8月5日、InfoQが「The Five Stages of AI Maturity in Engineering Organizations」と題した記事を公開した。Quotientの共同創業者でCEOのLizzie Matusovが提唱する5段階成熟度フレームワークを中心に、AIへの投資が組織的成果に結びつかない構造的原因とその処方箋を詳しく紹介している。

「個人の生産性向上が組織の成果に繋がらない」問題

AIへの大規模投資にもかかわらず、組織全体のアウトプットが改善しない事例が相次いでいる。元記事ではいくつかの実例が示されているが、中でも象徴的なのが、ある大手テック企業が2026年分のAI予算をわずか4ヶ月で使い切ったにもかかわらず、支出と生産性アウトプットの間に安定した相関関係を見出せなかったという事例だ。また、予算超過を理由にAIコーディングツールの利用を縮小する動きも報告されており、ROIを明確に説明できていない点は業界共通の課題として浮かび上がっている。

※これらの企業名・ツール名の具体的な言及については、元記事の文脈・出典を直接確認していただきたい。

これは特定企業の話ではない。2025年のDORAレポート（約5,000人の技術者を対象にした調査）でも、個人の効率性は向上したが、ソフトウェアデリバリーのスループットは意味のある変化を示さなかったという結果が出ている。

なぜAIへの支出が組織的成果に結びつかないのか。MatusovはこのフレームワークをSPACEフレームワークやDORAなど主要な生産性研究の知見と接続させながら、「制約の理論（Theory of Constraints）」を使って切り込む。

ボトルネックを無視して全体を最適化しても意味がない

エリヤフ・ゴールドラットの著書『ザ・ゴール』（1984年）に登場する工場の話が引用される。「すべてのステーションを最大効率で動かせば生産性が上がる」と考えた工場長が実際に試みると、逆に生産が遅くなり品質問題が噴出する。原因はボトルネックを無視したことだ。

システム全体は単一のボトルネックによって制約される。 ボトルネック以外をいくら高速化しても、最終的なアウトプットは増えない。むしろ、ボトルネック手前に仕掛品が積み上がり、リードタイムが延び、品質問題が連鎖する。

ソフトウェア開発ライフサイクル（SDLC）でも同じことが起きる。コードレビューにボトルネックがある組織がAIでコード生成量を増やせば、レビュー待ちの行列が膨れ上がるだけだ。ボトルネックはチームによって異なる。テストかもしれないし、デプロイかもしれない。

5段階のAI成熟度モデル

このフレームワークは15本の研究論文のレビュー、DORAやSPACEフレームワークなど主要な生産性フレームワークを設計した研究者へのインタビュー、さらに100社以上のフィールドインタビューを経て構築されたとされる。各ステージはイネーブルメント、ポリシー/ガバナンス、検証/テスト、ワークフローへの組み込み、ワークフロー自動化、データコンテキストとアクセスの6つの特性で定義される。

Stage 1：アドホックな採用

個人の実験が主体。公式なガイダンスはなく、チャットウィンドウにコンテキストを貼り付けて使う段階。AIはワークフローの外側に存在し、データアクセスはユーザーが手動で提供するものに限られる。規制の厳しい環境や高セキュリティ環境の組織では、まだここに留まっているケースもある。

Stage 2：アシスト開発

AIがチーム全体に広がり始める段階。個人タスク（コード記述、ドキュメント作成）へのAI活用が中心だが、早期採用者と懐疑派の二極化が始まる。コードを取り巻くハーネス（テストや自動化の仕組み）はまだほとんど変わっていない。

Stage 3：標準化されたワークフロー

ここが重要な転換点だ。キーワードは「共有（shared）」。個人最適から、チームおよびシステム全体の最適化にシフトする。ハッカソンや知識共有セッションが行われ、自動化チェックがAI生成コードを検証し始める。コードベースやドキュメントへのアクセスも広がる。Stage 2から3への飛躍は大きく、開発ハーネスへの投資が本格化する段階だ。

Stage 4：測定された最適化

組織がAIの効果を定量的に把握し、意思決定に活かし始める段階だ。単なるツール採用率や使用量ではなく、SDLCの各ゲートにおけるスループットやリードタイム、品質指標といった組織的アウトカムを計測対象に据えることが特徴となる。ボトルネックがデータによって可視化され、どこに投資すべきかの判断が定量的に行えるようになる。チーム横断での知見共有と継続的な改善サイクルが確立される。

Stage 5：エンドツーエンドの自律性

フレームワークの最終段階では、AIがSDLC全体に深く組み込まれ、人間の判断を必要とする箇所を絞り込みながら、エンドツーエンドでのワークフロー自動化が実現する。コードベース・ドキュメント・組織固有のコンテキストへのアクセスが高度に統合され、AIエージェントが複数のゲートを自律的に通過できる状態を指す。ただし、元記事ではこの段階に到達している組織はまだ少数であるとされており、現時点では多くの組織にとって目指すべき到達点として位置づけられている。

「使用量」から「成果」の計測へ

Matusovが強調するのは、計測対象をAIの使用量から組織的アウトカムに移すことだ。トークン消費量やAIツールの採用率ではなく、SDLCの各ゲートを通過するスループット、リードタイム、品質指標に目を向けることで、自組織のボトルネックが可視化される。

AI関連支出は世界規模で急拡大しており、エンタープライズの72%が少なくとも1つのAIワークロードを本番環境で稼働させているという。この勢いの中で「ROIが説明できない」状態が続くなら、それはAIの問題ではなくボトルネックの問題である、というのがこのフレームワークの核心だ。

※AI支出の成長率・市場規模の具体的な数値については、元記事が参照している出典を直接ご確認いただきたい。

詳細はThe Five Stages of AI Maturity in Engineering Organizationsを参照していただきたい。