Post
JA EN

ツーピザからワンピザへ——AIでチームが半分になる時、何が失われるか

Posted
By
26 min read
ツーピザからワンピザへ——AIでチームが半分になる時、何が失われるか
  • 想定読者： エンジニアリングマネージャー、テックリード、チーム運営に関わるエンジニア
  • 前提知識： ソフトウェア開発チームでの実務経験
  • 所要時間： 約15分

概要

Amazonの「ツーピザルール」——チームは2枚のピザで賄える人数（6〜8人）にすべし——はソフトウェア業界の定番原則だった。しかし今、AIコーディングツールの急速な普及により、チームはさらに縮小し「ワンピザチーム」（3〜4人）へと向かっている。Anthropicのエンジニアは60%の業務でAIを使用し50%の生産性向上を報告1。Metaは1人のマネージャーが50人を管理するフラット構造を実験している2。しかし、UC Berkeleyの8ヶ月のフィールドスタディは、AIツール導入後に認知疲労と労働時間が増加したことを明らかにした3。本記事では、チームサイズ縮小がもたらす生産性向上と、その裏で静かに失われるものを検証する。

「ワンピザチーム」トレンドの台頭

ツーピザからワンピザへ

Amazonのジェフ・ベゾスが広めた「ツーピザルール」は、チームサイズとコミュニケーションコストの関係を直感的に表現した原則だ。ブルックスの法則が示すように、チームメンバーが増えるとコミュニケーション経路は n(n-1)/2 で増加する4。8人チームなら28本、4人なら6本——実に78%の削減だ。

flowchart TB
    subgraph TWO["ツーピザチーム（8人）"]
        direction TB
        A1((A)) --- A2((B))
        A1 --- A3((C))
        A1 --- A4((D))
        A1 --- A5((E))
        A1 --- A6((F))
        A1 --- A7((G))
        A1 --- A8((H))
        A2 --- A3
        A2 --- A4
        A2 --- A5
        A2 --- A6
        A2 --- A7
        A2 --- A8
        A3 --- A4
        A3 --- A5
        A3 --- A6
        A3 --- A7
        A3 --- A8
        A4 --- A5
        A4 --- A6
        A4 --- A7
        A4 --- A8
        A5 --- A6
        A5 --- A7
        A5 --- A8
        A6 --- A7
        A6 --- A8
        A7 --- A8
        note1["コミュニケーション<br>経路: 28本"]
    end
    subgraph ONE["ワンピザチーム（4人）"]
        direction TB
        B1((A)) --- B2((B))
        B1 --- B3((C))
        B1 --- B4((D))
        B2 --- B3
        B2 --- B4
        B3 --- B4
        note2["コミュニケーション<br>経路: 6本"]
    end

AIの登場により、ブルックスの法則の前提が変わりつつある。従来は「人手が足りないから人を増やす」ことでコミュニケーションコストが爆発していた。AIが個人の生産性を倍増させるなら、そもそも人を増やす必要がない。ある企業のディレクターは「ツーピザチームをワンピザチームに改名し始めた。AIがあれば、大きなチームはもう意味がない」と語っている1。

数字が語る生産性向上

AIによるチーム縮小を支持するデータは確かに存在する。

指標数値出典
Anthropicエンジニアの生産性向上50%（1年前の2〜3倍）Anthropic内部調査1
AIなしでは着手されなかった業務全体の27%Anthropic内部調査1
AI支援による個人 vs 従来チーム個人が従来チームに匹敵Harvard/Wharton P&G研究5
ISBSG調査の最適チームサイズ3〜5人1,000+プロジェクト分析6

Harvard/Wharton大学とP&Gの共同研究では、AIツールを使う個人が、AIなしの従来型チームと同等のアウトプットを出せることが示された5。さらに、AIを装備したチームは装備していないチームを大幅に上回るパフォーマンスを発揮した。

Metaの極端な実験

Metaは2026年3月、AIエンジニアリング部門で1人のマネージャーが50人のエンジニアを管理するフラット構造を導入した2。フラット組織の上限とされる25:1の比率を倍に押し上げる、極端な実験だ。

Bayes Business SchoolのAndré Spicer教授はこの構造について「悲劇に終わる」と警告する2。その理由は3つ——ジュニアエンジニアが見落とされること、ラインマネージャーが過負荷で燃え尽きること、中堅エンジニアに明確な方向性が欠如し「声の大きい人や問題児」がマネージャーの限られた注意を独占することだ。

「生産性向上」の裏側で起きていること

AIは仕事を減らさない——強化する

チーム縮小の論理は単純だ。「AIが生産性を倍にする → 半分の人数で同じ成果が出る → チームを縮小できる」。しかし、この三段論法には致命的な見落としがある。

UC BerkeleyのAruna Ranganathan准教授らによる8ヶ月のフィールドスタディ（米テクノロジー企業、約200人対象）は、AIツール導入後に3つの形態で仕事が強化されることを発見した3：

1. タスク拡大（Task Expansion）

プロダクトマネージャーやデザイナーがコードを書き始め、リサーチャーがエンジニアリングの仕事を引き受けるようになった。AIツールが「自分にもできそう」という感覚を生み、本来の役割を超えた業務を吸収し始めたのだ。

2. 仕事と私生活の境界の曖昧化（Blurred Boundaries）

AIとのやり取りはチャットに似ており、「正式なタスクに取り組む」感覚が薄い。その結果、昼食中、会議中、そして夜間にまで仕事が侵食し始めた。

3. マルチタスクの増加（Increased Multitasking）

複数のAIワークフローを並行管理することで、「注意の絶え間ない切り替え、AI出力の頻繁なチェック、増え続ける未完了タスク」が発生した。

「AI Brain Fry」——1,488人の大規模調査

2026年3月、BCGとUC Riversideの研究チームが1,488人の米国フルタイムワーカーを対象に行った調査で、「AI Brain Fry（AI脳疲労）」という現象が報告された7。

flowchart TB
    A["AIツールの集中使用"] --> B["認知負荷の増大"]
    B --> C["AI Brain Fry<br>（14%が経験）"]
    C --> D["判断疲労 +33%"]
    C --> E["重大エラー +39%"]
    C --> F["離職意向 +39%"]

    A --> G["反復タスクの<br>AI委譲"]
    G --> H["バーンアウト -15%"]

    style C fill:#ff6b6b,color:#fff
    style H fill:#51cf66,color:#fff

主な発見は以下の通りだ：

  • AI使用者の14%がAI Brain Fryを経験
  • 高度なAI監視業務は精神的労力を14%、精神的疲労を12%増加
  • 情報過多は19%増加
  • 同時使用ツール数は3つがピークで、それ以上は生産性が低下
  • 影響を受けたワーカーの判断疲労は33%増加、重大エラー率は39%増加
  • 離職意向は25%→34%に上昇（39%増加）

ただし、重要な正の発見もある。AIを反復的なタスクの排除に使った場合、バーンアウトは15%減少した7。AIの使い方——タスクを増やすか、減らすか——が明暗を分けている。

チーム縮小で失われる3つのもの

生産性の数字だけでは見えない、チーム縮小の隠れたコストがある。

1. 暗黙知の消失

組織記憶の研究によれば、暗黙知（tacit knowledge）——個人の経験に基づく、文書化されていない知識——の喪失は、明示的知識の喪失よりも組織にとって深刻なダメージを与える8。

チームが8人から4人に縮小される時、コードベースに関するコメントやドキュメントは残る。しかし「なぜこの設計判断がなされたか」「この顧客の特殊な要求にどう対処してきたか」「過去にどんなアプローチを試して失敗したか」——こうした暗黙知は、人と共に組織を去る。

Management Learning誌の研究は、ダウンサイジングにおいて構造化された知識移転計画（リスクアセスメント、エキスパートインタビュー、ナレッジマッピング）がなければ、組織は同じ失敗を繰り返すことを示している9。AIはコードを生成できるが、「なぜその選択をしなかったか」という否定的知識を保持していない。

2. 心理的安全性の希薄化

Googleの「Project Aristotle」（2015年）が示したように、チームのパフォーマンスを最も左右するのは心理的安全性だ10。チームが縮小すると、一人ひとりの責任が重くなり、失敗の影響が個人に直結する。

3〜4人のワンピザチームでは：

  • 冗長性がない: 一人が休むと25〜33%の戦力が失われる
  • 多様な視点が減る: コードレビューやアーキテクチャ議論の質が低下するリスク
  • バス係数が低下: キーパーソンの離脱がチーム存続を脅かす11

3. メンタリングと成長機会の消失

Metaの50:1構造に対するSpicer教授の批判が端的に示すように、マネージャーの帯域幅には限界がある2。ワンピザチームではシニアとジュニアの比率が極端になりやすく、メンタリング、ペアプログラミング、コードレビューを通じた学習機会が失われる。

UC Berkeleyの研究で報告された「タスク拡大」現象は、この問題をさらに悪化させる3。各メンバーが本来の専門外の業務をAIの助けで引き受けることで、深い専門性を持つ人材から学ぶ機会が減り、「広く浅い」スキルセットが蔓延するリスクがある。

ワンピザチームを機能させるための条件

チーム縮小は不可避のトレンドかもしれない。だが、その成否は「ただ人数を減らす」か「失われるものを意識的に補うか」にかかっている。

認知負荷のマネジメント

BCG/UC Riversideの調査が示す同時3ツールの閾値を超えないよう、AIツールの使用を意図的に制限する7。UC Berkeleyの研究チームが提唱する「AI Practice」フレームワーク3が参考になる：

  • 意図的な中断: AIの出力を確認・振り返る時間を設ける
  • タスクのシーケンシング: 通知をバッチ処理し、同時並行ワークフローを制限する
  • 人間的なつながりの維持: 構造化された対面コミュニケーションの時間を確保する

暗黙知の明示化

チーム縮小を行う前に、以下の知識移転プロセスを実施する：

  1. ADR（Architecture Decision Records）の整備: 設計判断の根拠を文書化
  2. 否定的知識の記録: 「なぜこのアプローチを採用しなかったか」を残す
  3. ランブック（Runbook）の作成: 障害対応や顧客固有の対処法を手順化

生産性の再定義

BCGの調査で明らかになった最も重要な発見は、AIをタスクの増加ではなくタスクの排除に使った場合にバーンアウトが15%減少したことだ7。チーム縮小の目的が「同じ人数でもっと多くの仕事をさせる」なら、それは持続不可能な搾取にしかならない。

flowchart TB
    subgraph BAD["❌ 持続不可能なアプローチ"]
        direction TB
        X1["チーム8人→4人"] --> X2["一人あたりの<br>タスク量を倍増"]
        X2 --> X3["認知疲労・バーンアウト"]
        X3 --> X4["離職・品質低下"]
    end
    subgraph GOOD["✅ 持続可能なアプローチ"]
        direction TB
        Y1["チーム8人→4人"] --> Y2["AIで反復タスクを<br>排除"]
        Y2 --> Y3["一人あたりの<br>タスク量は維持"]
        Y3 --> Y4["創造的業務に集中"]
    end

正しい問いは「何人でやるか」ではなく、「AIの余剰をどう配分するか」だ。生まれた余裕を新しいタスクで埋めるのか、それとも品質向上・学習・休息に充てるのか。その選択が、ワンピザチームの成否を決める。

まとめ

ツーピザからワンピザへ——チームサイズの縮小は、AIがもたらす生産性向上の論理的帰結として進行している。Anthropicの50%生産性向上やHarvard/Whartonの研究は、少人数でも大きな成果が出せることを示す。

しかし、数字の裏には見えないコストが潜む。UC Berkeleyの8ヶ月の研究は仕事の強化を、BCGの1,488人調査はAI Brain Fryを報告している。チームが半分になる時、コミュニケーション経路は78%減る。だが同時に、暗黙知の伝承経路も、心理的安全性の基盤も、メンタリングの機会も減る。

ワンピザチームは間違いではない。ただし、「人数を減らして同じアウトプットを維持する」ことと「人数を減らして一人あたりの負荷を倍増させる」ことの間には、バーンアウトと持続可能性という深い溝がある。AIの恩恵を人間の消耗ではなく、人間の解放に使えるかどうか——それがワンピザ時代のマネジメントの試金石だ。

関連記事

このテーマに関連する他の記事もご覧ください：

参考資料

本文中の引用番号に対応する参考資料を番号順に記載しています。

その他参考資料（本文中で番号引用なし）

  1. Anthropic’s Engineers Report a 50% Productivity Boost - Kilo AI Blog (2026). Anthropic内部調査データ。【信頼性: 中】 ↩︎ ↩︎2 ↩︎3 ↩︎4

  2. Meta’s new AI team has 50 engineers per boss - Fortune (2026). André Spicer教授（Bayes Business School）のコメントを含む。【信頼性: 中〜高】 ↩︎ ↩︎2 ↩︎3 ↩︎4

  3. AI Doesn’t Reduce Work—It Intensifies It - Aruna Ranganathan, Xingqi Maggie Ye, Harvard Business Review (2026). 米テクノロジー企業での8ヶ月フィールドスタディ、約200人対象。【信頼性: 高】 ↩︎ ↩︎2 ↩︎3 ↩︎4

  4. The Mythical Man-Month - Frederick P. Brooks Jr. (1975/1995). ブルックスの法則の原典。チームメンバー増加に伴うコミュニケーションコストの非線形増大を論証。【信頼性: 高】 ↩︎

  5. The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise - Fabrizio Dell’Acqua, Ethan Mollick et al., HBS Working Paper (2025). Harvard Business School、Wharton、ESSEC、P&Gの共同研究。AI装備の個人が従来チームに匹敵する成果を出せることを実証。【信頼性: 高】 ↩︎ ↩︎2

  6. ISBSG Software Development Benchmarking - International Software Benchmarking Standards Group. 大規模プロジェクトデータベースに基づくベンチマーク。小規模チーム（3〜5人）の生産性優位性を示唆。【信頼性: 中】 ↩︎

  7. When Using AI Leads to “Brain Fry” - Julie Bedard, Matthew Kropp, Megan Hsu (BCG), Olivia T. Karaman, Jason Hawes (UC Riverside), Gabriella Rosen Kellerman, Harvard Business Review (2026). 1,488人の米国フルタイムワーカー調査。【信頼性: 高】 ↩︎ ↩︎2 ↩︎3 ↩︎4

  8. Challenges In Preserving Organisational Memory - ResearchGate (2018). 暗黙知の喪失が明示的知識の喪失より組織に深刻な影響を与えることを論証。【信頼性: 中〜高】 ↩︎

  9. Don’t let knowledge walk away: Knowledge retention during employee downsizing - Achim Schmitt, Stefano Borzillo, Gilbert Probst, Management Learning (2012). ダウンサイジング時の知識保持戦略。【信頼性: 高】 ↩︎

  10. Project Aristotle - Google re:Work (2015). チームパフォーマンスと心理的安全性の関係を実証した大規模調査。【信頼性: 高】 ↩︎

  11. AI時代の「一人開発」とバス係数問題 - 本ブログ記事 (2025). バス係数リスクとAI時代のチーム体制。【信頼性: 中】 ↩︎

キャリア・働き方
AI チーム体制 マネジメント 生産性向上 組織設計 認知疲労
This post is licensed under CC BY 4.0 by the author.