AIコーディングは本当に効果的か？Bunの成功事例と企業のコスト問題から読み解く真実

「AIにコードを書かせれば開発は速くなる」——そう聞いて期待する人がいる一方で、「AIコーディングツールの請求額が跳ね上がって予算を食い潰した」というニュースも後を絶ちません。

実際、JavaScriptランタイム「Bun」の開発チームは、53万行を超えるコードベースをZigからRustへ全面リライトするプロジェクトをAIエージェントに任せ、成功事例として大きな話題を呼びました。しかしその一方で、UberやMicrosoftのような大企業では、AIコーディングエージェントのコストが想定を大きく超え、利用制限に踏み切ったと報じられています。

同じ「AIコーディング」というテーマなのに、なぜここまで結果が分かれるのでしょうか。この記事では、両方の事例を突き合わせながら、AI導入で成果を出すための条件を整理していきます。

Bunが証明した「AIによる大規模リライト」の実例

オープンソースのJavaScriptランタイム「Bun」の開発チームが公式ブログで公開した事例は、AIによる大規模開発の可能性を示すものとして注目を集めました。

Bunはもともとメモリ安全性の面で課題を抱えやすいZig言語で書かれた、50万行を超える巨大なプロジェクトでした。長年、メモリリークや二重解放といったバグへの対応に追われてきた開発チームは、より安全性の高いRust言語への全面移行を決断します。

とはいえ、これほどの規模の書き直しを人力だけで行えば、エンジニア数人がかりで1年近くかかると見込まれ、その間は新機能開発やバグ修正が事実上ストップしてしまいます。そこでチームが選んだのが、実装作業の大部分をAIコーディングエージェントに担わせるという方法でした。重要なのは、単純に指示を出して丸投げしたわけではなく、綿密なプロセス設計を行った上で任せたという点です。

成功の鍵は「仕組み化」

Bunチームが行ったのは、以下のような緻密なプロセス設計でした。

• Zigの書き方をRustにどう対応させるか、事前に3時間かけてマッピングルールを作成
• 1つのコード変更に対して、実装担当のAIと、あら探しに徹する2人の「敵対的レビュー」担当AIを配置
• テストスイートを言語非依存のTypeScriptで用意し、リライト後も同じ基準で検証
• git stashやgit resetなど、並行作業で衝突を招くコマンドを禁止するルールを追加

11日間、最大64体のAIエージェントを同時に稼働させ続けた結果、テストの削除やスキップは一切なしで、6,502件のコミットを重ねてプロジェクトを完走させました。最終的に、Bun v1.4.0はメモリ使用量の大幅削減、バイナリサイズ約20%縮小、処理速度2〜5%向上という具体的な成果を出しています。

コストも隠さず公開

注目すべきは、このプロジェクトにかかった費用も明記されている点です。API料金換算で約16万5,000ドル（1ドル161円換算で約2,657万円）。これを「エンジニア3人が1年間かけて行う人件費」と比較すれば、十分に安いという結論です。

※本記事内のドル→円換算は、2026年7月時点の為替レート（1ドル＝161円前後）を目安に算出した概算値です。実際の金額は為替変動により前後します。

ただしこの金額は、創業者本人が11日間、ワークフローの出力を逐一確認し、問題があれば都度プロンプトを修正するという「密着監視」のもとで生まれた数字だという点を見逃してはいけません。

一方で表面化する「AIコーディングのコスト問題」

Bunの事例とは対照的に、2026年に入ってから複数の大企業でAIコーディングエージェントのコストが問題視されるようになっています。

Uber：年間予算をわずか4カ月で使い切る

配車サービス大手のUberは、Claude CodeやCursorといったエージェント型コーディングツールを積極的に導入した結果、2026年の年間AI予算をわずか4カ月で使い切ってしまったと報じられています。事態を受けて同社は、従業員1人あたり月1,500ドル（約24万円）というトークン支出の上限を導入しました。

Microsoft：ライセンスを大量解約

MicrosoftもClaude Codeへのアクセスを全社的に開放してからわずか半年で、利用規模の急拡大を理由に多くのライセンスを解約する方針へ転換したと報じられています。エンジニアだけでなくプロジェクトマネージャーやデザイナーまでもが利用するようになり、想定を超えるコストが発生したことが背景にあるようです。

調査会社ガートナーが指摘する構造的な問題

調査会社ガートナーのアナリストは、AIコーディングの請求額が開発者1人あたり月20〜100ドル（約3,200円〜1万6,000円）から、月2,000〜5,000ドル（約32万円〜81万円）、極端なケースでは月2万ドル（約322万円）まで跳ね上がっていると指摘しています。

その背景には、多くのベンダーが座席課金（定額制）から従量課金（トークン消費量に応じた変動制）へと移行したことがあります。しかも各ベンダーはトークン消費の内訳を十分に開示しておらず、企業側は費用を予測・コントロールすることが難しい状況に置かれています。

別の調査でも、構造的なガバナンス（統制の仕組み）がなければ、実に8割の企業がAIコーディングの予算を超過するという結果が示されています。

なぜ結果がこれほど分かれるのか

Bunのような成功事例と、UberやMicrosoftのようなコスト問題は、一見矛盾しているように見えます。しかし詳しく見ていくと、「AIが効くかどうか」ではなく「使い方の設計次第」であることが分かります。

1. タスクの性質が違う

Bunが取り組んだのは、「既存のZigコードをRustへ機械的に移植する」という、正解がはっきりしていて自動テストで検証可能なタスクでした。

一方、企業でコスト問題が起きているケースの多くは、開発者一人ひとりが思い思いのタスクにエージェントを投げる、範囲も検証基準もあいまいな使い方です。ある調査でも、範囲が狭く検証しやすいタスクではAIが実質的なレバレッジを生む一方、複雑なリファクタリングや広範なアーキテクチャ変更ではROI(投資対効果)がマイナスに転じやすいと指摘されています。

2. 監督体制の有無

Bunでは創業者自身が11日間、コミットの内容を逐一確認し、問題があればワークフローそのものを修正するという、非常に密度の高い監督のもとでプロジェクトが進みました。

対して企業導入の多くは、数百〜数千人の従業員に一括でアクセス権を与え、使用量を可視化・統制する仕組みがないまま「使い放題」の状態にしてしまっています。これでは、一部の熱心なユーザーが際限なくトークンを消費してしまうのも無理はありません。

3. 検証コストの見落とし

AIが出力したコードにバグがあり、シニアエンジニアが2〜3時間かけてレビュー・修正しなければならないとしたら、たとえ1回の実行コストが数十ドルでも、時給換算では数百ドルの人件費がかかっていることになります。実行結果だけを見ていると、この「隠れたレビューコスト」を見落としがちです。

Bunのケースでは、対抗的なレビュー担当AIと、言語に依存しない大規模なテストスイートを組み合わせることで、この検証コストそのものを自動化・並列化していました。これが、大規模投資でも十分に採算が合った理由の一つだと考えられます。

AI導入で成果を出すために押さえておきたいポイント

ここまでの比較から、AIコーディングを効果的に活用するための条件が見えてきます。

• スコープを明確に絞る：正解が定義でき、自動テストなどで検証可能なタスクから着手する
• レビュー体制をセットで設計する：AIの出力を別のAIや人間がチェックする仕組みを用意する
• 使用量を可視化する：誰が・何に・どれだけトークンを使っているかを追跡できるようにする
• 予算の上限を先に決める：従量課金である以上、青天井のアクセスは避ける
• 成果指標をコード行数ではなく品質・速度で測る：AIは大量のコードを瞬時に生成できるため、従来の生産性指標が意味をなさなくなっている

まとめ

BunのRustリライトは、「AIコーディングが効果的かどうか」という単純な二択の答えではなく、「厳密にスコープを絞り、強力なレビュー体制と組み合わせれば、大規模な投資でも十分に正当化できる」という条件付きの成功事例だといえます。

一方で、UberやMicrosoftのコスト問題は、その条件——明確なスコープ設定、検証可能性、使用量のガバナンス——を欠いたまま、無制限に近いアクセスを組織全体に与えてしまった結果として表面化したものです。

つまり両者は矛盾する事例ではなく、「AIコーディングの投資対効果は、使い方の設計次第で大きく変わる」という同じ構造の、両極端な結果を示しているといえるでしょう。これからAIコーディングツールの導入を検討する企業にとって、この違いを理解しておくことは、コストを制御しながら成果を最大化するための重要な出発点になるはずです。