コードの生成量を、人員の置き換えに直結させない
AIが大量のコードを書けるようになれば、その分だけ開発組織の人員を減らせるのか。Metaの社内計画と運用上の問題を伝えた2026年8月の報道は、この問いを投げかけている。イノベトピアはReutersの取材を紹介し、大幅な人員削減を構想した「Project OT」と、その見直しについて伝えた。
本稿はMetaの内部資料を独自に入手・確認したものではない。計画や社内指標に関する情報は報道として扱い、会社が公表した決算情報、独立研究機関の実験結果、そして編集部の考察を分けて読む。AI導入の評価では、資料の種類の違いが結論を左右する。
計画、実施した削減、配属変更は別の出来事
紹介された報道では、一部のチームで最大60％の人員を削減する構想や、11月の追加削減の案が検討された一方、追加案は5月に取り下げられたとされる。こうした内部案を、そのまま実施済みの事実として扱ってはいけない。AI関連の業務へ従業員を移すことも、雇用そのものをなくすこととは異なる。
実施した削減について確認できる一次資料はある。Metaの2026年第2四半期決算は、5月の人員削減で約8,000人が影響を受けたことと、それに関連する退職費用を開示する。また、年間設備投資見通しを1,300億～1,450億ドルとしていた。削減を実施した事実と、大きな設備投資の方針は確認できるが、それだけでAIが8,000人分の仕事を代替したと証明されるわけではない。
人員の再編には、事業の優先順位、コスト、組織構造などが同時に関わる。報道された構想の大きさ、実施した施策、実現した生産性を一つの数字へまとめると、経営判断の根拠を誤って理解しやすい。
変更量が増えても、届いた機能や安定性は別に測る
イノベトピアが紹介する社内指標では、基盤・インフラのコード変更が前年比220％増だったのに対し、提供した新機能や改善は36％増、重大な技術・セキュリティ上の事象は40％増、対応に費やす時間は70％増とされる。これらはReuters取材に基づく報道上の数字で、一般に比較可能な公開ベンチマークではない。単位、集計範囲、対象期間の詳細が分からなければ、異なる企業の指標とそのまま比較できない。
それでも、計測すべき対象の違いを考える材料になる。生成した行数や変更件数は作業の量であり、利用者に届いた価値そのものではない。大きな書き直しや自動生成ファイルが増えれば量は伸びるが、機能が使えるようになるまでのレビュー、検証、移行は別に必要だ。
障害が同じ時期に増えても、すべてをAIのせいと確定することはできない。リリース頻度、変更の規模、監視範囲の変更、組織再編による知識の移動なども影響する。原因を調べるには、どの変更にどの問題が対応したかを追い、同じ条件の作業と比較する必要がある。
「AIで19％遅くなった」研究にも、時間と対象の条件がある
AIの生産性を考えるときによく参照されるのが、METRの2025年の実験だ。16人の経験豊富なオープンソース開発者が、自分のリポジトリに関する246の実際の課題へ取り組み、AI利用を許可する条件では、完了までの時間が平均19％長くなった。無作為に条件を割り当てて、当時のツールが実際の作業へ与える影響を測った点に意味がある。
ただし、これは2025年前半のモデルと、その参加者・課題に関する結果である。METR自身も現在の生産性を示す結果ではないと注意書きを付けている。2026年2月の追跡報告では、より新しいツールを使う実験で、AIなしで働きたくない開発者が参加しない、AIの効果が大きいと期待する課題を提出しないといった選択の偏りが深刻になったと説明した。
追跡データには高速化を示す結果もあるが、その大きさを信頼して推定するには弱い証拠だと研究者は述べる。古い19％を全開発者へ一般化することも、追跡実験の数字だけで新しいツールの効果を確定することも適切ではない。モデルの進歩が速いほど、研究した時期と条件を併記する必要がある。
学習用の行動データにも、働く人との関係がある
報道には、マウス操作やキー入力などをAIの学習用に収集する社内施策と、それに対する従業員の反発も登場する。操作を学ぶデータが技術的に役立つとしても、収集の目的、評価や人員計画との関係、従業員への説明は別に必要になる。生産性を測る仕組みが不信を生めば、現場の協力や、誤りを報告する行動にも影響しかねない。
編集部の考察として、日本の企業でも、操作履歴を集める前に、何を改善するためのデータか、誰が見て、どの程度残すかを整理したい。個人の評価と、ツールの評価を曖昧にしたまま同じ記録で行うと、作業者が指標に合わせて行動する可能性もある。成果を測る設計と、測定を受け入れられる設計を一緒に考える必要がある。
現場では、生成・確認・提供・保守を一本で追う
編集部の考察として、企業の評価単位には、コードの生成から正式提供までの一つの変更を使う方法が考えられる。AIが下書きを作る時間、人が修正する時間、レビューの待ち時間、テストや移行に必要な時間を追う。提供後の不具合修正や問い合わせまで含めれば、作成工程の高速化が別の担当者へ負担を移していないかも見える。
また、単純な修正と、既存システムの設計を理解する必要がある修正を分けたい。前者で大きな効果が出ても、後者で同じ割合を期待できるとは限らない。並列エージェントを利用する場合は、人の作業時間と経過時間、APIや計算の費用も別に記録する。複数の作業を同時に動かした速さを、そのまま人件費の削減率へ置き換えないことが重要だ。
評価期間中に担当者を大きく減らすと、比較の条件自体が変わる。既存の判断理由や運用上の注意を知る人がいなくなれば、後から発生した問題の原因を切り分けにくい。小さな対象で再現できる改善を確かめ、レビューや保守の能力を含めて導入範囲を広げる方が、判断に使える証拠を残しやすい。
AI活用の対象業務と評価方法の整理については、運営会社のRO合同会社にも相談できる。Metaをめぐる報道から他社が学べるのは、同じ人員計画をなぞることではなく、何を成果と数え、どこまで確かめて経営判断へ進むかという測定の設計である。
出典は本文中の報道・決算資料・METRの研究。公開資料で確認できない内部計画や指標は報道として明示し、日本企業への提案は編集部の考察として記載した。
AI導入支援AI導入・活用でお悩みなら
AI導入センターに無料相談する →
