴うリスクや不安を解消し、開発者が安心して実験できる心理的安全性のある環境を整える
2	価値と方向性の確保	・ユーザー中心の考え方 ・小さな単位での作業	AIによる加速を正しい目的（ユーザー価値）に向け、成果を最大化するための規律を確立する
3	スケールと持続可能性のシステム	・質の高い社内プラットフォーム ・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	個人の生産性向上から組織全体の成果へと拡大・持続させ、高品質なAIアシスタントを維持するシステムを構築する

表2のテキストだけでは直感的にイメージしにくいと思いますので、船をメタファーとして概念化した図1もご覧ください。

カテゴリ1　安心と信頼の土台

船は、定められた地点に向かって水上を進む乗り物です。

そのため、水に浮くことが必須条件です。浮くための船体を保証するのは「明確なAIポリシーの共有」です。

また、万が一船から落ちてしまっても救命浮輪「強固なバージョン管理」により元の状態に戻せることで乗組員（開発者）は荒波でも出航できるようになります。

カテゴリ2　価値と方向性の確保

次は、進むべき方向性を定めて舵を切ります。

「ユーザー中心の考え方」でプロジェクトを進められれば、誤った方向に進むことは少なくなるでしょう。

「小さな単位での作業」は小さく舵を切りながら進むことです。一気に舵を切って（大きな変更をして）間違えた場合、その修正やレビューの労力は多大になります。小さな単位であれば検証とレビューがしやすく、リカバリーも迅速です。

これは、AI活用において不可欠なスピードと安定性を両立させるために必要な手法です。

カテゴリ3　スケールと持続可能性のシステム

これまでは「負の影響を減らす」ための土台作りでしたが、カテゴリ3は「成果の増幅フェーズ」です。

船で言えば、帆を張り大きな推進力を得る段階です。

推進力を得るために「質の高い社内プラットフォーム」「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」というAI基盤を整えることが重要です。個人の生産性を組織全体の成果へスケールさせ、パフォーマンスを最大化させましょう。

軽量フレームワークの使用イメージ

このフレームワークを使用すれば、複雑なチームプロファイルをすることなく、現在の状態を主観的に評価し、どのケイパビリティに注力すべきかを迅速に決定できそうです。

ある開発チームのAIに関する問題を仮定して、軽量フレームワークの使用イメージを3つご紹介します。

開発チームAの場合：AIツールが利用されない

1. 問題
   • AIツールの利用を許可したが、情報漏洩や著作権の懸念から誰も積極的に使おうとしない
2. 原因分析
   • カテゴリ1（安全と信頼の土台）が不足していることで、保守的な行動につながっているようです
3. 改善を優先するケイパビリティ
   • 明確なAIポリシーの共有
     • 組織のAI利用に関する公式な立場を明確にし、許可されたツールと利用範囲を周知徹底します
4. 期待される効果
   • ポリシーが明確であることで、AI利用の抵抗感などの摩擦を減少させ、開発者が安心してAIを利用できるようになり、個人の有効性へのプラスの影響を増幅させます

開発チームBの場合：AIを使ったらデプロイが遅くなった

1. 問題
   • 生成AIを使ってみたが、品質チェックの時間が増大してデプロイが遅くなった
2. 原因分析
   • AIが大量のコードを生成している一方で、それを検証するプロセスが追いついていないことから、カテゴリ2（価値と方向性の確保）とカテゴリ1（安全と信頼の土台）が不足している可能性があります
3. 改善を優先するケイパビリティ
   • 作業単位の小規模化
     • AIに大量生成させる能力を優先するのではなく、迅速なテストと評価が可能な小さく管理された変更を行います
   • 強固なバージョン管理
     • 万が一に備え、ロールバック機能の利用を促すことで安心してデプロイできるセーフティネットを強化します
4. 期待される効果
   • 評価の摩擦を減少し、デプロイが滞るボトルネックが解消されます。迅速なリカバリーは、チームが安心して実験やデプロイを実行できるレジリエンスが強化されます

開発チームCの場合：AIが使えないコードばかり生成する

1. 問題
   • AIが生成するコードは速いが、会社特有のルールや既存のコードの文脈を理解できていない
2. 原因分析
   • カテゴリ3（スケールと持続可能性のシステム）が不足していることで、汎用的な知識の域を超えられていないと考えられます
3. 改善を優先するケイパビリティ
   • AIがアクセスできる社内データ
     • AIツールが、社内のコードやドキュメントなどの内部データソースやシステムにセキュアに接続できる状態に、エンジニアリング投資を行います
4. 期待される効果
   • 会社固有のコンテキストが提供され、コード品質が向上します

軽量フレームワークを踏み台にして：ビズリーチプロダクトでのAIケイパビリティ改善

今回提案した軽量フレームワークは、「フレームワーク」というにはまだまだ甘い部分が多いですが、AIケイパビリティ改善のための思考を整理するツールとして活用してみたところ、ビズリーチのAI活用において、次にどのケイパビリティに注力すべきか、そのために何を可視化すべきかという方向性を得ることができました。

現状のAIケイパビリティ基盤

下記のような状況から、ビズリーチプロダクトの開発組織はカテゴリ1、カテゴリ2の基盤を一定以上築けていると評価しました。

カテゴリ1：安全と信頼の土台

• 研修やルールを通じて「明確なAIポリシーの共有」がされている
• 「変更障害率・復旧時間」が高い水準にあることから、「強固なバージョン管理」が行われていることがわかる

カテゴリ2：価値と方向性の確保

• カスタマーサクセスと連携して開発・改善する「ユーザー中心の考え方」の文化がある
• 1Sprint内で作業完了できるようにタスクを分割するのはもちろん、アプリケーション機能が分割されており「小さな単位での作業」ができる環境がある

ですので、次はAI活用を組織全体にスケールさせるため、カテゴリ3「スケールと持続可能性のシステム」に注力していく必要があります。

今後の可視化の方向性とカテゴリ3の推進

カテゴリ3に注目する背景としてほかにも以下のような状況があります。

• CosenseやGitHubにドキュメントを残す文化が浸透している
• コード生成AIの利用が進み、そのアウトプットデータが蓄積されつつある

Cosenseとは、チームのあらゆる情報を共同編集できるナレッジ共有ツールです。ビズリーチプロダクトでは議事録や設計書のほか、メンバー間のやりとりや個人の検討メモ、雑談レベルの情報まで気軽に書き溜め、相互に編集する文化が根付いています。また、単純にドキュメントとして閲覧するだけでなく、関連性の高いページをひとつのコンテキストとしてエクスポートする「Smart Context」機能を活用しNotebookLMやClaudeに参照させて使ったり、MCPサーバーを立ててAIとの親和性を高めています。

そこで今後はこれらの資産を最大限に活かすため、AI活用の精度可視化をしたいと考えています。

ハルシネーション（事実ではない、もっともらしいAIの嘘）やコード生成AI使用時の手戻り率など、AI活用の「精度」を可視化する指標から、AIが参照するデータ基盤の潜在的な問題を発見し、ハルシネーション対策として古い情報や変更された情報などを除外する選定基準や運用基準の明確化などによりカテゴリ3の改善を進めます。

定量的な可視化をすることで改善サイクルを生みやすくし、AIによる個人の生産性向上から組織全体で継続的に成果を生み出すシステムとして発展させることを目指します。

まとめ

DORAは世界中の事例を元に調査研究を行っており、AI活用を進めるために不可欠な観点を提供してくれます。今回のレポートは、AI導入後の成果を求められているフェーズにおいて「個人の生産性向上の実感」と「組織全体の成果」のギャップを定量的に示し、その改善指針を与えてくれました。

レポートは絶対的なルールや指示書ではなく「自身の組織に応用するための仮説」として扱い、チームで実験や改善を重ねることで活用できるものだと私は考えています。

今回提案した「AIケイパビリティ改善の軽量フレームワーク」は、その実践のためのひとつの「仮説」です。

私が所属するSODA推進グループでは、エンジニアの開発生産性の可視化を専門に取り組んでいます。

FourKeysや開発プロセス、または費用やAI活用促進など様々な可視化を一緒に推進してくれる仲間を募集しています。興味のある方は、ぜひカジュアル面談でお話させていただければ幸いです。

• BizReach
• AI
• SODA