WEDにおけるDevinの活用事例

導入前に感じていた課題

私たちのチームでは、当初GitHub Copilotのみを生成AIとして導入していました。 世の中には他にも様々なAIツールが存在していることは認識していたものの、実際に試す機会は少なく、「もっと活用できるのでは？」という思いが常にありました。

「他の生成AIツールも使ってみたい」「より開発効率を上げたい」という想いから、社内での新たなツール導入を検討しはじめました。

目指していた姿

当時のGitHub Copilotは、基本的に「質問に答える」ことが主な使い方でした。 しかし私たちが理想としていたのは、それ以上の活用です。たとえば以下のようなシーンを想定していました。

• リポジトリ全体を読み込んだうえでの調査
• 簡易なタスクの自動実行
• 質問に対する、より精度の高い回答

単なる補助的なツールではなく、開発パートナーとして活躍してくれるAIを目指し、次の一手を模索していくことになりました。

• Cline
• Cursor
• Claude Code

当時(2025/01頃)のGitHub Copilotは「質問に答える」ことはできるものの、それにとどまっていました。 私たちは、AIがより積極的にコードを生成したり、簡易なタスクを自動で処理してくれるような活用方法を求めていました。

自律的にタスクを実行できるAIとして注目されていたことに加え、Slackとの連携が可能である点も魅力的でした。

課題はどれくらい解決されたか

導入当初の目的であった「開発効率の向上」という観点では、改善が見られました。 一方で、応答速度の遅さが課題として残っており、ラリー形式でのやり取りや設計の壁打ちといった、テンポを重視する作業には適さない場面もありました

導入によって得られた成果

想定していた以上に開発者の領域横断的な調査がしやすくなったことは、大きな成果のひとつです。 たとえば、サーバーエンジニアがiOSアプリのコードを確認したり、データエンジニアがサーバー側の処理を把握したりと、専門領域を越えた調査や対応がスムーズに行えるようになりました。

さらに、当初は想定していなかった非エンジニアの活用も広がっています。 プロダクトマネージャーがサーバー仕様を調べたり、カスタマーサポート部門がユーザー問い合わせに応じてデータを集計・簡易分析したりと、自律的な調査・対応が自然と生まれつつあります。

また、懸念されていたACU上限も問題なく推移しているため、段階的に利用メンバーを拡大し、現在ではエンジニア全員および希望者に向けて開放しています。

比較検討した複数のツールの中で、今回導入したAIツールは最もコストが高い点が懸念材料でした。 そのため、まずは2ヶ月のトライアル期間を設け、使用感を確認したうえで本格導入の可否を判断する方針としました。

また、当初はACU(使用量)を正確に把握できていなかったため、予想以上にリソースを消費してしまうリスクも考慮しました。 これを踏まえ、初期段階では利用部門を一部署のみに制限する形で運用を開始しました。

加えて、セキュリティ面の懸念にも対応する必要がありました。 具体的には、Devinに追加するリポジトリに関しては、情シス部門による事前承認を必須とする運用ルールを設け、安全性を確保しています。

「百聞は一見にしかず」という言葉があるように、やはり実際に触れてみることをおすすめします。 Devinのような自律型AIツールは、ツール単体の性能だけでなく、「その組織がどのように開発を進めたいか」によって効果の出方が大きく左右されると感じています。

また、他のツールと比べてコストが高めであるため、まずは評価期間を設定し、実際のプロジェクトに活用してみる中で、自社にとって価値を生み出せるかどうか、組織にフィットするかどうかを見極めるのが良いと思います。

現在、開発者が設計や実装時にラリー（壁打ち）ができるようなツールの導入も検討しています。 Devinについては、引き続き活用していく方針です。タスクの自動化や非エンジニア層の活用など、引き続き組織全体で効果を最大化できるよう取り組んでいきます。