※この記事は、2026年6月時点でAIを使いながら個人開発やブログ運用を進めている中で感じたことをまとめたものです。
AIコーディングの話を見ていると、コードを書く速さがよく注目されます。
何時間かかっていた実装が、数十分でできた。 一人でも大きなツールを作れるようになった。 自然な言葉で指示するだけで、AIがコードを書いてくれた。
実際、自分もAIを使うようになってから、以前なら手を出せなかったツールを作れるようになりました。
ただ、使う時間が増えるほど、少し気になることも出てきました。
コードが速く書けることと、仕事全体が速く終わることは同じではない。
むしろ、企業のAI活用がコード生成だけで止まっているなら、一つの工程だけを高速化して、後工程へ負担を押し出している可能性があります。
これはAIコーディングに限らず、製造現場でもよくある話に見えます。
プレス工程だけ速くしても、完成品が増えるとは限らない
自分にとって一番分かりやすいのは、製造現場の流れです。
たとえば、金属を加工するプレス工程だけを大きく高速化できたとします。
機械が止まらず、次々と加工できる。 一時間あたりに処理できる数も増える。
そこだけを見れば、生産性は上がったように見えます。
しかし、実際にはその前後にも工程があります。
図面の確認が終わっていない。 材料や金型の段取りに時間がかかる。 加工したものが検査で止まる。 梱包や出荷が追いつかない。 不具合が見つかり、前の工程へ戻ってくる。
こうなると、プレス工程だけを速くしても完成品は増えません。
むしろ、途中まで進んだ仕掛品だけが増え、置き場や管理の負担が大きくなることもあります。
大事なのは、一台の機械がどれだけ速く動いたかではなく、入口から出口までどれだけ滞りなく流れたかです。
AIにコードを書かせることも、このプレス工程だけを高速化している状態に近いのではないかと思いました。
コード生成は、仕事全体の中では実装工程にすぎない
AIをソフトウェア開発や業務改善へ入れるなら、本来はもっと広い流れを見られます。
設計 → 実装 → レビュー → 検証 → リリース → マーケティング → 改善
コード生成は、この中の実装工程です。
もちろん実装は重要です。
ただ、何を作るかが決まっていなければ、速くコードを書いても目的からずれます。
レビューや検証が追いつかなければ、AIが作った量だけ確認待ちが増えます。
リリースできなければ、利用者へ届きません。
マーケティングや導線まで考えなければ、良いものを作っても使われない。
公開後の反応を集め、改善へ戻せなければ、一度作って終わりになります。
AIに任せられるのは、コードを書く部分だけではありません。
設計時の論点整理。 実装案の比較。 変更内容のレビュー。 テスト条件の作成と実行。 リリース前の確認。 紹介文や利用者向け資料の作成。 問い合わせや利用状況を踏まえた改善案の整理。
AIに全部を丸投げするという意味ではなく、各工程にAIの役割を置けます。
それなのに実装だけへ集中すると、プレス工程だけが速くなり、検査や出荷で詰まるのと同じことが起こります。
実際のAI活用も、コードの先へ進み切れていないように見える
これは自分の印象だけでもなさそうです。
GitLabが2026年に公開したAI Accountability Reportは、6か国のDevSecOps関係者1,528人を対象にしています。
その概要では、AIによってコード作成が速くなった一方、仕事がレビュー、セキュリティ、コンプライアンス、デプロイといった下流工程へ移ったと説明されています。
つまり、コードを作る工程が速くなった結果、次の詰まりが目立つようになったわけです。
Stack Overflowの2025年開発者調査でも、AIを導入する予定がない工程として、デプロイと監視が76%、プロジェクト計画が69%とされています。
すべての企業がコード生成だけで止まっている、とまでは言えません。
ただ、責任が重く、全体設計に関わる工程ほどAI活用が進みにくい傾向は見えます。
AIを使ってコードは増えた。 しかし、設計、レビュー、検証、運用、利用者への届け方は以前のまま。
この状態なら、個人の作業速度は上がっても、企業全体の成果が同じ割合で増えないのは不思議ではありません。
AIを使いこなすには、コード力だけでなく工程を作る力がいる
ここで必要になるのは、単にAIへ上手なプロンプトを書く力ではないと思います。
何を解決するのか決める。 仕事を工程に分ける。 工程ごとの入力と出力を決める。 どこをAIへ任せ、どこを人間が判断するか決める。 問題が起きた時に追跡し、戻せるようにする。 成果が利用者や売上、現場改善につながったかを見る。
こうした、仕事全体を組み直す力が必要です。
レビューが詰まったなら、レビューの方法を整える。 テストが重いなら、テストしやすい設計にする。 同じ確認を繰り返すなら、チェックリストやスキルへまとめる。 リリース後の反応が拾えていないなら、収集と改善の流れを作る。
最初から「ここは人間」「ここはAI」と固定するのではなく、流れの中で詰まっている場所を見つけ、役割を決め直す。
AI時代に必要なのは、コードを大量に出す人より、AIを業務工程の中へ組み込める人なのかもしれません。
経済産業省がDX人材育成を急ぐ理由ともつながる
この問題だけを理由に、経済産業省がDX人材育成を進めているわけではありません。
ただ、国の資料を読むと、必要とされているのが単なるプログラミング人材ではないことは分かります。
経済産業省が2025年5月に公表した「Society5.0時代のデジタル人材育成」に関する報告書では、生成AIによる技術革新の加速、構造的な人手不足、スキルギャップを背景として、デジタル人材育成を加速する必要性が示されています。
人材育成の領域も、エンジニアリングだけではありません。
「ビジネス」「エンジニアリング」「デジタルリテラシー」の三つを設定し、官民で人材育成の体系を作る方向が示されています。
コードが書けるだけでは、現場の課題を見つけ、業務へ組み込み、成果までつなげるところを埋められない。
国がビジネスやリテラシーまで含めて育成しようとしているのは、その危機感の表れにも見えます。
マナビDX Questが安いのも、少し納得できた
経済産業省は2026年度も、デジタル推進人材育成プログラム「マナビDX Quest」の受講生を募集しています。
このプログラムは、地域企業や産業のAX/DXを進めるため、ビジネス現場の課題解決を通じて能力を磨くものです。
企業課題を題材に、
- ビジネス課題を整理する
- デジタル課題へ落とし込む
- 実装する
- 提案資料を作る
- 組織へ展開する
という流れを学ぶ設計になっています。
2026年度の「AI × 業務アプリ開発コース」は、受講料が22,000円です。
約3か月、標準学習時間80時間で、業務課題の要件定義から実装、提案資料の作成まで扱う内容としては、自分にはかなり抑えられた金額に見えます。
自分はまだ受講していないため、講座の質を体験談として評価することはできません。
ただ、国の事業として、プログラミング経験がない人でも参加できる実践型の学びをこの価格帯で用意している。
そこまでしなければ、現場課題とデジタル技術をつなげられる人材が増えにくい状況なのかもしれません。
最近、自分がこの講座を受けようと考えているのも、AIエンジニアになりたいからではありません。
製造現場で身につけた工程の見方と、AIやDXをつなぐための共通語や型を学びたいからです。
以前考えた「証拠」や「入出力」も、全工程を流すためだった
これまで、AIエージェントに作業を任せるなら、成果物だけでなく確認できる証拠も返してもらった方がよいと書きました。
ツールを作る時には、先に入力と出力を決めた方がよいとも考えてきました。
確認できる証拠は、AIが作業した後に人間が確認しやすくするものです。
入力と出力の設計は、AIが作り始める前に目的のずれを減らすものです。
今回考えたいのは、その前後をさらに広げた流れです。
設計から改善までを一つの工程として見る。
その中で、AIに何を渡すか。 AIが何を作るか。 どう確認するか。 どう利用者へ届けるか。 反応をどう次の改善へ戻すか。
一つずつの工程を速くするだけでなく、最後まで循環する形にする。
そのために、証拠や入出力、テスト、スキル、マーケティングまで必要になるのだと思います。
生産性は、コード量より一周した仕事で見たい
AIコーディングの効果を見る時、生成したコード量や実装時間だけを見ると、大きな改善に見えます。
ただ、自分なら次のような単位で見たいです。
- 実際に使える機能が完成したか
- 確認と修正まで終わったか
- 安全にリリースできたか
- 必要な人へ届いたか
- 利用者の反応を回収できたか
- その反応を次の改善へ戻せたか
コードを書いて終わるのではなく、設計から改善まで一周できたかを見る。
製造現場で言えば、加工数ではなく、検査や出荷まで終わった完成品を見るようなものです。
AIによる生産性向上も、一工程の速度ではなく、一周した仕事の量で測った方が実態に近いと思います。
まとめ
AIでコードを書く速度は、これからさらに上がっていくと思います。
しかし、コード生成だけを速くしても、設計、レビュー、検証、リリース、マーケティング、改善が詰まれば、仕事全体の生産性は上がりません。
プレス工程だけを速くしても、検査や出荷が追いつかなければ完成品は増えない。
AI活用も同じです。
見るべきなのは、AIがどれだけコードを書いたかではありません。
設計 → 実装 → レビュー → 検証 → リリース → マーケティング → 改善
この流れを、AIと人間で最後まで回せるかです。
AI時代に不足するのは、コードを書く人だけではない。
現場の仕事を理解し、工程へ分け、AIを組み込み、成果までつなげられる人なのだと思います。
参考情報
- GitLab「The 2026 AI Accountability Report」
- Stack Overflow「2025 Developer Survey: AI」
- 経済産業省「Society5.0時代のデジタル人材育成に関する検討会」報告書
- 経済産業省「マナビDX Quest」の2026年度受講生募集
- マナビDX「AI × 業務アプリ開発コース」
コメント