2025年DORAレポート：AIはソフトウェアエンジニアリングのパフォーマンスを増幅している
2025年のDORAレポートは、AIがソフトウェア開発のパフォーマンスを自動的に向上させるわけではなく、その影響は組織が期待するよりも複雑であると指摘している。
キーポイント
AIの影響は複雑
AIはソフトウェア構築の方法を急速に変えつつあるが、その影響は多くの組織が期待するよりも微妙で複雑である。
自動的な性能向上はない
DORAレポートは、AIがソフトウェアデリバリーパフォーマンスを自動的に改善するわけではないことを明らかにしている。
組織の期待とのギャップ
AIのソフトウェア開発への影響について、実際の効果と組織の期待の間にギャップが存在する。
影響分析・編集コメントを表示
影響分析
この記事は、AIツールの導入が即座に開発効率を向上させるという楽観的な見方を修正し、より現実的で計画的なAI活用の必要性を示唆している。業界全体がAIの効果についてより深く理解し、適切な導入戦略を考えるきっかけとなる可能性がある。
編集コメント
AI万能論に警鐘を鳴らす重要なレポート。組織はAIツールの導入だけでなく、プロセスや文化の変革にも注力する必要があるというメッセージが読み取れる。
人工知能はソフトウェアの構築方法を急速に変化させていますが、その影響は多くの組織が予想していたよりも複雑です。2025 年版 DevOps Research and Assessment (DORA) レポート『AI 支援型ソフトウェア開発の現状』によると、AI は自動的にソフトウェアデリバリーのパフォーマンスを向上させるわけではありません。むしろ、既存のエンジニアリング状況を増幅する乗数として作用し、高いパフォーマンスを発揮するチームを強化する一方で、プロセスが分断され、開発システムが不適切に構造化されている組織の弱点を露呈させます。
この調査は、約 5,000 人の技術専門家のアンケート回答と、100 時間以上の質的インタビューに基づいています。その中心的な結論は明確です：ソフトウェアエンジニアリングにおける AI の成功は、ツールの洗練度よりも、それを取り巻く組織システムの強さに依存します。エンジニアリング文化、プラットフォームの機能、開発ワークフロー、そして内部知識システムが最終的に、AI が生産性とデリバリー成果を向上させるのか、単に複雑さを加速させるだけなのかを決定します。
報告書の中で最も印象的な発見の一つは、AI ツールが開発者の日常業務にどれほど急速に組み込まれたかという点です。現在、開発者の約 90% が仕事で何らかの AI の支援を利用していると回答しています。そのうち約 3 分の 2 は、コード記述やドキュメント生成、デバッグ、あるいは見慣れないフレームワークの探索といったタスクにおいて、これらのツールに大きく依存していると言っています。多くの開発者はまた、生産性の明確な向上を実感しており、大きな割合の人が AI が問題解決をより迅速に行い、コードをより効率的に記述できる助けになると示しています。
こうした成果がある一方で、報告書は生産性と信頼の間にある持続的な緊張関係にも焦点を当てています。開発者が頻繁に開発タスクの加速のために AI に依存しているにもかかわらず、AI 生成コードの精度と信頼性については依然として慎重な姿勢を示す人が少なくありません。このためらいは、保守性、正しさ、そして長期的なシステムの安定性に関するより広範な懸念を反映しています。実際には、AI はコード生産の量と速度を増加させることが多いですが、適切なエンジニアリングの規律が伴わなければ、これらの成果がソフトウェアデリバリーのパフォーマンス向上に直結するとは限りません。
この動的な状況は、本レポートの最も重要な結論の一つにつながります。AI は、それが動作するエンジニアリングシステムの品質を増幅させるのです。成熟した DevOps 実践、明確に定義された開発ワークフロー、そして強力なプラットフォーム機能を備えた組織ほど、AI に起因する生産性向上を、配信パフォーマンスにおける測定可能な改善へと変換できる可能性が高いです。一方、ツールが断片化していたり、プロセスが不明確であったり、開発慣行が一貫していなかったりする組織では、逆効果が生じる可能性があります。こうした環境では、AI が技術的負債の創出を加速させ、コードレビューの複雑さを増大させ、すでに脆弱なシステムに不安定さをもたらす恐れがあります。
組織が開発環境へ AI をどのようにして成功裏に統合すべきかを理解する手助けとして、本レポートは「DORA AI Capabilities Model（DORA AI 能力モデル）」を提案しています。特定のツールや技術に焦点を当てるのではなく、このフレームワークは、AI が意味のある価値を提供するために必要な組織の能力セットを特定します。
これらの能力の一つ目は、AI 導入に関する明確な組織戦略を確立することです。AI で成功を収めている組織は、AI ツールがどのように使用され、ガバナンスされ、エンジニアリングワークフローに統合されるべきかについて、明示的なポリシーとガイドラインを定義する傾向があります。この明確さは、チームが AI を一貫して採用することを支援すると同時に、制御されていない実験に伴うリスクを低減します。
もう一つの重要な能力は、健全なデータエコシステムの存在です。AI ツールは、信頼性が高く構造化された情報へのアクセスに大きく依存しており、特に内部ドキュメント、アーキテクチャに関する知識、および歴史的開発データが重要です。これらの情報が散在していたり、適切に管理されていなかったりすると、AI ツールは有意義な支援を生成することが困難になります。
これと密接に関連するのが、内部知識へのアクセス可能性です。高品質なドキュメント、検索可能なナレッジリポジトリ（知識基盤）、構造化された内部データを維持している組織では、AI システムが開発者にとってさらに効果的なアシスタントとなることができます。これらの環境では、AI ツールは組織のアーキテクチャ、コーディング標準、運用プラクティスに合致した文脈に基づいた推奨事項を提供できます。
本レポートはまた、基礎的なエンジニアリングプラクティスが依然として重要であると強調しています。成熟したバージョン管理ワークフロー、規律あるコードレビュープロセス、一貫した開発標準が、効果的な AI 支援型エンジニアリングの基盤を形成します。これらのプラクティスを置き換えるのではなく、AI はそれらに依存しています。これらがなければ、開発速度の向上はすぐに運用リスクを生み出すことになります。
ユーザー中心の開発は、AI の成功した導入と強く関連するもう一つの要因です。純粋な技術的な成果物ではなく、ユーザーの成果に強い焦点を当て続けるチームは、AI をワークフローにより効果的に統合する傾向があります。この姿勢は、AI が単に生成されるコードの量を増やすのではなく、意味のある機能の提供を加速することを保証します。
プラットフォームエンジニアリングもまた、重要な促進要因として浮上しています。開発環境、デプロイパイプライン、インフラストラクチャサービス（infrastructure services）を標準化する内部プラットフォームは、AI ツールが一貫性があり予測可能なエコシステム内で動作できるようにします。この一貫性は、追加の複雑さや運用リスクを導入することなく、開発者が AI の提案をワークフローに統合しやすくします。
最後に、本報告書は小バッチでの作業の重要性を再確認しています。小さく漸進的な変更は、コードレビューの品質を向上させ、デプロイリスクを低減し、システムの安定性を維持しやすくします。AI ツールが大型または複雑なコード変更を生成する場合、開発プロセスに対する制御を維持するためにこれらのプラクティスはさらに重要になります。
この調査は、AI を活用した開発の時代におけるプラットフォームチームの重要性が高まっていることも強調しています。プラットフォームエンジニアリングへの投資（共通ツール、標準化された環境、明確に定義された開発ワークフロー）を行う組織は、AI ツールの導入において著しく良い成果を上げやすい傾向があります。プラットフォームは、AI がチーム全体でスケーラブルに機能しつつ、一貫性と信頼性を維持するための構造的基盤を提供します。
この基盤がない場合、AI の導入は新たな複雑さの形態を生み出す可能性があります。開発者がより大きなプルリクエストを生成したり、一貫性のないコーディングパターンを導入したり、確立されたアーキテクチャ基準に合致しない AI の提案に依存したりする恐れがあります。時間が経つにつれて、これらの課題は納期の遅延や運用リスクの増大につながります。
また、このレポートでは、AI がシステム安定性に与える潜在的な影響についても検討しています。AI は明らかに開発生産性を加速しますが、同時に迅速な実験やより大きな変更セットを促す可能性もあります。適切に管理されない場合、この動的な状況は欠陥の発生確率、デプロイ失敗、または運用上の不安定化を増大させる可能性があります。その結果、AI を導入する組織は、エンジニアリングの規律を緩和するのではなく、むしろ強化する必要があります。
AI の導入における技術的な側面を超えて、本レポートはエンジニアリングシステムの人間的・文化的側面に大きな重点を置いています。AI を成功裏に統合するチームは、開発者、プラットフォームチーム、セキュリティ専門家との間の強力な協力を育む傾向があります。彼らは、開発者が AI を効果的に活用する方法を理解できるよう支援するトレーニングプログラムへの投資を行い、エンジニアが洞察やベストプラクティスを共有できる実践コミュニティを構築します。
対照的に、AI の導入を純粋な草の根実験を通じて発生させることに任せた組織は、その恩恵をスケールさせるのに苦労することが多いです。個々のチームが生産性の向上を達成しても、これらの改善は孤立したままとなり、より広範な組織パフォーマンスへと転換されません。
この知見は、高パフォーマンスを持つエンジニアリング組織の未来が、DevOps の成熟度だけでなく、AI 支援ワークフロー、プラットフォームエンジニアリング、そして強力な開発者体験プラクティスの統合によって定義されることを示唆しています。これら要素はすべて、人間と機械の協力を支えるために設計された次世代のエンジニアリングシステムの基盤を形成します。
技術リーダーにとって、このレポートのメッセージは希望に満ちたものであると同時に警戒を促すものでもあります。AI はソフトウェア開発を大幅に加速し、開発者の体験を向上させる可能性を秘めています。しかし、これらの恩恵が自動的に得られるわけではありません。組織はまず堅固なエンジニアリング基盤を構築し、プラットフォーム機能を強化し、規律ある実験を支援する文化を育む必要があります。
結局のところ、レポートの中心的な洞察はシンプルですが力強いものです。人工知能（AI）は壊れたエンジニアリングシステムを修復することはできません。しかし、すでに堅固な基盤を築いた組織にとっては、これまでにないほど強力なエンジニアリングパフォーマンスの加速要因となり得るのです。
著者紹介
Craig Risi
Craig Risi は多才な人物ですが、その才能をどう活用すべきかという感覚に欠けています。世界を変える活動に出ることも可能ですが、彼はむしろソフトウェアを作ることを好みます。彼はソフトウェアデザインへの情熱を持っていますが、それ以上に技術的に多様で絶えず進化し続けるテクノロジーの世界において、システム設計における品質やソフトウェアの品質に対する情熱を抱いています。
Craig はまた、『Quality By Design: Designing Quality Software Systems』という書籍の著者であり、自身のブログサイトや世界各地のさまざまなテックサイトで定期的に記事を執筆しています。
ソフトウェアをいじる時間がないときは、よく文章を書いたり、ボードゲームのデザインをしたり、理由もなく長距離走をしたりしているものです。
もっと見る 表示しない
原文を表示
Artificial intelligence is rapidly reshaping the way software is built, but its impact is more nuanced than many organizations expected. The 2025 DevOps Research and Assessment (DORA) report, titled State of AI-Assisted Software Development, finds that AI does not automatically improve software delivery performance. Instead, it acts as a multiplier of existing engineering conditions, strengthening high-performing teams while exposing weaknesses in organizations with fragmented processes and poorly structured development systems.
The research draws on survey responses from nearly 5,000 technology professionals and more than 100 hours of qualitative interviews. Its central conclusion is clear: the success of AI in software engineering depends less on the sophistication of the tools and more on the strength of the organizational systems surrounding them. Engineering culture, platform capabilities, development workflows, and internal knowledge systems ultimately determine whether AI improves productivity and delivery outcomes or simply accelerates complexity.
One of the most striking findings of the report is how quickly AI tools have become embedded in the daily workflow of developers. Approximately ninety percent of developers now report using some form of AI assistance in their work. Around two-thirds say they rely heavily on these tools for tasks such as writing code, generating documentation, debugging problems, or exploring unfamiliar frameworks. Many developers also report measurable productivity improvements, with a large proportion indicating that AI helps them solve problems faster and write code more efficiently.
Despite these gains, the report highlights a persistent tension between productivity and trust. While developers frequently rely on AI to accelerate development tasks, a significant portion remain cautious about the accuracy and reliability of AI-generated code. This hesitation reflects broader concerns around maintainability, correctness, and long-term system stability. In practice, AI often increases the volume and speed of code production, but without the appropriate engineering discipline, these gains may not translate into improved software delivery performance.
This dynamic leads to one of the report's most important conclusions: AI amplifies the quality of the engineering system it operates within. Organizations with mature DevOps practices, well-defined development workflows, and strong platform capabilities are far more likely to convert AI-driven productivity gains into measurable improvements in delivery performance. In contrast, organizations with fragmented tooling, unclear processes, or inconsistent development practices may experience the opposite effect. In these environments, AI can accelerate the creation of technical debt, increase code review complexity, and introduce instability into already fragile systems.
To help organizations understand how to successfully integrate AI into their development environments, the report introduces the DORA AI Capabilities Model. Rather than focusing on specific tools or technologies, this framework identifies a set of organizational capabilities that enable AI to deliver meaningful value.
The first of these capabilities involves establishing a clear organizational strategy for AI adoption. Organizations that succeed with AI tend to define explicit policies and guidelines around how AI tools should be used, governed, and integrated into engineering workflows. This clarity helps teams adopt AI consistently while reducing the risks associated with uncontrolled experimentation.
Another important capability is the presence of a healthy data ecosystem. AI tools rely heavily on access to reliable and well-structured information, particularly internal documentation, architectural knowledge, and historical development data. When this information is scattered or poorly maintained, AI tools struggle to generate meaningful assistance.
Closely related to this is the accessibility of internal knowledge. Organizations that maintain high-quality documentation, searchable knowledge repositories, and structured internal data enable AI systems to become far more effective assistants to developers. In these environments, AI tools can provide contextual recommendations that align with the organization's architecture, coding standards, and operational practices.
The report also emphasizes that foundational engineering practices remain critical. Mature version control workflows, disciplined code review processes, and consistent development standards form the backbone of effective AI-assisted engineering. Rather than replacing these practices, AI depends on them. Without them, the increased speed of development can quickly create operational risk.
User-centric development is another factor strongly associated with successful AI adoption. Teams that maintain a strong focus on user outcomes, rather than purely technical outputs, tend to integrate AI more effectively into their workflows. This orientation ensures that AI accelerates the delivery of meaningful features rather than simply increasing the volume of code produced.
Platform engineering also emerges as a critical enabler. Internal platforms that standardize development environments, deployment pipelines, and infrastructure services allow AI tools to operate within a consistent and predictable ecosystem. This consistency makes it easier for developers to integrate AI suggestions into their workflows without introducing additional complexity or operational risk.
Finally, the report reinforces the importance of working in small batches. Smaller, incremental changes improve code review quality, reduce deployment risk, and make it easier to maintain system stability. When AI tools generate large or complex code changes, these practices become even more important for maintaining control over the development process.
The research also highlights the growing importance of platform teams in the era of AI-assisted development. Organizations that invest in platform engineering capabilities: shared tooling, standardized environments, and well-defined developer workflows, tend to experience significantly better outcomes when introducing AI tools. Platforms provide the structured foundation that allows AI to scale across teams while maintaining consistency and reliability.
Without this foundation, AI adoption can create new forms of complexity. Developers may generate larger pull requests, introduce inconsistent coding patterns, or rely on AI suggestions that do not align with established architectural standards. Over time, these challenges can slow delivery and increase operational risk.
The report also examines the potential impact of AI on system stability. While AI clearly accelerates development productivity, it can also encourage rapid experimentation and larger changesets. This dynamic may increase the likelihood of defects, deployment failures, or operational instability if not properly managed. As a result, organizations adopting AI must strengthen, not relax, their engineering discipline.
Beyond the technical aspects of AI adoption, the report places significant emphasis on the human and cultural dimensions of engineering systems. Teams that successfully integrate AI tend to foster strong collaboration between developers, platform teams, and security specialists. They invest in training programs that help developers understand how to use AI effectively, and they establish communities of practice where engineers can share insights and best practices.
In contrast, organizations that allow AI adoption to emerge purely through grassroots experimentation often struggle to scale its benefits. Individual teams may achieve productivity gains, but these improvements remain isolated and fail to translate into broader organizational performance.
The findings suggest that the future of high-performing engineering organizations will be defined not only by DevOps maturity but by the integration of AI-assisted workflows, platform engineering, and strong developer experience practices. Together, these elements form the foundation of a new generation of engineering systems designed to support both human and machine collaboration.
For technology leaders, the message of the report is both encouraging and cautionary. AI has the potential to significantly accelerate software development and improve the developer experience. However, these benefits are not automatic. Organizations must first build strong engineering foundations, invest in platform capabilities, and cultivate a culture that supports disciplined experimentation.
In the end, the report's central insight is simple but powerful. Artificial intelligence will not fix broken engineering systems. But for organizations that have already built strong foundations, it may become one of the most powerful accelerators of engineering performance yet.
About the Author
Craig Risi
Craig Risi is a man of many talents but has no sense of how to use them. He could be out changing the world but prefers to make software instead. He possesses a passion for software design, but more importantly software quality and designing systems in a technically diverse and constantly evolving tech world.
Craig is also the writer of the book, Quality By Design: Designing Quality Software Systems, and writes regular articles on his blog sites and various other tech sites around the world.
When not playing with software, he can often be found writing, designing board games, or running long distances for no apparent reason.
Show moreShow less
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み