AI-COCOMO AIパラメータ診断

💼 AI活用の現状

STEP 1 / 5

現在の開発プロジェクトにおける AI の活用状況を教えてください。
人的担当率（1-α） の推奨値を算出します。
人的担当率＝人間が担当する作業比率。高いほどAI活用が少なく人的コストが増大します。

1現在の開発でAIをどのように活用していますか？（最も近いものを選択）

使用していない — AIツールは業務に使っていない（情報収集・Web検索のみ含む）

補助的利用 — チャット質問・ドキュメント参照など補助ツールとして軽く活用。コード生成はほぼしない

部分的委任 — コーディングの30〜50%をAIに委任。スニペット生成・テスト生成・定型処理などに活用

積極的委任 — コーディングの50〜80%をAIが担う。人間はレビュー・指示・設計判断が中心

AI主導開発 — AIエージェントを活用し開発の80%以上をAI主導で進める。人間は監督・承認役

2AI が生成したコード・成果物の品質（軽微な修正以内でそのまま使えた割合）はどのくらいですか？

10%未満 — ほとんど使い物にならず大幅な修正が必要。方向性の参考程度

10〜40% — かなりの修正が必要。部分的に使えるコードが得られる

40〜60% — 半分程度はそのまま、または軽微修正で使える

60〜80% — 大半がそのまま使えるか軽微修正（変数名・コメント程度）で済む

80%以上 — ほぼそのまま使える高品質な出力が継続的に得られる

🧠 AI活用習熟度

STEP 2 / 5

プロンプト設計スキルと使用経験から習熟度を評価します。
AILX（AI活用習熟度 EM） の推奨値を算出します。
AILX は EM（工数乗数）です。低いほど習熟度が高くコスト削減効果が大きくなります（0.50〜1.50）。

3プロンプト設計・AIツール活用の技術レベルは？

入門レベル — 基本的な質問・指示のみ。試行錯誤が多く、AIの回答をほぼそのまま受け取る目安 AILX ≈ 1.30

初級レベル — コードや仕様をコンテキストとして与えて質問できる。役割・制約の明示は不十分目安 AILX ≈ 1.10

中級レベル — 役割・目的・制約を明示した構造化プロンプトを設計できる。アウトプット形式も制御可能目安 AILX ≈ 0.90

上級レベル — Chain-of-Thought・Few-shot・システムプロンプト設計・タスク分解など高度なテクニックを使いこなす目安 AILX ≈ 0.75

専門家レベル — AIエージェントの設計・オーケストレーション・カスタムツール統合・評価フレームワーク構築ができる目安 AILX ≈ 0.60

4Claude・GPT・Copilot等のAI開発ツールを業務で使用してきた期間は？

3ヶ月未満 — 使い始めたばかり

3〜6ヶ月 — 基本的な使い方に慣れてきた

6ヶ月〜1年 — 日常的に活用している

1〜2年 — 実務での経験が豊富

2年以上 — AIツール活用のベテラン

⚙️ AI作業効率

STEP 3 / 5

AIとのインタラクション効率と協働オーバーヘッドを評価します。
イテレーション係数（γ） と 統合OH率（δ） を算出します。

51機能・1タスクあたり、「プロンプト → AI出力 → 確認・修正 → 再プロンプト」のサイクルを平均何回繰り返しますか？

1〜2回 — AIが一発でほぼ完成形を出すことが多い。プロンプトが高精度 γ = 1.0

3〜4回 — 数回の修正で完成する。概ね効率的 γ = 2.0

5〜6回 — かなりのやり取りが必要。指示の調整に時間がかかる γ = 3.0

7〜10回 — 試行錯誤が多い。期待する出力を得るのに苦労する γ = 4.0

10回以上 — 大量の試行錯誤が日常的に発生する γ = 5.0

6AI生成コードのレビュー・統合・テスト・修正に費やす工数は、全開発工数のどのくらいですか？

5%未満 — 自動テスト・CI/CDが充実しており確認工数が最小化できている δ = 5%

5〜10% — 軽微なレビューで済む。AI生成物の品質が安定している δ = 8%

10〜20% — 明らかに確認・修正工数が増えている。レビューがボトルネックになることもある δ = 15%

20〜30% — かなりの工数をAI成果物の確認・修正に費やしている δ = 22%

30%以上 — AI協働オーバーヘッドが非常に大きい。AI化のROIが低下している可能性あり δ = 28%

💰 AIコスト設定

STEP 4 / 5

使用するAIモデルとライセンスコストを設定します。
トークン単価（P_out/P_in） と 月額ライセンス費（L_AI_m） を算出します。

7主に使用するAIモデル（またはサービス）は？

Claude Sonnet 系 — Claude 3.5 Sonnet / Claude Sonnet 4 など（中位・高コスパモデル） P_out = $15/MTok ・ P_in = $3.75/MTok

Claude Opus 系 — Claude 3 Opus / Claude Opus 4（最高性能・高コストモデル） P_out = $75/MTok ・ P_in = $15/MTok

GPT-4o / Gemini 1.5 Pro — OpenAI・Google 中上位モデル P_out = $10/MTok ・ P_in = $2.5/MTok

GPT-4o mini / Gemini Flash 系 — 軽量・低コストモデル P_out = $0.6/MTok ・ P_in = $0.15/MTok

ローカルLLM / 無料モデル — API課金なし（Ollama・無料枠のみ等） P_out = $0 ・ P_in = $0

8プロジェクトで利用するAI開発ツールの月額ライセンス費（概算）は？

¥0 — 無料プランのみ使用

〜¥5,000 — 個人プラン1〜2ツール（Claude Pro ¥3,000、GitHub Copilot ¥1,300 等）

¥5,000〜¥15,000 — 複数ツール利用・一部チームプラン

¥15,000〜¥50,000 — チーム・プロプラン（Claude Team等）

¥50,000以上 — エンタープライズプラン・大規模ライセンス

🛠️ 開発環境・プロジェクト期間

STEP 5 / 5

ツール整備度とプロジェクト期間を設定します。
TOOL（ツール成熟度 EM） と プロジェクト期間（Months） を算出します。

9CI/CD・AI統合開発環境・テスト自動化の整備状況は？

ほぼ未整備 — 手動デプロイ中心、テスト自動化なし、AIツール統合なし TOOL ≈ 1.25（高EM→コスト増）

基本整備済み — 基本的なCI/CD、コード補完ツール（Copilot等）は導入済み TOOL ≈ 1.10

標準整備 — CI/CD完備、AI支援コードレビュー・テスト生成も活用 TOOL ≈ 0.90

高度整備 — AI統合の自動化パイプライン、セキュリティスキャン、AIテストカバレッジ管理 TOOL ≈ 0.75

AI-first環境 — フルAI駆動DevOps、AIエージェントによる自律的コード管理 TOOL ≈ 0.60

10対象プロジェクトの開発期間は？（AIライセンス費の累計算出に使用）

1〜2ヶ月 — 短期スプリント・PoC

3〜4ヶ月 — 小〜中規模プロジェクト

5〜6ヶ月 — 中規模プロジェクト

7〜12ヶ月 — 大規模プロジェクト

12ヶ月以上 — 大規模・長期プロジェクト

1 / 5

🎯 AIパラメータ診断結果

—

🤖 AI固有パラメータ

🛠️ 補完パラメータ（コストドライバ連携）

👥 ライセンス人数設定

⚙️ AIツール利用メンバー数 M

人数課金プラン（Claude Pro・GitHub Copilot 等）は実際の利用人数を設定してください。
企業包括契約・Enterprise API の場合は M = 1 のまま、 L_AI_m に月額総費用（または配賦額）を入力してください。
ライセンス費は L_AI_m × M × Months で計算されます。

1人

ライセンス費合計（概算）: —

これらの推奨値をシミュレータに一括適用します。
スケールファクタ・人員能力など非AI系パラメータは現在の設定値を維持します。

適用後、シミュレータ画面でパラメータを個別に調整できます

🔍 AIパラメータ診断ツール