Devinの導入により、エンジニアが移行作業を委任でき、エンジニアリング時間を12倍節約し、コストを20倍以上削減できた事例。
以下は「DevineによるNubank（※） が数百万行のコードをリファクタリングしてエンジニアリング効率を向上させる方法」の要約です。
元記事：https://devin.ai/customers/nubank
※：Nubank：ラテンアメリカ最大の金融テクノロジー銀行であり、2013 年の設立以来、ブラジル、メキシコ、コロンビアで 1 億 1,000 万人以上の顧客にサービスを提供しています。
効果
コスト
Devinに委任した移行範囲で20倍以上のコスト削減 Devinの実行コストと、そのタスクを完了するエンジニアの時間当たりコストを比較して算出。 タスク実行の速度と、人間のエンジニアリング時間と比較したDevinのコスト効率による。 プロジェクト全体を予定より数か月早く完了することで得られる価値は考慮されていない。
スピード
移行速度が8～12倍高速化 データ クラス移行タスクを完了するために必要な一般的なエンジニアリング時間と、同じタスクでDevinの作業を促し、レビューするために費やされた合計エンジニアリング時間を比較して算出。
サブタスク 1 つあたりの所要時間がおよそ 40 分から 10 分に短縮。
適用対象
技術
数百万行のコードで構成されたモノリシックなETL (Extract, Transform, Load) システムのリファクタリング。
8年前に構築された古いシステム。
具体的な技術要素としては、データクラスの実装、インポート処理、複数の繊細なリファクタリング手順、エッジケースへの対応などが挙げられる。
Devinは、移行の機械的なコンポーネントで再利用可能な古典的なツールとスクリプトを独自に構築した。例として、ファイルパスに基づいてデータクラスの国別の拡張子（「br」、「co」、「mx」）を検出するスクリプトを自動化した。
微調整により、Devinのタスク完了スコアが2倍になり、タスク速度も4倍向上した。微調整には、エンジニアが手作業で行った以前の移行例が用いられた。
規模
100,000 のデータ クラスの実装を移行する大規模なプロジェクト。
1,000 人を超えるエンジニアが手作業で行うと 18 か月を要する予定だった作業。
Nubank は、ブラジル、メキシコ、コロンビアで 1 億 1,000 万人以上の顧客にサービスを提供しているラテンアメリカ最大の金融テクノロジー銀行。
特に、データ、コレクション、リスクの各ビジネス ユニットで効果が検証され、数週間で移行が完了した。
その他ポイント
Devinの導入により、エンジニアは移行作業から解放され、より価値の高い業務に集中できるようになった。
Devinは、類似のタスクを学習することで、時間経過とともに速度と信頼性が向上する。
人間のエンジニアは、Devinの変更を確認し、小さな調整を行い、プルリクエストをマージする役割を担う。
この事例は、大規模なコード移行やリファクタリングタスクにおいて、AIエージェントが効率とコスト削減に大きく貢献できる可能性を示唆している。
自分の不明点や気付き
-
スクラッチで作られたETLのイメージがつきづらい。情報系だろうか？
-
「100,000のデータクラス」にかんして、もしかしたらボイラーコードだらけみたいなイメージで、処理構造自体は単純ではないだろうか？
-
変換ルール自体のチューニングは、エンジニアが手作業で行った以前の移行例を使ったと本文にある。どのくらいの量の例が必要になったのだろうか？どのくらい固有性のあるものなのだろうか？