AI駆動開発（エーアイくどうかいはつ、）とは、人工知能（AI）、特に大規模言語モデル（LLM）を活用して、ソフトウェア開発の作業を支援・自動化する開発の進め方である。実装工程に焦点を当てた呼称として「AIコーディング」が用いられ、英語圏では「AI支援ソフトウェア開発（AI-assisted software development）」の呼称もある。技術系ニュースサイトのPublickeyは、AIを活用したプログラミング支援ツールを「AI駆動開発ツール」と総称している。
対象は実装（コーディング）に限らず、要件定義、設計、テスト、デプロイ、運用・保守の各工程に及ぶ。LLMのソフトウェア工学への応用を体系的に整理したHouらの2024年の文献レビューは、要件定義から保守までの各工程でLLMの利用が研究されていることを示している。
2021年のGitHub Copilotの登場以降、コードエディタに統合されて補完や生成を行う「コーディングアシスタント」が普及し、2025年には、自然言語で与えた作業をAIが主導して進める「コーディングエージェント」が各社から提供された。
こうした道具の広がりに伴い、自然言語の指示だけでLLMにソフトウェアを組み上げさせるバイブコーディング、仕様を先に確定してから実装計画とコーディングに進む仕様駆動開発、Amazon Web Services（AWS）が2025年に提唱したAI-DLCなど、AIを前提とした開発の方法論も提唱されている。
概要 AI駆動開発は、ソフトウェア開発ライフサイクル（SDLC）の各段階、すなわち要求工学、設計、実装（コーディング）、テスト、デプロイ、保守にAI技術を組み込むことを目指す。日経クロステックは2026年の記事で、AI駆動開発を「開発作業の主体をAIが担う」開発と説明している。
利用の広がりを示す調査値は効果の測定の節にまとめる。
AIがコードを補完・生成する道具は、2021年のCodexとGitHub Copilotの登場以降に普及した。道具は、コードエディタに統合されて補完・生成・説明を行う「コーディングアシスタント」と、自然言語で与えた作業をAIが主導して進める「コーディングエージェント」などに大別される（コーディングと実装を参照）。
歴史 ソフトウェア開発の自動化や支援は古くから試みられてきた。CASEツールや第四世代言語などが登場したが、その能力は限定的であった。統合開発環境（IDE）におけるコード補完（例：IntelliSense）や静的コード解析も進化したが、これらは主にルールベースや統計的手法に基づいていた。
機械学習を応用した開発支援は2010年代後半から本格化した。マイクロソフト研究所とケンブリッジ大学によるDeepCoder（2016年）や、ライス大学のBayou（2018年）などが、深層学習を用いたコード生成の可能性を示した。マイクロソフトはVisual StudioにIntelliCode（2018年）を搭載し、AIによるコード補完を提供開始した。また、KiteやのようなスタートアップもAIコード補完ツールを提供したが、当時の技術的限界もあり、Kiteは2022年にサービスを終了した。
大きな転換点は、OpenAIが開発した大規模言語モデルCodex（2021年）と、それを搭載したGitHub Copilot（2021年技術プレビュー、2022年正式リリース）の登場である。CodexはGitHub上の膨大な公開コードで訓練されており、多様なプログラミング言語に対応したコード生成・補完を実現した。Copilotは「AIペアプログラマ」として広く注目を集め、AI駆動開発の実用化を印象づけた。
AmazonもAmazon CodeWhisperer（2022年プレビュー、2023年一般提供）を、GoogleはBard（現Gemini）やVertex AI Codeyモデルを発表し、大手クラウドベンダーもこの分野に本格参入した。研究面では、Google DeepMindのAlphaCode（2022年）が競技プログラミングで人間の中級レベルに匹敵する性能を示し、AIによる問題解決能力の高まりを示した。
2023年には、MetaのCode Llamaや、Hugging FaceとServiceNowが主導するBigCodeプロジェクトのStarCoderのように、コード生成に特化したオープンソースのモデルも公開された。
2024年3月、Cognition AIは、ソフトウェア開発のタスクを自律的に遂行するAI「Devin」を公開し、求人サイトUpworkの案件を自力で完了した例を示した。同年11月には、Anthropicが、AIモデルを外部のデータやツールに接続するための規格Model Context Protocol（MCP）を公開した。
2025年2月、アンドレイ・カーパシーは、自然言語の指示だけでLLMにソフトウェアを組み上げさせる進め方を「バイブコーディング」と名付け、この語は同年11月にコリンズ英語辞典の「今年の言葉」に選ばれた。同年3月にはOpenAIがMCPへの対応を表明した。同年には、AIが自律的に作業を進めるコーディングエージェントが各社から提供された。OpenAIは5月にクラウド上で動作するエージェント「Codex」を研究プレビューとして公開し、GitHubは同月、Issue（課題管理の項目）を割り当てると解決に向けて自律的にプログラミングを進める「GitHub Copilot coding agent」をパブリックプレビューとして公開した。Anthropicも同月、コマンドラインで動作するエージェント「Claude Code」を一般提供した。
開発の進め方そのものを見直す動きも2025年に現れた。Amazon Web Services（AWS）は7月、要件・設計・実装の各段階でAIと対話しながら進めるコードエディタ「Kiro」をプレビュー公開し、同月末には生成AIを開発の中心に据える方法論AI-DLCを提唱した。9月にはGitHubが、まず仕様を明確に作成し、それをもとに実装計画を立ててコーディングする「仕様駆動開発」のためのオープンソースツールキット「Spec Kit」を公開した。
2026年に入ると、日本の大手企業による採用が報じられた。日本IBMは2月、AI駆動開発ツール「IBM Bob」の国内提供を発表し、IBM社内では約3万3000人が利用していると説明した。富士通は同月、要件定義から結合テストまでを工程別のAIエージェントが自動化する開発基盤を発表した。東京海上日動火災保険は6月、AI駆動開発を「ウォーターフォール、アジャイルに並ぶ第3の開発手法」と位置付け、要件定義書や設計書、ソースコード、テストケースをAIで生成する方針のもと、2026年度に基幹系システムを含む10件以上の本番案件で検証すると公表した。日本IBMとみずほフィナンシャルグループは7月、実証で設計から実装までの工数を約3割削減したと発表した。
主要技術 AI駆動開発は、主に次の技術を基盤としている。 大規模言語モデル（LLM）: 大量のテキストとコードで訓練された深層学習モデルで、自然言語の指示を解釈して文章やコードを生成する。自然言語からコードを生成する研究は「NL2Code」と呼ばれ、2023年時点でLLMを用いた手法が体系的に整理されている。LLMのソフトウェア工学への応用は、要件定義から保守までの各工程で研究されている。 コード生成モデル: 公開されたソースコードで訓練され、自然言語やコメントからコードを生成・補完するモデル。OpenAIのCodex（2021年）はGitHub上の公開コードで訓練され、多様なプログラミング言語に対応したコード生成・補完を実現し、GitHub Copilotに搭載された。 AIエージェントとツール実行: LLMがファイルの読み書き、コマンドの実行、テストの実行などの操作（ツール）を呼び出し、結果を確かめながら次の手順を決める仕組み。コーディングエージェントはこの仕組みにより、自然言語で設定したタスクをAIが主導して進める。エージェントが外部のデータやツールに接続するための共通規格として、Anthropicが2024年11月に公開したModel Context Protocol（MCP）があり、OpenAIも2025年3月に自社製品での対応を表明した。
方法論 AIを前提とした開発の進め方や方法論として、次のものが知られる。
バイブコーディング
バイブコーディング（）は、2025年2月にアンドレイ・カーパシーが名付けた、自然言語の指示だけでLLMにソフトウェアを組み上げさせる進め方である。開発者の役割は、AIに指示を与えて誘導し、生成されたコードを試して改良することへ移る。この語は2025年11月にコリンズ英語辞典の「今年の言葉」に選ばれた。
仕様駆動開発 仕様駆動開発（）は、自然言語で述べた要件から、AIが受入基準（完成と認める条件）付きの要件、技術設計、実装タスクの順に仕様文書を生成し、人が承認してから実装に進む進め方である。AWSが2025年7月にプレビュー公開したコードエディタ「Kiro」は、要件・設計・実装の各段階でAIと対話しながら進める方式を採り、仕様をユーザーストーリーの形で出力する。GitHubも2025年9月に、まず仕様を明確に作成し、それをもとに実装計画を立ててコーディングするワークフローのためのオープンソースツールキット「Spec Kit」を公開した。
AI-DLC
AI-DLC（AI駆動開発ライフサイクル、）は、AWSが2025年7月に提唱した、生成AIを開発の中心に据える方法論である。AIが計画・設計・実装を進め、人は節目ごとに内容を確かめて判断する。工程はインセプション（着想）、コンストラクション（構築）、オペレーション（運用）の3段階からなり、スプリントに代わる数時間から数日の作業単位「ボルト」で進める。
SDLC各フェーズへの適用 AI駆動開発は、ソフトウェア開発ライフサイクル（SDLC）の様々なフェーズで活用されている。2025年にACMの学術誌TOSEMに掲載された総説は、LLMなどのAIがソフトウェア開発の生産性向上に果たす役割が今後も大きくなり、人間の開発者とAIの協働が進むとの見通しを示している。
要求工学 要求抽出・分析: 会議記録や既存文書などの非構造化データを要約し、形式的な要求仕様に変換する用途が研究されており、要求工学へのLLM適用の課題と機会を整理したサーベイ論文が2024年に公表されている。 要求の文書化: 自然言語の要件を受入基準付きのユーザーストーリーとして書き出す道具も登場している（前述のKiroなど）。
設計とアーキテクチャ モデリング支援: 要求仕様からUML図などのシステムモデルを生成する。 UI・アプリケーションの試作生成: 自然言語の指示からUI、あるいはUIからバックエンドまでを含むアプリケーション全体を生成する「TextToApp」と呼ばれるサービスがあり、プログラマ以外の利用者も想定している。 デザインパターン提案: コード分析に基づき、適切なデザインパターンを提案する。
設計工程では、仕様を先に確定してから実装計画とコーディングに進む仕様駆動開発（前述）を支援する道具が2025年に登場した。前述のKiroは要件・設計・実装の各段階でAIと対話しながら、受入基準付きのユーザーストーリー、技術設計、実装タスクの順に文書を生成し、GitHubのSpec Kitはコーディングエージェントでこのワークフローを実現する。
コーディングと実装 実装工程の道具は、Publickeyの2025年9月の整理によれば、コードエディタに統合されて補完・生成・説明・チャットを行う「コーディングアシスタント」、人が自然言語で与えたタスクを基にAIが主導してタスク分解・実装計画・コードとテストの作成・ビルドやテストの実行・デバッグまでを行う「コーディングエージェント」、自然言語の指示からアプリケーションそのものを生成する「TextToApp」の3つに大別される。同記事は、アシスタント型のツールもエージェント的な動作を備えるようになり、両者の違いは小さくなっていると述べている。 コード生成・補完: 書きかけのコードの文脈や自然言語のコメントからコードを補完・生成する。 コードリファクタリング: コードの可読性や保守性を向上させるためのリファクタリング案を提案・実行する。 ドキュメント生成・コードレビュー・プログラム修復: コードの説明やドキュメントの生成、コードレビュー、バグ修正の自動化にもLLMが用いられている。
テストと品質保証 テストコードの生成: 要求やコードに基づきテストコードを生成する。コーディングエージェントは生成したテストの実行と失敗時の修正を繰り返す。 欠陥予測: 過去のデータからバグが発生しやすい箇所を予測する。
デプロイメントとメンテナンス 予測メンテナンス: 運用データ分析に基づき、システム障害を予測する。 自動監視・アラート: アプリケーションの異常を検出し、インテリジェントなアラートを発行する。 根本原因分析: ログやメトリクス分析により、障害原因の特定を支援する。
2026年には、本番環境のログ・メトリクス・トレースといったオブザーバビリティのデータをMCP経由でコーディングエージェントに渡す仕組みを、監視ツール各社が提供し始めた。Datadogは2026年3月にMCP Serverの一般提供開始を発表し、New Relicも2026年7月、AIコーディングのセッション・コスト・効率の指標を収集するオープンソースのMCPサーバー「Preflight」を発表し、稼働環境の文脈を渡すMCPサーバー「Ground Truth」も提供している。同じ分野のDynatraceも同月、本番環境のテレメトリー（稼働状況の計測データ）をAIコーディングの反復に組み込む考え方を自社ブログで示している。
プロジェクト管理 コーディングエージェントの多くは、与えられたタスクをコーディングの前に複数のタスクに分解し、仕様の詳細や文書を作成して実装計画を立てたうえで実装に進む。
効果の測定 AI駆動開発がソフトウェア開発の速度や品質に与える効果は、対照実験・業界調査・企業の公表値など複数の方法で測定されており、結果は測定方法や条件によって異なる。
対照実験 コード生成モデルの能力評価にはHumanEvalやCodeContestsのようなベンチマークが用いられているが、実世界の複雑なタスクにおける性能評価は2024年時点で課題とされていた。
開発者を対象とした対照実験も行われている。GitHubとMicrosoftの研究者が2023年に公表した実験では、JavaScriptでHTTPサーバーを実装する単一の課題を、GitHub Copilotを使った群が使わない群より55.8%速く完了した。GitHubは同社の2022年の調査として、Copilot利用者の約73%が「集中力を維持できるようになった」、87%が「精神的労力が減った」と回答したと述べている。Googleが2024年に社内の常勤エンジニア96人を対象に行った無作為化比較試験では、AI支援により課題の所要時間が約21%短縮されたが、著者らは信頼区間が広いと注記している。一方、非営利研究機関METRが2025年7月に公表した無作為化比較試験では、経験豊富なオープンソース開発者16人が自身のリポジトリの246の課題に取り組んだ結果、AIツールの利用を許可した課題の方が完了までに19%長くかかり、開発者本人は事後に「20%速くなった」と推定していた。
業界調査と企業の公表値 Stack Overflowの2025年開発者調査（AIに関する設問の回答約33,000件）では、開発工程でAIツールを利用中または利用予定の回答者が84%（2024年調査では76%）に達した一方、AIの出力の正確さを「信頼しない」が46%で「信頼する」の33%を上回り、最大の不満として66%が「ほぼ正しいが少し違う答え」を挙げた。Google Cloudが2025年9月に公表したDORA報告書では、回答者の90%が仕事でAIを利用し80%超が生産性の向上を実感したと答えたが、30%はAIが生成したコードを「ほとんど、または全く信頼しない」と回答した。同報告書の2024年版は、AIの採用が25%増えるとソフトウェアデリバリーのスループット（一定期間に届けられる変更の量）が推定1.5%、安定性が推定7.2%低下する相関を報告している。開発分析企業Uplevelが2024年に約800人を対象に行った調査では、Copilot導入前後の3か月で有意な生産性向上は認められなかったとCIO.comが報じた。New Relicが2026年7月に公表した米国の技術リーダー200人への調査では、AIが生成したコードが半数以上を占めると答えた回答者が82%だった。日本では、日経クロステックが2025年11月に公表した読者調査（プログラミング言語利用実態調査2025）で、GitHub Copilotの利用率が前年の9.5%から25.9%に増加し、約8割がAIで生産性が向上したと回答した。こうした調査値の解釈について、Datadogは2026年5月、AIコーディングアシスタントの普及によりプルリクエスト（変更の提案）やコミットの数は生産性の指標にならなくなったとして、「プロセス効率」「ツール品質」「認知負荷」の3観点で開発の滞りを追跡する自社の測定手法を公表した。
企業が公表した自社のAI生成コードの比率は、いずれも自己申告である。Googleのスンダー・ピチャイCEOは2024年10月の決算説明会で、新規コードの4分の1以上がAIによって生成され、人間がレビューしていると述べ、同社は2026年4月、新規コードの75%が人間のレビューを経たAI生成コードになったと発表した。マイクロソフトのサティア・ナデラCEOは2025年4月末、同社のコードの20〜30%がAIによって書かれていると述べた。SnapのCEOは2026年、同社のコードの3分の2をAIが書いていると述べた。
品質と協働に関する研究 AIが生成したコードの品質や脆弱性に関する研究も行われている。Pearceらが2022年に発表した研究では、2021年当時のGitHub Copilotに89のシナリオで生成させた1,689のプログラムのうち約40%に脆弱性が含まれていた。品質・安全上の課題は課題とリスクも参照。
開発者がAIの提案をどのように受け入れるか、人間とAIがどのように協働するかも研究対象である。評価手法や報告の標準化、再現性の確保も課題として挙げられている。
社会的・産業的インパクト
課題とリスク 品質と信頼性: AIが生成したコードにバグや脆弱性が含まれるリスクがあり、人間によるレビューとテストが不可欠である。AIモデルの幻覚（不正確な出力）も問題となる。 セキュリティとプライバシー: 機密性の高いコードやデータをAIサービスに入力することへの懸念や、AIシステム自体への攻撃リスクがある。コーディングエージェントは、LLMが生成したコマンドを実際に実行する必要があるため、ホストシステムを保護する実行分離（execution isolation）の設計が重要な要素となる。研究文献では、エージェントの実行分離をローカルシェルの直接操作、プロセス単位のサブシェル、コンテナによる分離などの段階に分類しており、SWE-agentやOpenHandsなど多くの研究用エージェントはDockerによるコンテナ境界を安全機構としている。標準的なコンテナはホストのカーネルを共有するため、より強固な分離を要する本番環境では、ユーザー空間カーネルによってシステムコールを遮断するgVisorや、専用カーネルを提供するマイクロVM技術（Firecracker、Kata Containers）が用いられる。標準的なDockerコンテナに対しては、コンテナランタイム自体の脆弱性（CVE-2019-5736、CVE-2024-21626など）を突くコンテナエスケープが実証されている。この分野の研究を体系的に調査した2026年の文献は、検証時点と使用時点の不一致（Time-of-Check-to-Time-of-Use, TOCTOU）に起因する脆弱性を主要な懸念として挙げ、GitHub Copilot・Visual Studioにおけるコマンドインジェクション脆弱性や、コンテナランタイムの脆弱性など、複数のCVEが公表されていることを報告している。 知的財産権: AIが学習データ（特にOSS）のコードを再利用する場合の著作権やライセンス遵守が大きな課題となっている。GitHub Copilotに対しては、著作権侵害を主張する集団訴訟も提起された。 倫理的問題: 訓練データに由来するアルゴリズムバイアス、AIの意思決定における透明性と説明責任の欠如、雇用への影響（技術的失業）などが懸念される。 過度の依存とスキル低下: AIへの過信や依存が、人間による検証の怠慢や、若手開発者のスキル習得機会の喪失につながる可能性がある。 導入障壁: AIツールの導入コスト、既存システムとの統合の複雑さ、AIスキルを持つ人材の不足、文化的な抵抗などが導入の妨げとなる場合がある。
雇用とスキルへの影響 AI駆動開発がプログラマの仕事に与える影響については様々な見解がある。TechTargetは2023年、AIが開発者を完全に代替するという見方は少数で、AIを使いこなすスキルを持つ開発者の需要が高まり、反復的な作業から解放された開発者はより高度な設計や問題解決に集中するようになるという見方を紹介した。カーネギーメロン大学ソフトウェア工学研究所（SEI）は2024年、ソフトウェア工学教育における生成AIの扱いを論じ、プロンプトエンジニアリングのような新しいスキルを挙げている。
将来展望 調査会社ガートナーは2024年4月、2028年までに企業のソフトウェアエンジニアの75%がAIコードアシスタントを利用するようになると予測した。同社は2023年第3四半期の時点で、60%の企業・組織がAIコードアシスタントを試験導入中または導入済みとしていた。同社は2026年5月には、エージェント型のコーディングツールを使うチームの65%超が2027年までに統合開発環境（IDE）を必須のものと考えなくなるとの予測を公表した。
学術的な展望としては、2025年にACMの学術誌TOSEMに掲載された総説が、LLMなどのAIがソフトウェア開発の生産性向上に果たす役割は今後も拡大し、人間の開発者とAIの協働関係が深まると見込んだうえで、AIを開発工程に組み込むうえで研究者が取り組むべき課題を整理している。
代表的なツール AI駆動開発のツールやサービスは、以下の機能などを提供している。 ユーザーからプロンプトを受け付け、ツールを実行し、ソースコードやデザインの変更差分を表示し反映させる。 標準的なツール：ファイルの読み書き、検索、シェルコマンドの実行、Webページの取得など カスタムツールの実行 Model Context Protocol (MCP) 経由の拡張ツールの実行 Markdown で記載した Agent Skills の実行 Language Server Protocol (LSP) を実行し、ソースコードの誤りを大規模言語モデルに通知する Markdown で記載された AGENTS.md などに書かれた指示に従う 複数の大規模言語モデル（エージェント）の並列実行
ユーザーインターフェースに基づいて以下のように分類できる。
デスクトップアプリ（独立型） プラグイン型ではないデスクトップアプリ。 Visual Studio Code フォーク AWS Kiro Cursor: Visual Studio Code (VS Code) をフォークしたAIネイティブなコードエディタ。高度なコード編集、リファクタリング支援を提供。 Google Antigravity PearAI TRAE Windsurf Editor: 無料利用可能なAIコード補完エンジンと、それを搭載したデスクトップIDE (Windsurf)。 独自エディタ Zed エディタ以外 Claude Code on desktop Factory Jitera OpenCode
デスクトップアプリ（プラグイン型） 統合開発環境（IDE）やソースコードエディタにプラグインや拡張機能として統合され、リアルタイムで開発者を支援する。 Amazon CodeWhisperer: AWSが提供している。コード補完、セキュリティスキャン、AWSサービス連携などの機能を提供。生成コードの出典（OSSライセンス）表示機能を持つ。 Cline: Visual Studio Codeの拡張機能として提供されるオープンソースの自律コーディングエージェント。プロジェクト全体の解析やターミナル操作が可能。 Factory Firebender: Androidアプリ開発用でAndroid Studio内で動作する GitHub Copilot: GitHubが提供している。広く普及しているAIペアプログラマの一つ。コード補完、生成、チャット機能などを提供。 GitLab Duo Google Gemini Code Assist: Geminiモデルを活用したコード補完、生成、チャット機能などを提供。 JetBrains AI AssistantとJunie: JetBrains製IDEに統合されたAI支援機能。コード説明、テスト生成、コミットメッセージ生成などを支援。 OpenCode Qwen Code Companion Roo Code: Clineをフォークしたオープンソースプロジェクト。複数のAIエージェントが協調して開発を進める。 Sourcegraph Cody: 大規模コードベースに対するセマンティック検索とAI支援（コード生成、説明、リファクタリング）を組み合わせたツール。 : AIコード補完ツールの草分け。プライバシー重視やチームごとのカスタマイズを特徴とする。 TRAE Plugin Windsurf
デスクトップアプリ（Agent Client Protocol経由） AIエージェントとソースコードエディタや統合開発環境をつなぐプロトコルとして Agent Client Protocol (ACP) がある。
以下のソースコードエディタや統合開発環境が Agent Client Protocol に対応している。 JetBrains社の各種統合開発環境（IntelliJ IDEAなど）は JetBrains AI Assistant プラグイン経由で対応している。 Neovim は avante.nvim や CodeCompanion.nvim などが対応している。 Visual Studio Code は VSCode ACP などの拡張機能が対応している。 Zed
以下のAIエージェントが Agent Client Protocol に対応している。 Augment Code Claude Code は Zed が提供している ACP adapter for Claude Code を経由すると利用可能。 Codex CLI は Zed が提供している ACP adapter for Codex を経由すると利用可能。 Gemini CLI OpenCode OpenHands Qwen Code
Webアプリ（ローカル型） ローカルでHTTPサーバーを起動し、ウェブブラウザ内で動作するもの。 Factory OpenCode OpenHands
Webアプリ（クラウドサービス） SaaSとして提供され、ブラウザ経由で利用できる開発プラットフォーム。