ROI of AI-assisted Software Development (2026)
発表: 2026年（正確な発行月は確認できていない。dora.devの紹介ページの最終更新日は2026年4月22日）· 原文: https://dora.dev/ai/roi/ · 公式紹介: Google Cloud
一文要約
AI導入の複雑さを乗り越えるための実用的なROIフレームワークです。新しいツールの導入初期の「生産性の落ち込み（productivity dip）」を管理したり、次の会計年度の予算を防衛するための計算方法と対話の材料を提供します。
このレポートが必要な理由
2024〜2025のDORA研究は、AIが個人の生産性を高める一方でデリバリー成果には両義的でありうることを示しました。その結果、現場には2つの圧力が生じます。
- 導入初期の生産性の落ち込みをどう説明し耐えるか？
- AI予算をどう正当化し防衛するか？
ROIレポートはこの問いに計算可能な言語で答えようとする試みです。
研究方法と限界
Google Cloudの公式紹介は、本レポートが10年にわたるDORA研究に基づくと説明していますが、本レポートのためだけの別個のサーベイやサンプルがあるのか、計算式の係数をどのデータで定めたのかは、この要約では確認できていません（レポート本文は登録後にダウンロードする形式であり、この要約では全文を検討していません）。計算機の結果は利用者が入力した仮定で計算したシナリオ推定値であり、実際の組織で測定された効果ではありません。以下では、DORAの公式紹介と計算機で確認した内容と、このサイトの編集者が加えた解釈・例を区別して記します。
主要な構成
1. ROIフレームワーク
AI導入のコストと便益をどう推定し、どの項目を含めるかを案内します。単純なツール費用を超え、学習時間、検証オーバーヘッド、下流のボトルネックといった隠れたコストも併せて見る視点を提示します。
2. 生産性の落ち込み（Productivity dip）の管理
Jカーブ効果を前提に、初期の下落を失敗ではなく投資区間として解釈し管理する方法を扱います。公式紹介はこの下落を一種の「授業料（tuition cost）」とみなし、長期的なROIが現れる前に明示的に予算に組み込むよう推奨しています。
便益の中心: 人員削減ではなくキャパシティの再投資
公式紹介は、最大のリターンは不要な再作業（rework）を減らして確保したエンジニアリングキャパシティから生まれると説明しています。DORAは、こうして確保したキャパシティを人員削減に使うよりも再投資し、オーバーヘッドを増やさずにチームのアウトプットを増やすよう推奨しています（"expanding your team's output without increasing overhead"）。再作業とは障害対応や欠陥修正のように、すでに行った仕事をやり直す作業であり、再投資先は新機能の開発のような仕事と理解できます（編集者の説明）。
3. ROI of AI計算機
https://dora.dev/ai/roi/calculator/ で提供される伴走ツールで、回答を保存せずにSDLC（ソフトウェア開発ライフサイクル）へAIを導入する際の潜在的ROIを推定します。以下の入力項目と計算関係は、2026年9月29日に計算機ページと公開されている計算機スクリプトを直接確認した内容であり、計算機が更新されると変わる可能性があります。
| 区分 | 入力項目（計算機の表記） |
|---|---|
| 組織規模・人件費 | 技術人員数（Technical staff size）、平均人件費総額（Average fully loaded technical staff salary: 給与に税金・福利厚生・間接費を加えた雇用主負担の総額） |
| 事業への影響 | 製品売上（Product portfolio revenue）、1時間あたりの障害コスト（Cost of downtime per hour）、機能が売上を増やす割合（Idea success rate）、成功した機能1つあたりの平均売上影響 |
| デリバリーの現状・目標 | 年間デプロイ数と機能デプロイ数（現状・目標）、変更障害率（現状・目標）、失敗デプロイの復旧時間 |
| AI効果の仮定 | 開発者1人あたりの正味節約時間（Net time saved per developer: 生成時間の節約からコードレビューなどの検証負担を差し引いた正味の効果。割合で入力） |
| AIコスト | 1人あたり年間ライセンス費用、1人あたり追加費用（API・トークンなど）、年間AIインフラ費用、1人あたり研修費用 |
| Jカーブ | 学習期間の生産性低下率と低下期間（月数） |
計算機はこれらの入力を次のように結び付けます。
- 初年度の投資 = ツール・研修費用（1人あたりライセンス・追加費用・研修費用 × 人員数 + インフラ費用）+ Jカーブのコスト（人員数 × 人件費 × 低下率 × 低下月数 ÷ 12）
- 初年度の価値 = 人員の再投資キャパシティ（人員数 × 人件費 × 正味節約時間の割合）+ 追加機能から生まれる売上 + 障害コストの変化（現状と目標それぞれのデプロイ数 × 変更障害率 × 復旧時間 × 1時間あたり障害コストの差）
- ROI = （初年度の価値 − 初年度の投資）÷ 初年度の投資。計算機はこれとあわせて初年度の純便益と回収期間も表示します。
計算機の目標変更障害率の説明には、AI導入がデリバリーの不安定さの増加と関連するというDORAの研究が引用されています。そのため、目標デプロイ数を増やしつつ変更障害率も上がると、障害コストの項目がマイナス、つまりコスト増として計算されることがあります。一方、公式紹介が強調する再作業削減の効果は計算機に独立した入力項目としては存在せず、正味節約時間と変更障害率の仮定を通じて間接的に反映されます（編集者の観察）。
4. 対話の材料（Conversation starters）
リーダーが経営層・ステークホルダーと予算・期待値を議論する際に使える論点を提供します。
仮想事例（編集者による例。DORAの資料ではない）
以下の数値は、計算機の計算関係を理解するためにこのサイトの編集者が任意に定めた値です。実際の組織の基準値やDORAの推奨値ではありません。売上・障害の項目の変化はゼロとし、人員の再投資キャパシティだけを便益とみなします。
- 技術人員20名、1人あたり人件費総額 年$150,000
- 1人あたり年間費用: ライセンス$250、追加AI費用$80、研修$2,000 / 年間AIインフラ$20,000
- Jカーブ: 3か月間、生産性が15%低下
- 正味節約時間: 10%
計算結果は次のとおりです。ツール・研修費用は (250 + 80 + 2,000) × 20 + 20,000 = $66,600、Jカーブのコストは 20 × 150,000 × 15% × 3/12 = $112,500 なので、初年度の投資は$179,100です。人員の再投資キャパシティは 20 × 150,000 × 10% = $300,000 なので、ROIは (300,000 − 179,100) ÷ 179,100、つまり約67.5%です。
同じ条件で正味節約時間を5%に下げると、再投資キャパシティは$150,000となり、ROIは約−16.2%に変わります。このように結果は正味節約時間の仮定に大きく左右されるため、1つの値だけでなく楽観・基準・保守のシナリオを併せて計算してみるほうが安全です（編集者の提案）。
再配置可能なキャパシティと実際のコスト削減は異なります
上の例の$300,000は、節約された業務時間を人件費に換算した再配置可能なキャパシティです。その時間が新機能の開発のような価値ある仕事に実際に使われなければ売上や成果にはつながらず、人員・外注・残業といった支出が実際に減らない限り、現金支出が減ったわけでもありません。予算の議論では、「確保したキャパシティをどこに再投資し、どのような結果が出たか」を別途追跡してはじめて、この便益を説明できます（編集者の解釈）。DORAの公式紹介も、人員削減ではなくキャパシティの再投資を推奨しています。
実務への適用ポイント（編集者のまとめ）
- コストは総所有コストで。 ライセンスだけでなく学習・検証・レビュー・技術的負債のコストを含める。
- 便益は結果で。 トークン・行数ではなく、処理量・安定性・リードタイム・品質で測る。
- 落ち込み区間を計画に入れる。 導入初期の下落を予算とスケジュールに明示的に反映する。
- 下流のボトルネックを先に除く。 プラットフォーム・レビュー・テストがボトルネックならAIの効果は相殺される（プラットフォームエンジニアリング）。
あわせて読む
- 測定フレームワークの選択
- 生成AIで革新する（ガイド） — Jカーブと結果中心の成功定義
- トークンマキシング時代のバランス — 誤った指標の罠
出典
本記事はDORAのROI of AI-assisted Software Development reportとROI of AI計算機、Google Cloudのレポート公式紹介を要約したものです。原文 © Google LLC、CC BY 4.0。