supateam プロダクト責任者の若月です。
「AIにいくら使って、スループットがどれくらい上がっているのか？」
AIコーディングツールの全社導入が進む中、多くの組織で同じ問いが出てきているのではないでしょうか。
今回は、社内の約15名を対象にClaude CodeのOpenTelemetryログとGitHubのPRデータ、各AIプロバイダのコスト情報を突合し、AIコストとスループットの相関、そしてPRの品質への影響を分析しました。
※ 今回扱うデータにはユーザープロンプトの内容は一切含まれていません。プライバシーを保ったまま活用度だけを計測できる仕組みになっています。
1. AIの利用メトリクス（OpenTelemetry・Cursor）とGitHubデータからわかったこと
AIの積極的活用によってスループットが向上
6ヶ月間のAIのヘビーユーザー（コスト上位）のアウトプットを追うと、 AIコストとコード上のスループットに相関があり、特にPR数に大きな差がありました。
上位メンバーにおいては、プロダクトの成熟期にも関わらずエージェントモードの活用・習熟によってPRサイズは変わらずPR作成数が2倍に増加しており、AIの使い方や習熟度がスループットに影響を与えることも分かりました。
1-2. スループットが増えた結果、組織のレビュー負荷が上がっている
スループット（PR数・変更行数）の増加に伴って、PRあたりの平均レビュー回数が1.0回（2025年4月）→3.2回（2026年2月）に増加していました。
内訳を見ると、人間のレビュー回数は0.96→1.92で約2倍。残りの増分はAIレビュー（botによるコメント）で、2026年2月にはAIのレビュー回数が人間に匹敵する水準に達しています。
スループットが上がった分、レビュー側の負荷が増えており、AIが作成したPRの品質向上や、認知負荷の低減がチームのスループットを阻む要因となっている可能性があります。
2. Claude Codeの分析手法（2026年4月現在）
2-1. Claude Teamプランのコスト・トークン数を分析する
2026年4月現在、Claude Teamプランにはダッシュボードや利用分析APIが提供されていません。「誰がどれだけ使っているか」を把握するには、Claude CodeのOpenTelemetry（OTel）エクスポート機能を利用する必要があります。
主に取得できるデータは以下の通りです。
メトリクス（時系列データ）
claude_code.cost.usage── APIコスト（モデル別）claude_code.tokens.usage── トークン数（input/output/cache_read/cache_creation）claude_code.lines_of_code.count── AI生成行数（added/removed）claude_code.active_time.total── アクティブ時間（cli/user）claude_code.code_edit_tool.decision── コード編集の採用/却下
ログ（イベントデータ） - セッションID、ユーザーメール、ツール呼び出し（Read/Edit/Agent/WebSearch等）、プロンプトイベント
これらを組み合わせることで、メンバー別のコスト、トークン消費量、AI生成行数、ツール利用パターンが可視化できます。
2-2. supateam MCPでの分析環境セットアップ
supateamでは、OTelデータをDuckDBに蓄積し、MCP経由で自然言語クエリを実行できます。 またCursorの利用データ分析もAdmin APIキーを設定するだけで可能となります。
claude mcp add supateam-mcp-server -s local -- \
npx mcp-remote https://api.supateam.com/public/v1/mcp \
--header "Authorization: Bearer sk-..."
呼び方の例
# ユーザー別の月間AIコストを出す > supateam MCPで、3月のユーザー別AIコストを集計して # マージ済みPRを検索する > 3月にマージされたPRを、botを除外して一覧で出して # AIコストとスループットを突合する > 3月のAIコストとPR数・変更行数を突合して、ユーザーごとに比較して
MCPを通じて自然言語で依頼するだけで、OTelへのDuckDBクエリとGitHub PR検索が実行され、突合分析が返ってきます。
まとめ
OpenTelemetryとGitHubのPRデータを突合することで、「AIにいくら使って何が起きているか」を定量的に把握できるようになりました。
また今回はあくまでスループットを計測したものであり、コード負債や変更のビジネスインパクトを考慮したものではないため、定性的なヒアリングや各チームの文脈の重要性も改めて感じました。
supateamについて
supateamは、AI時代の開発組織を支援する開発生産性プラットフォームです。
本記事で紹介した分析は、supateam MCPのOpenTelemetry/GitHub分析機能を使って実施しました。MCPを活用することによって、Claude Code OpenTelemetryデータの蓄積・可視化、GitHub PRデータとの突合分析を、コードを書くことなく自然言語で実行することができます。
変更のリードタイム・PRの平均レビュー数・変更障害率といったFour Keys指標に加え、AIコーディングツールの活用状況やPRあたりのAIコストを定点観測するためのダッシュボードとしてご活用いただけます。
パイプラインのDAG構造（出典：Uber Engineering Blog）
高評価カテゴリの例：メトリクス計算のロジックエラー指摘（出典：Uber Engineering Blog）