Claude Code導入による開発効率化と全社展開までの段階的アプローチ

AI業界の2025年5月当時の状況

• AIを使ったコーディングはまだ黎明期であり、DevinでAPIを1つ作るなど、改修規模の大きい開発は実用的ではなかった

ツール導入前の課題

• RehabCloudレセプトの大規模改修プロジェクトにおいて、リソースと期日に乖離があり、少ないリソースでも期日に間に合わせる策を探していた

どのような状態を目指していたか

• 適切に仕様を伝えれば、品質の高いソースコードやテストコードを生成できるようになり、当時進めていたプロジェクトの工数圧縮を目指していた

• Cline: VS Code拡張機能として利用できるAIコーディングアシスタント（従量課金制）
• Claude Code: AnthropicのCLI型AIコーディングアシスタント（サブスクリプション型、VS Code拡張機能としても利用可能）
• Devin: AIエージェント型の開発ツール（従量課金制） ※2025年5月時点での比較

• コスト
  • APIの従量課金の場合、コストを気にしてしまい、使い方の試行錯誤がしにくい
  • Claude Codeはレートリミット内で使い放題のサブスクリプション型プランがあり、従量課金制の他サービスと比較してコストの予測・管理がしやすい点を重視した
• 実用性
  • 大規模な改修プロジェクトでも実用的に使えるかどうか
  • 実際の開発プロジェクトで業務効率化ができるかどうか

• ClineやDevinでは、従量課金をベースとしたコスト体系となっている
• Claude Codeでは、Claude Maxプランのサブスクリプションで、Claude Codeがレートリミット内であれば無制限で利用できるようになったため、お試しで利用することが可能となり、他サービスよりもClaude Codeが優位となった

改善したかった課題はどれくらい解決されたか

• Claude Codeの活用によりリソース不足を補い、RehabCloudレセプトの大規模プロジェクトのリリースを当初予定通り実施することができた
• そのリリースだけでなく、システムの細かな改善も並行して実施することができた
• パイロットプロジェクトでは、大規模なライブラリのアップデートや全機能のE2Eテストの拡充などをClaude Codeを用いて実施できた
• パイロットプロジェクトを含めた1ヶ月の生産性指標
  • トークン使用量は、パイロットプロジェクトで選定したメンバーは高く、同水準で使用していることが分かった
  • PR数について
    • 全体の平均としては、PR数が64.5%増加した
    • 特にマネージャー層では、1ヶ月間のPR数が導入前は16であったが、導入後は56と著しく増加した
  • PRのマージまでの時間
    • メンバー層に関しては、平均で33%短縮と改善
      • うち未経験領域に挑戦するメンバーでも同様の改善効果が見られた
    • マネージャー層に関しては、PRマージまでの時間が93.5%増加（悪化）した
      • PR数自体の著しい増加に伴い、増加したPRに対するレビュー対応や動作検証に時間がかかり、PRマージまでの時間が増加したと考えている

どのような成果が得られたか

• 既存プロジェクトでClaude Codeを活用する実践知を蓄積できた
• Claude Codeは、開発者の開発効率を向上させるが、特にマネージャー層に対する開発効率向上の幅が著しい
• マネージャー層のPR数が16から56へと約3.5倍に増加した一方で、PRマージまでの時間が増加した点から、開発効率の向上に伴う新たな課題（レビュー負荷の増加）も明らかになった

• 費用対効果の説明の難しさ
  • Claude Codeを導入することによる費用対効果を説明することが難しかった
  • どの値をKPIとすることで、Claude Codeが開発生産性を向上し、費用対効果が高くなるかのストーリーの検討が困難であった
  • 解決策として、導入前後のPR数、マージまでの時間と、AIを活用していない状態の業務委託1名の過去の生産性を比較し、ROIを導出した
• パイロットプロジェクトでの検証
  • 小規模なパイロットプロジェクトで効果を証明する必要があり、自作ツールでGitHubの活動量を追跡するなど、独自の仕組みを構築する必要があった
  • 既存のツールでは十分な分析ができなかったため、自前で開発したツールで定量的な指標を取得した

• 経営陣に近い人を味方につけることが必要

  • エンジニアマネージャである自分自身が熱中し、社内展開したり、CTOを巻き込むなどすることで、技術を知らない経営陣への説明に苦労することはなかった
  • まずは個人で試し、効果を実感してから社内展開を検討することを推奨

• 段階的な導入を推奨

  • 個人検証 → パイロットプロジェクト → 全社展開という段階的なアプローチが効果的
  • 各段階で定量的な指標（PR数、開発速度など）を取得し、効果を可視化することが重要
  • 費用対効果を説明する際は、導入前後の指標と、AIを活用していない状態の業務委託などの外部リソースの生産性を比較することで、ROIを明確に示すことができる

• 社内啓蒙の重要性

  • 導入前に社内向けの情報発信（YouTube Liveなど）を行い、個人利用者を増やすことで、本格導入時の習熟度を高めることができる
  • これにより、導入開始時点から多くの開発者が効果的にツールを活用できるようになる

• チーム単位での活用レベルの底上げ

  • 個人単位はもちろんのこと、チーム単位で利用レベルに差があるため、その差を埋めることを実施する
  • プロダクト単位で推進者を設定し、隔週で定例会を実施し、活用方法をプロダクト単位で共有し合う

• 継続的な改善

  • トークン使用量の可視化により、利用に習熟しているメンバーからノウハウを吸収し、組織全体の活用レベルを向上させる
  • カスタムスラッシュコマンドなど、チーム固有のワークフローをさらに最適化していく