AI coding agentsはコードを3割増やすが、ソフトは増えない — ハーバード研究、718社の実証でレビューが隘路と指摘

AI coding agentsはコードを大量に生むが、ソフトも雇用も比例的には動かない。ハーバード大学のFiona Chen氏とJames Stratton氏によるワーキングペーパー「Artificial Intelligence in the Firm: Bottlenecks in Software Production」（Job Market Paper、現行版2026年8月4日）は、エンジニア分析基盤Jellyfishのデータで718社の導入効果を推定し、生産性向上がコードレビューという隘路に吸収される構図を示した。本稿は著者公開の論文PDFで確認できる範囲に限定して整理する。

推定の枠組み — 718社・3億件の作業イベント

• 分析対象は、研究利用に同意したJellyfish顧客718社、2021年1月〜2026年3月の約3億件の作業イベント（GitHubの開発活動、Jiraの課題、Googleカレンダーの予定など）である。
• 企業ごとの導入時期のばらつきを利用したstaggered difference-in-differencesで、AI coding assistants（GitHub Copilot・Cursor）とAI coding agents（Cursor Agent・Claude Code・Devin・GitHub Copilot Agentなど）の導入効果を推定している。
• 導入の測定は、Copilot・Cursor・Claude CodeのAPI利用記録と、GitHub上のボットアカウント・署名（例：「Co-authored-by: Claude Code」）の検出を組み合わせている。
• 企業レベルの導入率は、agentsが2024年10月のほぼゼロから2026年1月に95%超へ、assistantsが2023年2月のほぼゼロから2024年4月に約45%へ上昇した。

生産性 — agentsは3指標すべて有意に増加

• coding assistantsはコード産出を小幅に押し上げる。コード行数12%、コミット9%、PR5%で、有意なのはコミットのみである。
• coding agentsは大きく有意な増加をもたらす。コード行数30%、コミット20%、PR23%である。
• 論文はこれらの推定値について、先行研究の効果の下限寄りと整合的と位置づけている。
• 最終ソフト産出はJiraの課題（issue）完了などで測り、課題の規模・複雑化の懸念にはLLMによる所要時間ラベル＋教師あり学習での補正を施している。平均的な課題の予測所要時間への効果は確認されなかった。

隘路と雇用 — レビューに吸収され、雇用は動かず

• コード増は最終産出や雇用に比例して波及しない。agentsの場合、この不完全な波及はコードレビューの隘路を反映する。レビュー時間の長期化、差し戻しを要する更新の比率上昇、レビューあたりのコメント増を確認している。
• 雇用は、LinkedIn経由の全体雇用とJellyfish上のエンジニア雇用の双方で有意な変化なし。agentsの全体雇用は精密なゼロで、2.9%を超える減少を棄却できる。エンジニア雇用はノイズが大きく、13.8%超の減少を棄却できる水準である。
• assistantsの全体雇用も精密なゼロだが、エンジニア雇用は導入前の傾向差があり解釈が曖昧としている。
• 論文はソフト生産を「コード記述」と「コードレビュー」の補完的2段階とするモデルで整理する。AIは記述の生産性を上げる一方、レビューに入る草稿の質も変えるため、レビュー需要が膨らみ隘路が生じうる。産出一定の下では記述労働の需要は減るが、検証需要が増えてレビュー側へ労働が移る、としている。
• 本研究は査読前のワーキングペーパーであり、企業・時期・測定法が変われば結果も変わりうる点に留意が必要である。

出典

• Artificial Intelligence in the Firm: Bottlenecks in Software Production (PDF)
• Jellyfish — Engineering Management Platform