AIにコードを書かせた企業の30%で、生産性が下がった。McKinsey & Company が2026年9月に公表した年次報告書『Technology Trends Outlook 2026』（第6版）の数字です。ツールの性能不足ではなく、出力を検証して出荷に載せる工程が整っていないことが原因として挙げられています。この記事では、この30%という数字がどの範囲の話なのかを原典で確認したうえで、経営層・DX担当者が導入前に決めておくべき4項目を整理します。
McKinseyが示した「30%で生産性が低下」の中身
エージェント型AIの開発ツールを使い始めた後に生産性が低下した企業は30%です。McKinsey は同報告書の「Agentic software development（エージェント型ソフトウェア開発）」の章で、原文のまま「in 30 percent of companies, productivity fell after teams began using agentic AI tools」と記述しています。
同じ章には、成否の分布を示す数字が並んでいます。
| 指標 | 数値 | 意味 |
|---|---|---|
| 生産性が低下した企業 | 30% | エージェント型AI開発ツールの利用開始後 |
| PDLC（製品開発ライフサイクル）で意味のある加速を達成 | 4分の1 | 「チームの4分の1超が2倍以上の生産性向上」を達成した企業の割合 |
| AIツールを使う技術者の大多数の伸び | 約3%（対象は80%） | 平均的な技術者に起きる変化 |
| 上位20%の技術者の伸び | 55% | 同じツールを使った上位層の変化 |
| コーディング活動量の増加 | 180%増 | 書かれたコードの量・作業量 |
| 出荷されたリリースの増加 | 30%増 | 実際に世に出た成果物 |
活動量は180%増えたのに、出荷されたリリースは30%増にとどまりました。この対比は、McKinsey が CEPR（経済政策研究センター）の研究「Writing code versus shipping code」（2026年6月21日公表）から引用したものです。「AIを入れたら作業は増えたが、リリースは増えなかった」という現象が、複数の測定で確認されている状態です。
平均的な技術者の伸びが約3%であるのに対し、上位20%が55%という差も重要です。ツールの効果が全員に均等に配分されず、使いこなす層に偏ることを示しています。
「エージェント型AI導入企業の3割」と読むと範囲を広げすぎる
30%という数字は、エージェント型AIによるソフトウェア開発に限定された数値です。営業・経理・カスタマーサポートなど業務全般へのAIエージェント導入について測ったものではありません。
McKinsey は同報告書で「Agentic AI」と「Agentic software development」を別のトレンドとして分けて扱っており、Agentic AI の章（19ページ）の脚注1で「この章はエージェント型AIの分野全体と各業種・用途での利用を扱う。agentic software development は独立したトレンドとして扱う」と明記しています。30%は後者の章の数字です。
2026年9月20日以降、ANI配信の記事が各国の媒体で「エージェント型AIを使う企業の30%で生産性が低下」と報じられましたが、章の限定は落ちています。自社の判断材料にするときは、AIコーディングの話として受け取るのが原典に忠実な読み方です。
参考に、Agentic AI 全般の章に載っている数字は別系統です。
- 組織の89%がAIを定常的に利用している
- AIプログラムから何らかのプラスのEBIT影響を認めた企業は37%のみ
- エージェント型ワークフローは、標準的なチャットボット問い合わせの5〜30倍のトークンを消費しうる
- McKinsey調査の回答者の93%がAI予算を超過したと回答
EBIT（利払前・税引前利益）に効いた企業が37%という数字は、Auto-IDフロンティアでも「AI導入で成果が出ない｜世界調査が示す37%と6%の壁」で取り上げた調査と同系列のものです。
なぜ活動量が増えても成果が増えないのか
出荷の速さを決めているのはコードを書く速度ではなく、レビュー・テスト・承認の処理能力です。AIが生成量を増やすと、この工程に仕事が積み上がり、全体のスループットは増えません。
McKinsey は、価値を取れる組織の条件として次の3点を挙げています。
- 開発者に対するチェンジマネジメントの支援
- AIツールを既存ワークフローに組み込むこと
- エージェントの出力を適切に検証・妥当性確認し、品質基準を満たすようにすること
3点目が効きにくい理由として、同報告書は開発者側の不信を挙げています。Stack Overflow の「2025 Developer Survey」（2025年7月29日公表）では、世界の開発者の46%がAIツールの正確性を積極的に不信、33%が信頼、高く信頼するのは3%のみでした。出力を信頼できないぶん、人による確認工数が増えます。生成量が増えれば確認量も増えるという構造です。
経営・DX担当者が導入前に決める4項目
AIエージェントによる開発を始める前に決めておくべきことは、測る指標・受け入れ基準・費用の枠・対象業務の4つです。ツールの選定より前に、この4項目を文書にしておくかどうかで結果が分かれます。
1. 測る指標を「活動量」から「出荷・成果」に置き換える
コード行数・コミット数・AI利用率は、180%増えても成果に直結しません。リリース回数、障害率、着手から本番稼働までの日数といった出口側の指標を先に決めます。指標を決めずに導入すると、活動量の増加を成果として報告してしまいます。
2. 生成物の受け入れ基準を、導入と同時に決める
「テストが通れば通す」ではなく、誰が何を確認したら本番に出せるのかを決めます。レビュー担当の工数を確保せずに生成量を増やすと、30%側に入ります。品質評価の自動化にも限界があり、この点は「AI出力の品質評価｜11万件の検証が示す自動採点の限界」で整理しています。
3. トークン費を「予算科目」として立てる
同報告書は、ソフトウェア開発の経済性が書き換わりつつあり、トークン支出と推論コストが「端数処理の対象」から「実質的な運用費目」へ変わっていると指摘しています。エージェント型ワークフローの消費が通常の5〜30倍になりうること、調査回答者の93%が予算を超過していることを踏まえ、上限と監視の仕組みを最初に決めます。統制の設計は「AIエージェント統制｜5社に1社は暴走支出を止められない」で詳しく扱っています。
4. 対象業務を「文書化されている領域」から選ぶ
同報告書は、業種別の進み方の違いに触れ、体系化されたプロセス・構造化された文書・検索可能な知識を持つ企業はエージェント型開発を速く進められる一方、小売・製造・石油ガス・鉱業のように環境が分断されている業種はデジタル基盤の成熟度が低く進みが遅いとしています。まず着手するのは、仕様やルールが文書として残っている業務です。
具体的な活用シーン
エージェント型AI開発が効きやすいのは、仕様が明確で検証しやすい小さな業務システムです。基幹システムの全面刷新のような領域から始めると、検証工程が破綻します。
- 社内ツールの内製（情報システム部門）：申請フォーム、在庫照会、日報集計といった小規模ツール。要件が固まっており、誤りが出ても影響範囲が狭いため、検証の仕組みを試す場に向きます。
- 既存システムのテスト自動化（製造業の生産管理部門）：仕様書とテスト項目表が残っている領域。McKinsey が挙げる「構造化された文書がある」条件に合致します。
- レガシーシステムの仕様書化（金融・保険の事務部門）：コードから仕様を読み出す作業。出力を人が確認する前提で使えば、検証工数の見積りも取りやすくなります。
いずれの場合も、着手前に「誰がどの基準で受け入れるか」を決めておくことが前提です。AIエージェント特有の権限設計や停止手段については「AIエージェント導入支援の選び方｜通常のAI導入と違う5つの確認点」で扱っています。
よくある質問
- 30%で生産性が下がるなら、AIによる開発は導入しない方がよいのでしょうか。
-
同じ報告書では、上位20%の技術者が55%の生産性向上を得ています。導入の有無より、検証工程と受け入れ基準を整えたかどうかで結果が分かれます。
- この30%という数字は、営業や経理へのAIエージェント導入にも当てはまりますか。
-
当てはまりません。McKinsey はエージェント型ソフトウェア開発を独立したトレンドとして扱い、30%はその章の数値です。業務全般の数値ではありません。
- AI導入の効果はどの指標で測るべきですか。
-
コード量やAI利用率ではなく、リリース回数・障害率・着手から本番稼働までの日数といった出口側の指標です。活動量は増えても成果が増えない場合があります。
- 社内の技術者がAIの出力を信用していません。どう進めればよいですか。
-
Stack Overflowの2025年調査では開発者の46%がAIの正確性を不信としており、一般的な反応です。確認工数を工程として認め、レビュー担当の時間を確保することが先です。
まとめ
McKinsey『Technology Trends Outlook 2026』が示した30%という数字は、AIによる開発を「やめる理由」ではなく、測る対象を活動量から出荷へ移す理由として読むべきものです。活動量180%増に対して出荷は30%増、平均的な技術者の伸びは約3%で上位20%は55%。この分布が、ツールではなく運用の差を示しています。
導入前に決めるのは4点です。①出口側の指標を決める ②生成物の受け入れ基準と担当工数を確保する ③トークン費を予算科目として立てる ④文書化されている業務から着手する。この4点を書面にしないままツール選定に進むと、30%側に入る確率が上がります。
AI導入の進め方全体は「AI導入支援｜中小企業の進め方と支援会社の選び方」、発注前に確認する具体的な基準は「AI導入支援会社の選び方｜発注前に確認する7つの基準」で解説しています。
自社で「どの指標で測るか」「誰が受け入れるか」を決めきれないという場合は、AI導入相談フォームからご相談ください。対象業務の選定と受け入れ基準の設計から一緒に整理します。
出典・参考資料
- McKinsey & Company： McKinsey technology trends outlook 2026 （） （本記事の数値は同報告書PDF（第6版・2026年9月）本文から引用）
- Stack Overflow： 2025 Developer Survey（AI section） （） （開発者の46%不信・33%信頼・3%高信頼の原データ）
- CEPR： Writing code versus shipping code: Productivity effects across generations of AI coding tools （） （活動量180%増・出荷30%増の原データ）
- The Tribune（ANI配信）： McKinsey report shows productivity decline in 30% of companies using agentic AI （） （章の限定を外した報道例）
