市場評価

1.算出方法

評価者

開発者本人の依頼で、生成 AI（Claude Code）が公開相場の単価と工数から費用を算出しました。

根拠

公開の統計と相場（機能規模の概算法・生産性・工程比率・単価・短縮率）に基づいて算出し、計算に使う値には出典を添え、出典の無い値は前提と明示しています。内製の費用も実際の給与ではなく公開統計の単価で計算しています。

時点

2026-09-17 時点の作業時間の記録と構造の数値を前提に、2026-09-27 に算出しました。

位置づけ

第三者機関による評価ではありません。プロジェクト概要のスライドでは扱っていない、技術と市場の 2 つの観点からの評価です。

本レポートは、松葉と同等のシステムを外部の体制で開発した場合の見積りと、1 人が生成 AI（Claude Code）を全工程で活用して開発した実績を比べます。外部は受託開発企業・フリーランス・自社開発 SaaS 企業の 3 つのシナリオを置き、内製（実績）を含む 4 つのシナリオを、それぞれ生成 AI なしと生成 AI ありの 2 つの条件で示します。

見積りの型はシナリオで異なります。外部の 3 シナリオは、基準時点のデータベースの構造から機能規模（概算のファンクションポイント）を求め、公開統計の生産性で割って総工数を推計し、公開統計の工程比率で要件定義・設計から結合テストまで・総合テストに配分します。設計から結合テストまでの分は、実績の工程の構成比で基盤・データベース・バックエンド・フロントエンド・クラウドの 5 つの工程に分けます。内製（実績）は作業時間の記録の実測で、生成 AI なしの列は観測値ではなく、工程ごとの短縮率で割り戻した推計です。

外部の 3 シナリオは同じ工数・工期・人数・ロールの配分を使い、違いは単価の出所だけです。工期は投入人月の立方根に係数を掛けた標準工期の式で求め、人数は人月を工期で割った平均の同時稼働人数です。

単価はすべて税抜にそろえ、出典が幅で示す値は中央値、統計は企業規模計・男女計の平均を採り、円未満は四捨五入します。1 人月の時間は公的機関の定義に従い、公的統計の情報通信業の月間実労働時間がこれに近いことを確かめています^[1][2]。生成 AI の利用料は内製（実績）の生成 AI ありにだけ定価で計上し、外部のシナリオには置きません（置けば外部の費用が上がる向きで、置かないほうが控えめです）。

概算のファンクションポイントはデータの数だけから求める粗い見積りで、公開統計の生産性は生成 AI 以前の受託開発のプロジェクトの統計です。前提の限界は付録の注記にまとめています。

計算に使う値と出典は次の表のとおりです。

目次へ

2.規模と工数の見積り

機能規模は、基準時点のデータベースの構造から NESMA の概算法で求めました。利用者が認識するデータのまとまり（論理ファイル）は 17 件、外部のシステムが保守し本システムが参照だけするデータのまとまり（外部インタフェースファイル）は 1 件で、前者に 35 FP、後者に 15 FP を掛けた機能規模は 610 FP です。

これを公開統計の新規開発の生産性 0.151 FP/人時で割ると、生成 AI なしの総工数は 4,040 時間です。これを公開統計の工程比率で各工程に配分しても合計は変わらず、外部の工数は 4,040 時間（人月に換算すると 25.3 人月）で、生成 AI ありは工程ごとの短縮率で縮めた 3,431 時間です。

内製（実績）の工数は作業時間の記録の 727 時間で、開発期間は 4.1 か月です。生成 AI なしの列は、工程ごとの短縮率で工程ごとに割り戻した 885 時間です（短縮率を実績の時間で加重した平均は 17.1% で、この平均の率で一度に割り戻した値とは少し違います）。コード行数から公開の生産性統計で工数を求める方法は、生成 AI が生成したコードの行数を手作業の統計と比べられないため使っていません。

目次へ

3.結論

生成 AI なしでは、受託開発企業の費用は実績の 7.3 倍です。生成 AI ありでは実績の 6.2 倍です。外部の 3 シナリオで最も低い自社開発 SaaS 企業の生成 AI ありでも、実績の 4.4 倍です。フリーランスと自社開発 SaaS 企業の費用は同じ工数に別の単価を掛けたもので、外部の 3 シナリオの違いは単価の出所だけです。

差の大半は見積りの型の違いから来ています。外部の工数は機能規模に業界の代表値（中央値）の生産性を当てた推計です。その生産性は生成 AI 以前にチームで開発した受託開発のプロジェクトの統計で、調整・文書・レビューの工数を含みます。内製は 1 人の作業時間の実測で、前提と体制が異なります。残りの差は単価の出所（外注単価・人材サービスの単価・公的統計の年収）と、生成 AI の短縮率によります。自社開発 SaaS 企業は内製と同じ公的統計の年収を使うため、単価の差は小さくなります。内製の生成 AI ありの費用は実績の時間の人件費に生成 AI の利用料を加えたもので、なしとの差は、割り戻した時間と実績の時間の差の人件費から利用料を差し引いたものです。

目次へ

4.シナリオ別の費用

4.1受託開発企業

開発会社に一括で委託し、プロジェクトマネージャ・アーキテクト・エンジニア・インフラエンジニア・QA エンジニア・デザイナーの体制で進める場合です。要件定義から総合テストまでと進行管理を含み、発注側の要件の準備・受入テスト・保守・クラウドの利用料は含みません。一般に、契約と見積りの往復や仕様変更の扱いが工数と費用に影響します。工期は生成 AI なしで 9.4 か月（人数は平均 3 人）、生成 AI ありで 8.9 か月（人数は平均 2 人）です。

4.2フリーランス

個人事業のエンジニアを職種ごとに集め、受託開発企業と同じ役割分担で進める場合です。含む範囲は同じで、進行管理は体制の中のプロジェクトマネージャ相当が担います。単価は人材サービスの公開統計の職種別の平均で、QA とデザイナーは記事のレンジの中央値です。掲載値が本人の受取額か発注者の支払額かは出典に明記されていません。一般に、特定の個人への依存と継続性が課題になります。

4.3自社開発 SaaS 企業

製品開発のチームを持つ企業が正社員で内製する場合で、プロダクトマネージャ・テックリード・エンジニア・SRE・QA・デザイナーの役割を同じロールの配分に当てています。含む範囲は同じで、人件費の範囲は間接費率の注記のとおりです。標準の工程を当てているため、製品チームの実態より工数が多めに出ることがあります。

4.4内製（実績）

1 人が要件分析からデプロイまでを担当し、生成 AI（Claude Code）を全工程で活用した記録です。作業時間の記録の全項目と生成 AI の利用料を含み、端末・クラウドの利用料・保守は含みません。生成 AI の利用料は、同じ開発者が並行して使った席（アカウント）ごとの定価 × 利用期間です。単価は公的統計の職種別の年収と間接費率から求めた時間単価で、実際の給与ではありません。生成 AI なしの列は観測値ではなく、工程ごとの短縮率で割り戻した推計で、出典の控えめな側を採っているため下限側の値です。

目次へ

5.付録

5.1単価の根拠

シナリオ別・ロール別の単価と出典は次のとおりです。受託開発企業の単価は業界団体の調査のスクラッチ開発の外注単価の加重平均で、ユーザー企業の外注実績のため職種別ではなく、ロールの列は体制の説明です。フリーランスは人材サービスの公開統計の職種別の平均（QA とデザイナーは記事のレンジの中央値）で、掲載値が本人の受取額か発注者の支払額かは出典に明記されていません。自社開発 SaaS 企業と内製は、公的統計（2025 年の調査・一般労働者・企業規模計・男女計）の職種別の年収（月々に決まって支給する給与の 1 年分と、年間賞与その他特別給与額の和。税引前）から求めた値で、内製は実際の給与ではありません。単価の出典のうち税別と明記しているのはフリーランスの QA エンジニアの記事だけで、ほかの業界団体と人材サービスの出典は表記が無いため税抜として扱っています。

5.2生成 AI の短縮率

5.3作業時間

5.4数え方

画面 68

Web アプリ（Next.js の App Router）の page.tsx の数（開発用のプレビュー画面を除く）

API エンドポイント 375

OpenAPI 定義のパスの数（HTTP メソッド別の操作は 402）

テーブル 61

Prisma スキーマの model 宣言の数

論理ファイル 17

Prisma スキーマの 61 モデルのうち、利用者が画面か API で参照・保守するデータのまとまりの数（機能規模の概算〔NESMA の indicative 法〕の内部論理ファイル）。多対多の結合表 3・セッションやトークンやジョブの状態などの技術的な補助表 24・派生や集計だけの表 6・親と一緒に 1 と数える従属の表 11 の 4 種 44 を除いた数

外部インタフェースファイル 1

外部のシステムが保守し、本システムが参照だけするデータのまとまりの数（機能規模の概算〔NESMA の indicative 法〕の外部インタフェースファイル）。Google Workspace のディレクトリ（利用者の状態）の 1 件。本システムが書く側でもある Google Drive のファイル一覧と、自身の運用の観測値（ストレージや配信の指標）は数えない

工数 727 時間

開発期間に工程別に記録した作業時間の合計（要件分析・設計・開発・テスト・資料作成など 27 項目）

目次へ

6.出典

1. [1]

   「ソフトウェア開発データ白書」シリーズに関するよくある質問と回答（新しいタブで開きます） 独立行政法人情報処理推進機構（IPA）

   https://www.ipa.go.jp/archive/publish/wp-sd/qa.html 2026-09-27 参照

2. [2]

   毎月勤労統計調査 令和7年分結果確報（新しいタブで開きます） 厚生労働省

   https://www.mhlw.go.jp/toukei/itiran/roudou/monthly/r07/25cr/25cr.html 2026-09-27 参照

3. [3]

   ソフトウェア・メトリクス調査2025【ガイドブック】（新しいタブで開きます） 日本情報システム・ユーザー協会（JUAS）

   https://juas.or.jp/cms/media/2025/03/25swm.pdf 2026-09-27 参照

4. [4]

   フリーランスエンジニアの月収はいくら？言語別・職種別の平均単価も解説（新しいタブで開きます） レバテックフリーランス

   https://freelance.levtech.jp/guide/detail/875/ 2026-09-27 参照

5. [5]

   QAエンジニアのフリーランス単価相場｜案件動向と単価アップの条件（新しいタブで開きます） フリコン

   https://freelance-concierge.jp/articles/detail/435/ 2026-09-27 参照

6. [6]

   フリーランスUIデザイナーの採用で押さえておきたい単価の相場やスキルを解説（新しいタブで開きます） クロスデザイナー

   https://www.xdesigner.jp/contents/ui-designer-freelance-unit-cost 2026-09-27 参照

7. [7]

   令和7年賃金構造基本統計調査 一般労働者 職種 第1表 職種（小分類）別きまって支給する現金給与額、所定内給与額及び年間賞与その他特別給与額（産業計）（新しいタブで開きます） 厚生労働省（e-Stat）

   https://www.e-stat.go.jp/stat-search/files?page=1&layout=datalist&toukei=00450091&tstat=000001011429&cycle=0&tclass1=000001229845&tclass2=000001229849&tclass3=000001229855 2026-09-27 参照

8. [8]

   令和3年就労条件総合調査 結果の概況 労働費用（新しいタブで開きます） 厚生労働省

   https://www.mhlw.go.jp/toukei/itiran/roudou/jikan/syurou/21/dl/gaiyou03.pdf 2026-09-27 参照

9. [9]

   基準外国為替相場及び裁定外国為替相場（令和8年10月中において適用）（新しいタブで開きます） 日本銀行

   https://www.boj.or.jp/about/services/tame/tame_rate/kijun/kiju2610.htm 2026-09-27 参照

10. [10]

    Early Function Point Analysis（新しいタブで開きます） Nesma

    https://assets.zyrosite.com/1rPgtNfl8dfsv1lv/g20-2015-early-function-point-analysis-vs-2015-07-15-en-tM0nQiFhNXVbD6qn.pdf 2026-09-27 参照

11. [11]

    ソフトウェア開発分析データ集2022（新しいタブで開きます） 独立行政法人情報処理推進機構（IPA）

    https://www.ipa.go.jp/digital/software-survey/metrics/hjuojm000000c6it-att/000102171.pdf 2026-09-27 参照

12. [12]

    What is the Max plan?（新しいタブで開きます） Anthropic (Claude Help Center)

    https://support.claude.com/en/articles/11049741-what-is-the-max-plan 2026-09-27 参照

13. [13]

    Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality（新しいタブで開きます） Harvard Business School (Working Paper 24-013)

    https://mitsloan.mit.edu/sites/default/files/2023-10/SSRN-id4573321.pdf 2026-09-27 参照

14. [14]

    Experimental evidence on the productivity effects of generative artificial intelligence（新しいタブで開きます） Science (abstract on PubMed)

    https://pubmed.ncbi.nlm.nih.gov/37440646/ 2026-09-27 参照

15. [15]

    How much does AI impact development speed? An enterprise-based randomized controlled trial（新しいタブで開きます） Google (arXiv)

    https://arxiv.org/abs/2410.12944 2026-09-27 参照

16. [16]

    Unleashing developer productivity with generative AI（新しいタブで開きます） McKinsey & Company

    https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/unleashing-developer-productivity-with-generative-ai 2026-09-27 参照

17. [17]

    IaC-Eval: A Code Generation Benchmark for Cloud Infrastructure-as-Code Programs（新しいタブで開きます） NeurIPS 2024 (Datasets and Benchmarks Track)

    https://neurips.cc/virtual/2024/poster/97835 2026-09-27 参照

18. [18]

    2025 Developer Survey: AI（新しいタブで開きます） Stack Overflow

    https://survey.stackoverflow.co/2025/ai 2026-09-27 参照

19. [19]

    Automated Unit Test Improvement using Large Language Models at Meta（新しいタブで開きます） Meta (arXiv)

    https://arxiv.org/abs/2402.09171 2026-09-27 参照

20. [20]

    The Impact of LLM-Assistants on Software Developer Productivity: A Systematic Review and Mapping Study（新しいタブで開きます） ACM Transactions on Software Engineering and Methodology (arXiv)

    https://arxiv.org/abs/2507.03156 2026-09-27 参照

21. [21]

    Accelerate State of DevOps Report 2024（新しいタブで開きます） Google Cloud DORA

    https://dora.dev/research/2024/dora-report/ 2026-09-27 参照

22. [22]

    Generative AI and the Nature of Work（新しいタブで開きます） Harvard Business School (Working Paper 25-021)

    https://www.hbs.edu/ris/download.aspx?name=25-021.pdf 2026-09-27 参照

23. [23]

    The Impact of AI on Developer Productivity: Evidence from GitHub Copilot（新しいタブで開きます） Microsoft Research, GitHub, and MIT (arXiv)

    https://arxiv.org/abs/2302.06590 2026-09-27 参照

24. [24]

    Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity（新しいタブで開きます） METR

    https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ 2026-09-27 参照

25. [25]

    We are Changing our Developer Productivity Experiment Design（新しいタブで開きます） METR

    https://metr.org/blog/2026-02-24-uplift-update/ 2026-09-27 参照