GM(ゼネラルモーターズ)の自動運転部門では、エンジニアがコードを書く時間はわずか15%だといいます。残る85%のうち多くを占める業務を、AIエージェントを活用して加速するようワークフローを再設計したといいます。この体制転換で、マージされたプルリクエスト数はおよそ3倍になったとGM側は説明しています。単にAIチャットボットを配っただけでは、こうはならなかったようです。
GM、コーディング時間15%の内訳とエージェント活用
GMの自動運転部門を率いるVP、Rashed Haq氏が「VB Transform 2026」のオンステージインタビューで明かした数字は、やや低く映るかもしれません。同氏によれば、エンジニアがコードを書く時間はわずか15%にとどまり、残る85%のうち多くを占める業務を、車両データの分析、問題のトリアージ、実験の実行、修正候補のテストといった形でAIエージェントを活用して加速させているといいます。
この15%という数字は、生成AIやエージェント型AIが普及する以前の調査でも、近い傾向が報告されていました。2019年にMicrosoftが実施した調査では、プロフェッショナル開発者5,971人の回答をもとに、良い日でも1日平均96分、悪い日には66分しかコードを書いていないという結果が出ています。8時間労働に換算すると、それぞれ約20%、約14%です。さらに2018年のStripeの調査では、開発者は週17時間以上をデバッグやリファクタリングといった保守作業に費やしていたとされています。つまりGMの数字は、生成AIやエージェント型AIが登場する以前から指摘されていた「コーディング以外の作業の多さ」という構造と、地続きの現象だと言えます。
Haq氏が強調したのは、この構造そのものにAIエージェントを組み込んだという点です。GMの自動運転部門のエンジニアリング組織全体で、マージされるプルリクエスト数はおよそ3倍になり、リリースは速くなり、開発の後工程まで残ってしまう不具合も減ったとHaq氏は述べています。
「チャットボットを配るだけ」では起きない変化
Haq氏がメンローパークのHotel Niaで開かれたメインステージのフィアサイドチャットで語った言葉には、実務上のポイントが含まれています。「誰かにコーディングができるチャットボットを渡すだけでは、そのプロセスにはまだ多くの非効率が残ってしまう」という指摘です。
言い換えれば、GMが実現したとされる成果は、AIコーディングアシスタントを個々のエンジニアの手元に配布したことによるものではなく、データ分析からトリアージ、実験、修正テストまでを含むエンジニアリングワークフロー全体をエージェント前提で組み直したことに由来する、とGM側は位置づけています。ここは記事の核心部分であり、混同しやすいところです。単体のAIツール導入と、ワークフロー全体の再設計は、GMの説明によれば異なる結果を生むということになります。
なお、今回確認できた範囲では、GMがどのAIエージェント基盤を採用しているか、開発コストがどう変化したか、他部門への展開状況といった具体的な条件までは示されていません。マージ件数が3倍になったという数字も、GMの自動運転部門のエンジニアリング組織における社内比較であり、業界全体や他社との比較ではありません。 VentureBeat
用語補足：プルリクエスト
Haq氏によれば、GMの自動運転部門のエンジニアリング組織全体で、マージされるプルリクエスト数はおよそ3倍に増加し、リリースのペースは速くなり、さらに開発の後工程まで流出してしまう不具合も減ったと報告されています。マージ件数の増加はリリース速度の向上や不具合減少と連動しており、エンジニアリングワークフロー全体の効率化を測る指標として位置づけられています。この変化は、単にAIエージェントを導入したことではなく、エンジニアリングワークフロー全体を組み替えた結果として位置づけられています。
注目ニュース
Snowflake、AIエージェント統制のCortex AI Gatewayを発表
Snowflakeは、AnthropicのClaude CodeやCursorなど競合が開発したものも含め、AIエージェントが企業データやツール、モデルへアクセスする際の統制レイヤー「Cortex AI Gateway」を発表しました。この発表は、AIエージェントを統制することに加えて、企業におけるAIコストの暴走を防ぐことも目的として位置づけられています。同時に1Password、Aembit、Linx Security、SailPoint、Saviyntという、普段は競合関係にあるIDベンダー各社との連携も明らかにしています。同社の最高セキュリティ・信頼責任者であるMayank Upadhyay氏はVentureBeatの単独取材に対し、「次のAI時代は、より閉じたエコシステムの積み重ねではなく、安全なエージェント間の相互運用性によって築かれる」と述べています。各ベンダーが閉じたエージェント群を作れば、企業はこれまで何年もかけて解消しようとしてきた分断を、AI版として再び生み出すことになる、という趣旨の指摘です。 VentureBeat
MCP、公開から20カ月で迎えた過去最大の改訂
AIエージェントとソフトウェアをつなぐ標準規格「Model Context Protocol(MCP)」が、Anthropicの公開から20カ月を経て最大の改訂を迎えました。Linux Foundation傘下のAgentic AI Foundation(AAIF)のもとで公開されたこの改訂は、ステートレスなアーキテクチャへの完全移行、既知の攻撃手法に対する認証モデルの強化、12カ月の正式な廃止ポリシーの制定、さらに対話型のサーバーレンダリングインターフェースと長時間実行される非同期タスクという2つの機能の正式な仕様化を含みます。これまでMCPを大規模運用する際には、セッションの継続性を保つために「スティッキールーティング」や状態共有が必要で、これが運用上の負担になっていたといいます。今回の改訂により、既存のKubernetesやクラウドネイティブなDevOpsツールを使い、標準的なロードバランサーの背後でMCPサーバーを動かせるようになったとされています。MCPの共同開発者でAnthropicのリードメンテナーであるDavid Soria Parra氏は「冗談交じりにv2と呼ぶ人もいるが、精神的にはその通りだと思う」とVentureBeatの単独取材で語っています。 VentureBeat
Google Cloud、脆弱性の検出から修正までを担うAIエージェント「CodeMender」をプレビュー公開
Google Cloudは、コードの脆弱性検出、リスクの検証と報告、修正までを自律的に実行するAIエージェント「CodeMender」のプレビューを公開しました。静的解析やモデル単独のスキャンでは見落としがちな、メモリ破損やインジェクション、Webセキュリティの問題、暗号の欠陥、安全でないデータ処理といった複雑な脆弱性の発見を狙っており、対応言語はC/C++、Go、Java、Python、Ruby、Rust、TypeScriptです。脆弱性を見つけると、サンドボックス内でエクスプロイトコードを実際に作成・実行してリスクを検証し、誤検知を排除できるとしています。修正コードも自動生成しますが、別のAIが評価役として既存機能への影響を確認する二重チェックの仕組みも備えます。最終的な修正パッチは差分(diff)として開発者ツールに提示され、人間による手動レビューと承認を経る設計です。CI/CDへの組み込みやCLIでのローカル実行、Visual Studio CodeやAntigravityとの連携も可能だとしています。 Publickey
編集後記：3倍という数字が指す範囲
GMの「マージ件数3倍」という数字は、聞けば聞くほど気になる数字です。ただ、これはあくまでGMの自動運転部門のエンジニアリング組織という一つの現場での変化であり、他の自動車メーカーや他業種にそのまま当てはまる保証はありません。むしろ興味深いのは、Microsoftの2019年調査やStripeの2018年調査の時点で、「エンジニアはコード以外の作業に多くの時間を割いている」という構造がすでに確認されていたという点です。GMのケースは、その構造にエージェントを当てはめた一つの実例として読むのが妥当だろうと思います。ワークフロー全体を組み替えるという条件が、どこまで再現可能なのかは、今回の情報だけでは判断できません。