NTTデータの生成AI開発自動化とは何か
NTTデータグループの生成AI活用は、大手SIerによるソフトウェア開発工程への生成AI適用施策の一種で、要件定義からテストまで全工程に LLM を組み込む統合型アプローチである。NTTデータグループ公表によると、同社グループの社員数は2025年3月末時点で約19.8万人であり、この規模の組織全体を対象に生成AI活用を進めている点が日本のSI業界における AI シフトの試金石となっている。本稿では市場背景、技術構造、実務への示唆という 3 点から、その実態と課題を整理する。
取材によると、同社の取り組みは単なる「Copilot 配布」ではなく、全社の対話型アシスタント「LITRON Generative Assistant」と、開発工程に特化した「AIネーティブ開発」の取り組みを両輪に、業務固有の知識をプロンプト基盤に組み込んでいる点が特徴だ。読者の現場では、ここまで踏み込んだ全面導入はまだ少数派ではないだろうか。
観点1: 日本SI業界における生成AI導入の市場背景
要点は、日本のSI業界が人手不足と単価下落の二重圧力下にあり、生成AI が構造的な解決手段として位置づけられている点である。
経済産業省「DXレポート2.2」によれば、2025年時点で IT 人材不足は約 43 万人規模に達すると推計されており、従来型の人海戦術モデルは持続不可能と指摘されている。同レポートでは、既存システム保守に IT 予算の 80% 以上が割かれる構造を「2025 年の崖」として警鐘を鳴らしてきた経緯がある。
IDC Japanが2024年11月に発表した調査によれば、国内生成AI市場は2024年に約1,016億円規模に達し、2028年には8,028億円まで拡大する見通しだ（2023〜2028年のCAGRは84.4%）。主要購買層は金融・公共・製造の大手企業とされ、NTTデータの主戦場と重なる。重要なのは、需要側の覚悟が固まりつつあるという点である。 参考: 経済産業省 DXレポート / IDC Japan 国内生成AI市場予測の解説記事（BUSINESS NETWORK）
観点2: 技術構造 — LITRON とマルチエージェント設計
本節の核心は、NTTデータが「単一の汎用LLM呼び出し」ではなく、工程別の専門エージェントを束ねるオーケストレーション基盤を構築している点にある。
公開情報によれば、NTTデータグループは「AIネーティブ開発」と呼ぶ手法のもとで、要件定義・設計・コード生成・テストといった開発工程に複数のAIエージェントを組み込むオーケストレーション基盤を構築している。全社の対話型アシスタント「LITRON Generative Assistant」とは別に、開発工程特化の仕組みとして展開されており、OpenAI GPT-5 系・Anthropic Claude Opus 4.5・Google Gemini 3 Pro など複数モデルをタスク特性で使い分ける構成を採る。Anthropic社の2025年11月24日発表によれば、Claude Opus 4.5はソフトウェアエンジニアリング系ベンチマーク SWE-bench Verified で80.9%の性能を示しており、コード生成領域での実用水準を満たしている。
日経クロステック（2025年11月10日）の報道によれば、NTTデータグループは2025年度に開発工程全体で20%、2027年度には40%の生産性向上を目標に掲げ、2025年度中に500件のプロジェクトへ適用、2027年度には全案件の50%への拡大を目指すとしている。ただし、これは目標値であり全案件で既に達成された実績ではない点には留意が必要だ。生成物の品質チェックは依然として人手レビューを前提としており、完全自動化には至っていない。
参考: Anthropic「Introducing Claude Opus 4.5」(2025年11月24日) / 日経クロステック「IT大手4社、開発に生成AI適用本腰 NTTデータG「27年度に40％効率化」」(2025年11月10日) / NTTデータグループ ニュースリリース(2025年10月29日)
観点3: 実務への示唆と他SIerへの横展開
結論として、NTTデータの事例が他社に与える示唆は、「全面導入の前提条件」を可視化した点にある。
第一に、社内知識のドキュメント整備が前提となる。RAG（Retrieval-Augmented Generation）で参照する業務ルール・コーディング規約・過去案件知見が整備されていない組織では、生成AI は表層的な定型コードしか出力できない。第二に、レビュー体制の再設計が必須となる。AI 生成コードのレビュー工数は従来の人手コードと質が異なり、「もっともらしいが微妙に誤った実装」を検出する熟練者の確保が不可欠だ。
ROI 試算の観点では、社員 1 人あたり月額 5,000〜10,000 円の LLM 利用料に対し、月 20 時間の工数削減が得られれば、人件費換算（時給 5,000 円想定）で月 10 万円の効果となり、投資対効果は約 10〜20 倍となる。ただし、これは「削減時間が他業務に再投資される」前提であり、空き時間が生まれただけでは収益化されない点に注意が必要だ。読者の組織では、生成AI 導入後の余剰時間をどの業務に振り向けるか、設計済みだろうか？
まとめ
結論として、NTTデータの生成AI開発自動化は、日本のSI業界における構造転換の先行事例としての価値を持つ。本質的には、生成AI 導入の成否は LLM 性能そのものではなく、社内知識のデジタル化・レビュー体制・余剰時間の再投資設計という「組織側の準備」に依存する。
要点を改めて整理すれば、市場は約 8,000 億円規模への拡大が見込まれ、技術はマルチエージェント＋複数モデル併用が主流化し、実務では「全面導入の前提条件」の整備が成否を分ける、という3点に集約される。読者のチームでは、生成AI を「個人の生産性ツール」として配布するに留まるのか、それとも開発プロセスそのものを再設計する起点とするのか、どちらの道を選ぶだろうか？
あわせて読みたい
このテーマをまとめて読む
AI導入のご相談を承っています
本記事のようなAI導入プロジェクトの実務経験を活かし、戦略策定からPoC開発、本番システム構築までお手伝いしています。お気軽にご相談ください。
この記事に関連するおすすめ書籍
生成AIプロンプトエンジニアリング入門
ChatGPTとMidjourneyで学ぶプロンプト設計の基本と実践テクニック
生成AI活用の最前線
世界の企業100社超のAI活用事例から投資・導入判断のヒントを得る
デジタルトランスフォーメーション・ジャーニー
組織のデジタル化から分断を乗り越えて変革にたどりつくまでの実践ガイド
※ 本ページのリンクにはアフィリエイトリンクが含まれます。購入によりサイト運営をサポートいただけます。