AsanaがCodexで5年分の移行を2週間へ　費用は約1.2万ドル

残り5年の移行作業を、約1.5週間で終えた

Asanaは8月7日、自社のフロントエンドテストを旧式のEnzymeからReact Testing Libraryへ移す作業を、OpenAIのCodexで完了したと発表しました。移行は2022年から人手で進めていましたが、従来のペースではさらに約5年かかる見込みでした。そこでCodexを使い、約1.5週間のエンジニア作業を2暦週に分けて、Enzymeをコードベースから完全に撤去したと説明しています。

かかった費用はモデル利用が約1万1,000ドル、実行基盤が約1,000ドルでした。Asanaは同じ範囲を人だけで終える場合の人件費を約600万ドルと試算しています。ただし、この600万ドルは実測した支出削減額ではありません。過去の進み方と人員費を使った概算であり、今回の成果も数年間に蓄積した移行作業の続きです。

移行全体は約1.5週間のエンジニア作業を要し、2暦週で完了した。モデル利用は約1万1,000ドル、基盤費は約1,000ドルだった。

出典：Asana「We migrated off Enzyme in 2 weeks. It should have taken five years」（原文を日本語で要約）

数字の大きさ以上に重要なのは、AIエージェントが単発のコード補完ではなく、会社全体にまたがる長期保守案件を完了まで運んだ点です。企業のAI活用は、社員一人ひとりの文章作成を速める段階から、止まっていたバックログを小さなチームで解消する段階へ入りつつあります。

成功を分けたのは、長い指示より検証できる環境だった

Asanaは最大4つのエージェントを並行で動かし、それぞれ別のディレクトリを担当させました。人のエンジニアは朝夕に進捗を確認し、提案された変更をすべてレビューしています。指示は移行先、対象ディレクトリ、従うべき既存規約、実行するテストを示す5文だけでした。

詳しい手順書や細かなタスク分解も試しましたが、結果はむしろ悪化したとAsanaは振り返ります。短い指示で進められたのは、望ましいテストの実例、共通ヘルパー、型検査、lint、テスト、CIがすでに整っていたためです。反対に、古い社内文書はEnzymeを推奨してエージェントを誤誘導し、遅く不安定な検査は人の介入を増やしました。

出力の質はエージェントへ渡す環境に強く左右される。明確な完了条件と速いフィードバックがあり、コードベースに良い実例が蓄積されていた。

出典：Asana Engineering Team（原文を日本語で要約）

これは、AI導入予算をライセンス代だけで比べると判断を誤ることを意味します。AIが読む規約、正しい実例、自動検査、失敗時に戻せる小さな変更単位までが実質的な導入基盤です。モデルがさらに賢くなっても、古い手順と壊れやすいテストを渡せば、誤った変更を速く増やすだけでしょう。

狙うべきは、終わりが明確な反復作業

同じ進め方が向くのは、対象が多くても一件ずつ検証でき、完了を機械的に判定できる仕事です。古いAPIの置き換え、依存ライブラリの更新、定型テストの移行、警告の解消などが候補になります。要件が頻繁に変わる新規製品や、正解をテストで表しにくい設計判断は、今回の条件から離れます。

企業が試すなら、まず一つのディレクトリや一種類の警告へ範囲を絞ります。実行前に合格条件、禁止事項、テストコマンド、レビュー責任者、戻し方を決め、AI利用料だけでなく人の確認時間、修正回数、CI時間、不具合流出も記録してください。そこで人手より総費用が下がり、品質も維持できたら範囲を広げます。

AsanaとOpenAIは継続的な提携の一環として今回の事例を公開しており、独立した比較試験ではありません。対象ファイル数、失敗した変更の比率、レビューに要した総時間も公表されていないため、2週間や約1.2万ドルをそのまま自社見積もりへ使うべきではありません。それでも、AIエージェントへ任せる案件を「大きさ」ではなく「検証可能性」で選ぶという判断軸は、一般の企業にも移せます。

人の役割は、実装量から環境と承認の設計へ移る

今回の事例では、人が仕事から外れたわけではありません。移行先を何年も前に決め、良い実例を蓄積し、エージェントの変更を毎日確認したのは人です。Codexが圧縮したのは、方針を決める時間より、同じ規則を大量のファイルへ適用する時間でした。

編集部は、今後1〜3年で企業の開発生産性を分けるのは、AIモデルの契約有無より、社内の知識と検査をエージェントが読める形に整えられるかだとみます。もし複雑で曖昧な案件でも同程度の成果が再現され、レビュー負担も増えないと分かれば対象は一気に広がります。逆に、品質事故や修正工数が後から積み上がるなら、今回のような明確な移行案件に用途は限られるでしょう。

経営者は「AIで何人分減らせるか」から始めず、保守負債の一覧を作り、完了条件と自動検査がある案件を探すべきです。会社員や開発チームにとっても、AIへ長い指示を書く力より、正しい見本を残し、結果を短時間で確かめる仕組みを作る力の価値が上がります。