GitHubのコードレビューの5件に1件を超える割合を、今やAIレビュアーが担っている。Copilotのコードレビューは、一般提供開始から1年足らずの2026年3月までに60百万件のレビューを突破した(GitHub Blog、2026年)。レビュー対象の量も増え続けている。GitHubのユーザーは2025年に月平均43.2百万件のプルリクエストをマージしており、前年比23%増となった(GitHub Octoverse 2025)。しかし信頼はそのペースに追いついていない。開発者の96%がAI生成コードを完全には信頼しておらず(Sonar State of Code Developer Survey 2026)、調査対象の開発者とテクノロジー購買担当者の85%が、AIによってボトルネックがコードを書く作業からレビューする作業に移ったことに同意している(GitLab AI Accountability Report 2026)。本稿では、Stack Overflow Developer Survey、GitHub Octoverse、GitLabのDevSecOps調査、GoogleのDORAレポート、Sonar、Qodo、Veracode、CodeRabbit、Faros AI、METR、JetBrains、Atlassian、Gartnerのデータを集約した。コードを書く側の話については、関連まとめ記事のAIコード生成統計をご覧ください。
主なポイント
- Copilotのコードレビューは、GitHubのコードレビューの5件に1件超を占め、完了したレビューは60百万件(GitHub Blog、2026年)
- 85%が、AIによってボトルネックがコードを書く作業からレビューと検証の作業に移ったことに同意(GitLab AI Accountability Report 2026)
- 開発者の96%がAI生成コードを完全には信頼していないが、コミット前に必ず検証するのは48%のみ(Sonar State of Code 2026)
- 開発者の10.2%がコードのコミットとレビューにAIを主に使用、58.7%は使う予定なし(Stack Overflow Developer Survey 2025)
- AI導入率の高いチームはPRのマージ数が98%多く、PRのレビュー時間は91%増加(Faros AI Productivity Paradox Report 2025)
- AIレビューを使う開発者の81%が品質向上を実感、使わない同程度に速いチームでは55%(Qodo State of AI Code Quality 2025)
- 100を超えるLLMにわたり、AI生成コードのサンプルの45%がセキュリティテストに不合格(Veracode GenAI Code Security Report 2025)
- AIが共同作成したPRは1件あたり10.83件の問題を抱え、人間だけのPRでは6.45件(CodeRabbit State of AI vs Human Code Generation 2025)
- Copilotのコードレビュー利用者の72.6%が、自身の効率が向上したと回答(GitHub Octoverse 2025)
- 80%が、自組織はAIツールをそれを統制するポリシーの整備よりも速く導入したと回答(GitLab AI Accountability Report 2026)
- テクノロジー専門職の90%が仕事でAIを使っているが、30%はAI生成コードへの信頼がほとんど、または全くない(Google DORA 2025)
- 企業のソフトウェアエンジニアの90%が2028年までにAIコードアシスタントを使うようになる。2024年初頭は14%未満(Gartner、2025年)
1. 開発者のAI導入:自動レビューの前提
自動レビューは、自動執筆の下流で生じる結果だ。テクノロジー専門職の90%が現在、仕事でAIを使っている(Google DORA State of AI-assisted Software Development 2025)ため、レビューキューに入るほぼすべてのプルリクエストに、機械が書いたコードが含まれている可能性がある。これによりレビューの役割が変わる。もはや単なる同僚によるチェックではなく、人間が完全には書いていないコードに対する主要な管理ポイントになっている。
導入は広いだけでなく深い。Sonarの回答者は、コミットするコードの42%がすでにAIによって生成または支援されていると述べており、JetBrainsは開発者の62%が少なくとも1つのAIコーディングアシスタント、エージェント、またはAIコードエディタに依存していることを明らかにしている。エンジニアリングリーダーにとっての問いは、チームがAIを使うかどうかから、パイプラインがどれだけの未レビューのAI出力を吸収できるかへと移っている。
| 指標 | 値 | 出典 |
|---|---|---|
| 仕事でAIを使うテクノロジー専門職 | 90%(前年から14%増) | Google DORA State of AI-assisted Software Development 2025 |
| 1日あたりのAI利用時間の中央値 | 2時間 | Google DORA 2025 |
| AIツールを使用中または使用予定の開発者 | 84%(2024年の76%から増加) | Stack Overflow Developer Survey 2025 |
| AIツールを毎日使うプロの開発者 | 51% | Stack Overflow Developer Survey 2025 |
| コーディングと開発にAIを定期的に使う開発者 | 85% | JetBrains State of Developer Ecosystem 2025 |
| 少なくとも1つのAIコーディングアシスタント、エージェント、またはAIエディタに依存する開発者 | 62% | JetBrains State of Developer Ecosystem 2025 |
| AIコーディングツールを試して今は毎日使っている開発者 | 72% | Sonar State of Code Developer Survey 2026 |
| SDLCでAIを使用中または使用予定のDevSecOps専門職 | 97% | GitLab Global DevSecOps Report 2025 |
補足:これらの調査は対象母集団が異なる(Stack Overflowはすべての開発者に開かれており、DORAはテクノロジー専門職が対象、JetBrainsは194か国の24,534人の開発者を調査した)ため、導入率は単一の数値ではなく、84%から97%という一貫した範囲として読むのが最適だ。質問文の全文は、Stack Overflow 2025のAI結果ページとJetBrainsのState of Developer Ecosystem 2025に掲載されている。業界横断のより広いデータは、当社の開発者調査統計のまとめをご覧ください。
2. AIコードレビューの導入と規模
レビューは、開発者が管理を手放すことに最も慎重な工程であり、調査データもそれを示している。コードのコミットとレビューにAIを主に使う開発者はわずか10.2%で、58.7%は使う予定がないと答えている(Stack Overflow Developer Survey 2025)。ところがプラットフォームのテレメトリは別の姿を映し出している。AIレビューは組織単位で有効化されており、個々の開発者が求めたかどうかにかかわらず、すべてのプルリクエストで実行されている。
個人の意向と組織のデフォルト設定との間のこの乖離こそが、2026年のこの市場を特徴づけている。GitHubによると、Copilotのコードレビューの利用は開始以来10倍に増加し、12,000を超える組織がすべてのプルリクエストで自動的に実行している(GitHub Blog、Copilotのコードレビュー60百万件)。複数ツールの併用が標準で、GitLabの2026年調査では91%の組織が2つ以上のAIコーディングツールを実際に使用している。
| 指標 | 値 | 出典 |
|---|---|---|
| 2025年4月のリリース以降に完了したCopilotコードレビュー | 60百万件 | GitHub Blog、2026年3月 |
| Copilotコードレビューが担当するGitHubの全コードレビューの割合 | 5件に1件超 | GitHub Blog、2026年3月 |
| すべてのPRでCopilotコードレビューを自動実行している組織 | 12,000以上 | GitHub Blog、2026年3月 |
| 実行可能なフィードバックを返すCopilotコードレビュー | 71%(1レビューあたり平均5.1件のコメント) | GitHub Blog、2026年3月 |
| Copilotコードレビューで効率が向上したと答えた利用者 | 72.6% | GitHub Octoverse 2025 |
| コードのコミットとレビューにAIを主に / 部分的に使う開発者 | 10.2% / 22.6% | Stack Overflow Developer Survey 2025 |
| この作業にAIを部分的に / 主に使う予定の開発者 | 31.4% / 16.3% | Stack Overflow Developer Survey 2025 |
| 2つ以上 / 3つ以上のAIコーディングツールを実際に使用している組織 | 91% / 54% | GitLab AI Accountability Report 2026 |
外れ値に関する補足:実行可能なフィードバックの割合が71%ということは、Copilotのレビューの29%がコメントを返さないことも意味するが、GitHubはこれを欠陥ではなく、問題がないときは沈黙するという意図的な設計上の選択として位置づけている。Copilotのコードレビュー機能は、GitHub Octoverse 2025によると、2025年4月4日に一般提供が開始された。先行事例はGoogleにあり、社内のMLモデルが50%の精度目標のもとでレビュアーのコメントの約52%に対応でき、コード作成者はプレビューされた修正提案の40%から50%を適用した(Google Research、2023年)。この社内調査について入手可能な最新データ:Google Research、2023年。
3. 信頼と正確性:検証のギャップ
信頼は、利用とは逆方向に動いている。開発者の96%がAI生成コードが機能的に正しいことを完全には信頼していないが、コミット前に必ず検証しているのは48%にすぎない(Sonar State of Code Developer Survey 2026)。疑念と実行との間にあるこの48ポイントのギャップこそ、自動レビューツールが売り込まれている領域だ。人間がAI出力を一貫して確認しないのであれば、ほかの何かが確認しなければならない。
このパターンは独立した複数の調査で繰り返されている。Stack Overflowは、3分の2の開発者が「ほぼ正しいが完全ではない」AIの回答に遭遇していることを明らかにし、DORAは80%超が生産性の向上を報告している一方で、30%がAI生成コードへの信頼がほとんど、または全くないことを明らかにした。開発者はAIを、速いが誤りやすく、その成果物を確認しなければならない協力者として扱うことに落ち着いており、これはSonarの回答者がAI生成コードのレビューと検証をAI時代で最も重要な単一のスキルに挙げた理由でもある。
| 指標 | 値 | 出典 |
|---|---|---|
| AI生成コードが機能的に正しいことを完全には信頼していない開発者 | 96% | Sonar State of Code Developer Survey 2026 |
| コミット前にAIコードを必ず検証する開発者 | 48% | Sonar State of Code Developer Survey 2026 |
| AIは正しく見えても信頼できないコードを生成すると考える開発者 | 61% | Sonar State of Code Developer Survey 2026 |
| AI出力の正確性を強く信頼する / 積極的に疑う開発者 | 3.1% / 46% | Stack Overflow Developer Survey 2025 |
| 「ほぼ正しいが完全ではない」AIの解決策にいらだつ開発者 | 66% | Stack Overflow Developer Survey 2025 |
| AI生成コードへの信頼がほとんど、または全くないテクノロジー専門職 | 30% | Google DORA 2025 |
| 人間のレビューなしでAIが日常業務を処理することを信頼する回答者 | 37% | GitLab Global DevSecOps Report 2025 |
| ハルシネーションが少なく、かつAIコードを出荷する自信も高いと答えた開発者 | 3.8% | Qodo State of AI Code Quality 2025 |
補足:Stack Overflow自身のリーダー向け資料では、AIの正確性への信頼は2024年の40%から2025年には29%に低下したと報告されている一方、公開されている結果ページでは「ある程度信頼」と「非常に信頼」を合わせて33%となっている。この差は回答の集計方法の違いによるもので、いずれの数値も低下を示している(Stack Overflow 2025 survey for leaders)。Qodoはさらに、開発者の25%がAIの提案の5件に1件に事実誤認や誤解を招くコードが含まれると見積もっていること、そしてハルシネーションが少ないと感じる開発者は、レビューなしでコードをマージする可能性が2.5倍高い(24%対9%)ことを付け加えている。
4. 生産性とレビューのボトルネック
AIレビューが拡大している理由を最も手早く理解する方法は、時間がどこに消えたかを見ることだ。AI導入率の高いチームはプルリクエストのマージ数が98%多い一方で、PRのレビュー時間は91%増加している(Faros AI、The AI Productivity Paradox Research Report 2025)。書くことは安くなったが、読むことは安くならなかった。Farosはまた、PRの平均サイズが154%増加していることも明らかにしており、レビュアーはプルリクエストの数の増加と大型化の両方に直面している。
自己申告のデータも一致している。GitLabの2026年調査では、回答者の78%が開発者はコードをより速く書いてコミットしていると答え、85%がAIによってボトルネックがレビューと検証に移ったことに同意した。METRによる統制研究は、認識についての警告を加えている。経験豊富なオープンソース開発者は、AIツールを使うとIssueの完了に19%長くかかったにもかかわらず、その後もAIによって20%速くなったと信じ続けていた(METR、2025年7月)。
| 指標 | 値 | 出典 |
|---|---|---|
| AI導入率の高いチームのマージされたPR数の変化 | +98% | Faros AI Productivity Paradox Report 2025 |
| AI導入率の高いチームのPRレビュー時間の変化 | +91% | Faros AI Productivity Paradox Report 2025 |
| PRの平均サイズの変化 | +154% | Faros AI Productivity Paradox Report 2025 |
| 開発者1人あたりの完了タスク数の変化 | +21% | Faros AI Productivity Paradox Report 2025 |
| 開発者1人あたりの1日に扱うプルリクエスト数の変化 | +47% | Faros AI Productivity Paradox Report 2025 |
| AIコードのレビューには同僚のコードのレビューよりも労力がかかると答えた開発者 | 38% | Sonar State of Code Developer Survey 2026 |
| GitHubで月間にマージされたプルリクエスト(2025年平均) | 43.2百万件(前年比+23%) | GitHub Octoverse 2025 |
| ランダム化試験(開発者16人、Issue 246件)におけるAIツール使用時のタスク完了時間の変化 | +19%遅い | METR、2025年 |
補足:Farosは、AI導入と企業レベルのDORA指標との間に有意な相関を見出せなかった。つまり、個人レベルの成果は、デリバリーの成果に届く前に消えてしまったことになる。AtlassianのState of Developer Experience 2025(開発者とマネージャー3,500人)も同じ相殺を示している。68%がAIによって週10時間超を節約している一方、50%が組織内の摩擦によって週10時間以上を失っている(Atlassian、2025年)。自動レビューは、時間が実際に積み上がっている工程を狙った数少ない手段の一つだ。
5. コード品質とセキュリティの調査結果
品質に関するデータは、きれいに二つの物語に分かれる。AIが書いた未レビューのコードは、測定可能なほど多くの欠陥を抱えている。AIが共同作成したプルリクエストは1PRあたり平均10.83件の問題があり、人間だけのPRの6.45件に対しておよそ1.7倍だった(CodeRabbit、State of AI vs Human Code Generation Report 2025)。また、VeracodeはAI生成コードのサンプルの45%がセキュリティテストに不合格となり、OWASP Top 10の脆弱性を持ち込んだことを明らかにした。
第二の物語は、レビューを工程に組み込むと結果が変わるというものだ。Qodoは、AIコードレビューを使う開発者の81%が品質の向上を報告したのに対し、使わない同程度に速いチームでは55%だったこと、またAIレビューを導入したチームは生産性が横ばいでも品質向上を実感した(36%対17%)ことを明らかにした。併せて読むと、これらの数値は、リスクがあるのはAI出力そのものではなく、レビューされていないAI出力にあることを示している。より広い脅威の状況を追っている読者は、これらの数値を当社のサイバーセキュリティ統計と比較できる。
| 指標 | 値 | 出典 |
|---|---|---|
| セキュリティテストに不合格となったAI生成コードのサンプル(100以上のLLM) | 45% | Veracode GenAI Code Security Report 2025 |
| 言語別のセキュリティ不合格率:Java / C# / JavaScript / Python | 72% / 45% / 43% / 38% | Veracode GenAI Code Security Report 2025 |
| AIがクロスサイトスクリプティング(CWE-80)を防げなかったサンプル | 86% | Veracode GenAI Code Security Report 2025 |
| 1PRあたりの問題数:AI共同作成と人間のみ(オープンソースPR 470件) | 10.83対6.45 | CodeRabbit State of AI vs Human Code Generation 2025 |
| AI共同作成PRと人間のみのPRにおけるセキュリティ上の問題 | 最大2.74倍 | CodeRabbit State of AI vs Human Code Generation 2025 |
| AIレビューありとなしでの品質向上(高速チームの中で) | 81%対55% | Qodo State of AI Code Quality 2025 |
| AIがコード品質に好影響を与えたと報告した回答者 | 59% | Google DORA 2025 |
| アクセス制御の不備に関するCodeQLアラートがあるリポジトリ | 151,000以上(前年比+172%) | GitHub Octoverse 2025 |
補足:Veracodeは、より大規模で新しいモデルがより安全なコードを生成したわけではないと報告しており、モデルのアップグレードだけではレビューの代わりにはならない。明るい面では、GitHubのOctoverse 2025が、脆弱性の修正にかかる時間が過去1年で30%改善し、重大なアラートを受けたリポジトリが26%減少したと報告している。FarosはAI導入率の高いチームで、開発者1人あたりのバグが9%増加したことも付け加えている。Veracodeのレポート概要に、手法の全容が掲載されている。
6. ガバナンス、企業の課題、そして今後
企業は、AIコーディングツールを、それを統制するルールを書くよりも速く購入した。80%の回答者が、自組織はAIツールをそれを統制するポリシーの整備よりも速く導入したと述べ、92%がAI生成コードに関して何らかのガバナンス上の課題があると報告している(GitLab AI Accountability Report 2026)。したがって、自動レビューの次の段階は、タイプミスの検出よりも、来歴の把握に重点が移る。どのコードがモデルから来たのか、どのツールが生成したのか、誰が承認したのかを知ることだ。
追跡可能性に関する数値が最も懸念される。87%は、AI生成コードが本番インシデントに関与したかどうかを24時間以内に判断できると確信しているが、過去1年に実際にインシデントを経験した組織の34%は、その判断ができなかった。一方で、AIが書くコードの割合は上昇を続けており、ガバナンスの問題は四半期ごとに膨らんでいく。当社の企業のAI導入統計では、ソフトウェアチーム以外における同様のポリシー遅れのパターンを扱っている。
| 指標 | 値 | 出典 |
|---|---|---|
| ガバナンスポリシーよりも速くAIを導入した組織 / ガバナンス上の課題を報告した組織 | 80% / 92% | GitLab AI Accountability Report 2026 |
| AI生成コードと人間が書いたコードを確実には区別できない回答者 | 43% | GitLab AI Accountability Report 2026 |
| AIコードが新たな形の技術的負債を招くリスクがあると答えた回答者 | 82% | GitLab AI Accountability Report 2026 |
| AIがコンプライアンス管理の複雑さを増すと答えた回答者 | 70% | GitLab Global DevSecOps Report 2025 |
| 開発中よりもデプロイ後により多くのコンプライアンス問題を発見する回答者 | 76% | GitLab Global DevSecOps Report 2025 |
| AIが生成または支援したコミット済みコード:現在と2027年までの予想 | 42%対65% | Sonar State of Code Developer Survey 2026 |
| AIコードアシスタントを使う企業のソフトウェアエンジニア:2024年初頭と2028年の予測 | 14%未満対90% | Gartner Top Strategic Trends in Software Engineering 2025 |
補足:GitLabの2025年DevSecOpsレポート(専門職3,266人、The Harris Pollが実施)における、デプロイ後のコンプライアンス問題が76%という調査結果は、チェックをレビュー段階に移すことの直接的な根拠となる(GitLabプレスリリース、2025年11月)。Gartnerの予測は、DevOps Digestによる2025年7月のGartnerリリースの報道を通じて引用している。同リリースは、ソフトウェアエンジニアリングチームの少なくとも55%が2027年までにLLMベースの機能を構築するようになるとも予測している。ROIの面では、GitLabの2026年調査の回答者の60%が、AIコーディングのROIが期待を上回ったと答えており、求められているのはAIコードから撤退することではなく、統制することだ。
まとめ:数字で見るAIコードレビュー
| 指標 | 値 | 出典 |
|---|---|---|
| Copilotコードレビューが担当するGitHubのコードレビューの割合 | 5件に1件超 | GitHub Blog、2026年 |
| 完了したCopilotコードレビュー | 60百万件 | GitHub Blog、2026年 |
| すべてのPRでAIレビューを実行している組織(Copilot) | 12,000以上 | GitHub Blog、2026年 |
| 効率が向上したと報告したCopilotコードレビュー利用者 | 72.6% | GitHub Octoverse 2025 |
| コードのコミットとレビューにAIを主に使う開発者 | 10.2% | Stack Overflow Developer Survey 2025 |
| コードのコミットとレビューにAIを使う予定がない開発者 | 58.7% | Stack Overflow Developer Survey 2025 |
| 仕事でAIを使うテクノロジー専門職 | 90% | Google DORA 2025 |
| AI生成コードを完全には信頼していない開発者 | 96% | Sonar State of Code 2026 |
| コミット前にAIコードを必ず検証する開発者 | 48% | Sonar State of Code 2026 |
| AI出力の正確性を積極的に疑う開発者 | 46% | Stack Overflow Developer Survey 2025 |
| AIによりボトルネックがコードを書く作業からレビューへ移った | 85%が同意 | GitLab AI Accountability Report 2026 |
| AI導入率の高いチームのPRレビュー時間の変化 | +91% | Faros AI 2025 |
| AI導入率の高いチームのマージされたPR数の変化 | +98% | Faros AI 2025 |
| AIレビューありとなしでの品質向上 | 81%対55% | Qodo State of AI Code Quality 2025 |
| セキュリティテストに不合格となったAI生成コードのサンプル | 45% | Veracode GenAI Code Security Report 2025 |
| 1PRあたりの問題数、AI共同作成と人間のみ | 10.83対6.45 | CodeRabbit 2025 |
| ガバナンスポリシーよりも速くAIを導入した組織 | 80% | GitLab AI Accountability Report 2026 |
| AI生成コードへの信頼がほとんど、または全くないテクノロジー専門職 | 30% | Google DORA 2025 |
| コミット済みコードに占めるAIの割合、現在と2027年の予想 | 42%対65% | Sonar State of Code 2026 |
| 2028年までにAIコードアシスタントを使う企業のエンジニア | 90%(予測) | Gartner、2025年 |
方法論と出典
- Stack Overflow Developer Survey 2025、AIセクション:導入、信頼、不満、そしてコードのコミットとレビューへのAI利用(AIの利用に関する質問には33,662人の回答者が回答した)。
- Stack Overflow 2025 Developer Survey for Leaders、AI導入:信頼の前年比較(2024年対2025年)。
- GitHub Octoverse 2025:Copilotコードレビューの効果、PRとコミットの量、CodeQLと脆弱性修正時間のデータ。
- GitHub Blog、Copilotコードレビュー60百万件、そしてさらに増加中(2026年3月):レビュー件数、GitHubのレビューに占める割合、組織数、実行可能なフィードバックの割合。
- GitLab AI Accountability Report 2026のプレスリリース:The Harris Poll、6か国の開発者とテクノロジー購買担当者1,528人、2026年6月23日公開。
- GitLab Global DevSecOps Report 2025のプレスリリース:The Harris Poll、DevSecOps専門職3,266人、2025年11月10日公開。
- Google Cloud、2025年DORAレポートの発表とGoogle BlogのDORA 2025概要:約5,000人のテクノロジー専門職と100時間以上の定性データ。
- Sonar State of Code Developer Survey 2026とSonarのAI信頼ギャップ分析:1,100人以上のプロの開発者、2026年1月公開。
- Qodo State of AI Code Quality 2025:さまざまな企業規模と地域の開発者609人。
- Veracode 2025 GenAI Code Security Report:Java、Python、C#、JavaScriptにわたって100以上のLLMをテスト、2025年7月30日公開。
- CodeRabbit State of AI vs Human Code Generation Report:オープンソースPR 470件(AI共同作成320件、人間のみ150件)、2025年12月17日公開。
- Faros AI、The AI Productivity Paradox Research Report:1,255チームにまたがる10,000人以上の開発者のテレメトリ、2025年7月公開。
- METR、2025年初頭のAIが経験豊富なオープンソース開発者の生産性に与える影響の測定:ランダム化比較試験、開発者16人、Issue 246件。
- JetBrains State of Developer Ecosystem 2025:194か国の開発者24,534人、2025年4月から6月に調査。
- Atlassian State of Developer Experience 2025:6か国の開発者とマネージャー3,500人。
- Google Research、MLによるコードレビューコメントの解決(2023年):レビュアーのコメントに対する社内のML提案による修正。
- Gartner Top Strategic Trends in Software Engineering 2025、DevOps Digest経由:Gartnerの元のリリースは公開では取得できなかったため、数値は報道されたとおりに引用している。
- Zhongほか、From Human-Centric to Agentic Code Review(arXiv、2026年7月):207のGitHubプロジェクトにおけるレビュー済みPR 1.02百万件の分析で、エージェントが関与したレビューは判断が速い傾向にあるが、レビューの質が高いわけではないと結論づけている。定性的な背景情報としてのみ使用。
- データウォッチ:ベンダーが実施した調査(GitHub、Sonar、Qodo、CodeRabbit、Faros AI)は、AIコーディングやレビューのツールを販売する企業によるものであり、手法が開示されている場合でも、その枠組みは慎重に扱うべきだ。CodeRabbitの470PRというサンプルとMETRの開発者16人の試験は規模が小さく、その方向性はより大規模な調査と一致するものの、正確な倍率を一般化すべきではない。Stack Overflowは2025年の信頼度として、回答の集計方法の違いから2つの数値(リーダー向け資料で29%、結果ページで33%)を公表している。GoogleのMLコードレビューのデータは2023年のものだ(この社内調査について入手可能な最新データ)。AIコードレビューツールの市場規模の推計は、手法を開示している2社間で照合できなかったため除外した。今後予定される新しいデータ:Stack Overflow Developer Survey 2026、GitHub Octoverse 2026、2026年のDORAレポート。
最終更新日:2026年10月3日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、GitHubがOctoverse 2026を公開する時期を予定している。