Findy AI+ 推出五項新功能，可視化 AI 最佳實踐，消除 AI 代理使用的「個人技術化」與「黑箱」問題

提供工程師平台的 Findy Inc.（總部位於東京都品川區，代表董事：山田裕一朗；以下簡稱「本公司」）宣布，其用於自動分析開發組織 AI 工具使用情況並支援提出與執行改善行動的 AI 產品「Findy AI+」，已於 2026 年 6 月 4 日（星期四）開始提供五項新功能。

新功能組包含透過 Web 儀表板提供的三項功能：「會話日誌分析」、「AI 成本效率分析」和「AI 代理使用分析」，以及透過 MCP 伺服器提供的兩項功能：「工具鏈整備分析」和「工具鏈整備 x 生產力分析」，總共五項功能。

透過結合 AI 代理的會話日誌與 GitHub 數據，這些功能可視化組織內的生成式 AI 使用最佳實踐，並支援自動化改善。這些功能可在現有「Findy AI+」方案內使用，無需額外費用。

◆ 新功能提供的背景

◾️ AI 使用的「個人技術化」與「黑箱化」

儘管 Claude Code、GitHub Copilot、Cursor 和 Devin 等生成式 AI 工具正在工程師組織中迅速普及，但即使在導入 AI 工具後，組織內部仍難以清楚了解如何熟練運用指令和代理來最大化成果。結果，擅長使用 AI 的工程師與不擅長者之間的生產力差距持續擴大，表現優異的團隊和成員的知識未能分享給其他團隊，無法提升整體組織的能力。

◾️ AI 成本增加使投資回報率可視化成為管理課題

此外，隨著 AI 代理在整個組織中的使用擴展，因 Token 消耗量增加而導致的 AI 成本急劇上升，已成為新的管理挑戰。然而，目前缺乏量化手段來了解哪些儲存庫或團隊的 AI 使用有助於產出（例如合併的 PR），或者成本是否帶來了效果，使得驗證投資回報率變得困難。

此外，能最大化 AI 代理效果的工具鏈（AI 指令檔案、AI 指令資料夾等）的整備狀況因儲存庫和團隊而異。迄今也無法以數值方式了解工具鏈整備的投資如何影響生產力。

為了解決這些課題，本公司結合了長期累積工程師組織開發活動數據的「Findy Team+」的 GitHub 數據分析技術，以及「Findy AI+」收集的 AI 代理會話日誌，提供五項新功能，從多個角度可視化組織的 AI 使用實際狀況，並將改善行動自動化。這有助於將容易停留在個人技能的 AI 使用，提升為組織的能力。這些新功能可從「Findy AI+」使用。

◆ 新功能概要

── Web 儀表板 ──

① 會話日誌分析：用數據全面可視化組織的 AI 使用實際狀況

分析與 AI 代理的對話會話日誌，按組織、團隊和個人層級持續可視化 AI 使用的頻率、深度和趨勢。這使得組織能夠將過去依賴「感覺」的 AI 使用實際狀況，作為客觀數據來掌握。

② AI 成本效率分析：可視化成本效益，減少浪費

按組織、團隊和成員彙總 AI 使用量（Token 量），並將其與實際成果（程式碼變更/新增、Pull Request 數量等）連結，計算並可視化「每單位成果的 AI 成本」。這解決了「AI 是否帶來與成本相符的成果」的管理課題，支援改善投資回報率改善空間大的團隊和低效使用模式。

③ AI 代理使用分析：量化了解已整備的工具鏈（Skills）是否實際被使用

按組織、團隊和使用者可視化為 Claude Code 處理特定任務（如自動程式碼檢查）而內部開發的工具鏈（Skills）實際被使用的頻率。這使得可以數據化地了解諸如「create-pull-request」、「self-reviewer」、「commit-message」和「setup-worktree」等已開發的 Skills 在實際開發流程中的使用程度。

── MCP 伺服器 ──

④ 工具鏈整備分析：列出每個儲存庫中「AI 能自主運作的環境」的整備狀況和改善點

分析每個儲存庫中的 AI 指令檔案和資料夾（例如 AGENTS.md、/AGENT），並列出整個組織中主要 AI 工具（Claude Code、Copilot、Cursor、Devin 等）的設定狀況。透過掌握 Commands、Agents、Skills 和 MCP 伺服器的設定數量，識別整備落後的儲存庫，並根據領先儲存庫的設定自動建議改善措施。

⑤ 工具鏈整備 x 生產力分析：透過與 GitHub 數據的相關性量化了解投資回報率

將每個儲存庫的 Commands、Agents、Skills 和 MCP 伺服器的設定數量，與從 GitHub 取得的合併 PR 數量等生產力指標進行可視化。透過數據顯示工具鏈整備程度與生產力指標的相關性，自動支援關於「哪些要素的整備對提升生產力最有效」以及「應優先對哪些儲存庫/團隊進行整備投資」的決策。

◆ 主要對象與預期效果

這些功能主要針對使用生成式 AI 的工程師組織中的以下人員：

- CTO / VPoE：透過會話日誌 x GitHub 數據量化掌握組織整體的 AI 使用程度，同時最佳化 AI 成本，並將投資回報率數據用於經營報告。
- EM / 技術主管：比較自己團隊的指令使用狀況和工具鏈整備程度與其他團隊，並執行具體的改善行動。