
コーディングエージェントと1年間働いて、見えてきたもの
はじめに
コーディングエージェントと働き始めて、約1年が経った。
この1年間で、ソフトウェア開発の風景は大きく変わった。以前なら数時間かかっていた実装が、短時間で形になる。コードを書くことだけでなく、調査、テスト、リファクタリングまで、AIが担える範囲は着実に広がっている。
最初は、その圧倒的なスピードに驚いた。
しかし、日々の開発で使い続けるうちに、別のことが見えてきた。
コードを書く速度が上がっても、開発全体が速くなるとは限らない。そして、同じAIを使っていても、人によって得られる成果は大きく異なる。
なぜ、そうなるのだろうか。
この1年間の経験を振り返りながら、組織と個人という2つの視点から考えてみたい。
1. 開発が速くなっても、リリースが速くなるとは限らない
AIを使い始めてから、チームのPRは目に見えて増えた。以前とは比べものにならない頻度で、PRがレビューに上がってくるようになった。実装のスピードが上がったことは、誰の目にも明らかだった。
ただ、そのスピードが、そのままリリースの速さにつながったわけではない。それを痛感した出来事がある。
起きたこと
その頃、私はある機能開発のレビュアーの一人だった。機能は小さな部品に分解され、PRもその単位で届いた。どれも、与えられた問題をきちんと解決しているように見えた。
私は差分が正しいことを確認して、承認した。それらを組み合わせたときに何が起きるのか。既存のシステムにどんな影響があるのか。そこまでは確かめていなかった。
リリース後、そのうちの一つの変更が既存機能に予期しない影響を与え、障害につながった。
なぜ見落としたのか
振り返ると、以前との違いが二つ見えてきた。
一つは、PRの量だ。以前はPRの数がそれほど多くなく、一つひとつを機能全体や既存システムと照らし合わせながら読む余裕があった。
もう一つは、実装者の気づきだ。以前は実装に時間がかかっていた分、実装者はコードを書きながら、既存の処理への影響や気になる点に気づくことができた。そしてレビューのときに「ここが少し心配です」と伝えてくれる。その一言があるから、レビュアーも、チームも、その観点に目を向けることができた。
全体を見るという役割は、誰かに明確に任されていたわけではない。実装者の気づきとレビュアーの目のあいだで、暗黙のうちに担われていたのだ。
AIを使うと、実装は速くなる。ただ、その過程で、手を動かしながら得ていた気づきが生まれにくくなることもある。懸念点が十分に共有されないまま、PRだけがレビューに届くようになる。
PRは増え、目を向けるべき観点の手がかりは減った。全体を見る役割は、レビュアーの注意力だけに寄りかかることになった。
人の注意力には限りがある。あの障害は、その限界を個人の努力だけで補おうとしていた開発の仕組みにも、問題があったのだと思う。
そこから考えたこと
この経験から考えるようになったのは、実装が速くなるほど、レビューや意思決定に負荷が集中しやすくなるということだ。

レビューが追いつかなければ、リリースは待たされる。無理に追いつこうとすれば、あのときの私のように、目の前の差分だけを見るレビューになりかねない。その先には、障害や手戻りのリスクがある。
どちらにしても、実装が速くなった分だけリリースが速くなるわけではない。
では、AI時代に強い開発組織とは、どんな組織なのか。
それは、単に優秀なエンジニアが集まっている組織ではない。
あのとき全体を見る役割が暗黙のうちに担われていたように、一見うまく回っている組織でも、個人の気づきや注意力に支えられている部分がある。AIの導入は、そうした暗黙の仕組みを見直すきっかけになる。
だからこそ、個人の経験や注意力に頼っていたものを、チームの仕組みにしておく必要がある。
例えば、PRに変更の影響範囲や懸念点を書く欄を設ける。分割して進めた機能を、最後に全体として確かめるタイミングを決めておく。設計の方針やレビューの基準、リリースの判断も、特定の人の経験だけに頼らない形にしておく。
もちろん、AI自身もレビューやテスト、影響範囲の調査を支援できる。ただし、誰が何を確認し、どの基準でリリースを判断するのか。その仕組みは、AIを導入するだけで自動的に整うものではない。
仕組みは、経験豊富なエンジニアの判断を不要にするものではない。その判断を、個人の頑張りに頼らずにチーム全体の成果へつなげるためのものだ。
AIは実装を速くする。しかし、開発全体を速くするには、組織の仕組みも進化させなければならない。
2. AIの成果を左右するのは、問いと判断の力
もう一つ、強く感じたことがある。同じコーディングエージェントを使っていても、人によって得られる成果が大きく異なるということだ。
最初は、プロンプトの書き方の差だと思っていた。だが、ある出来事をきっかけに、それだけではないと考えるようになった。
起きたこと
ある日、同僚がある不具合を調べていた。AIにも聞いてみたが、原因はわからなかったという。
その後、私も同じ問題をAIに聞いてみた。使ったのは、同僚と同じAIだ。
私は、AIに聞く前に状況を整理した。何が起きているのか。どこまでは正常に動いていて、どこから異常になるのか。
そのうえで「原因はこのあたりにあるのではないか」と仮説を立て、それを確かめるための質問をAIに投げた。
AIの回答を手がかりに、仮説を確かめながら調査を進めた。結果として、原因を特定できた。
もちろん、同じAIを使ったからといって、調査の条件がすべて同じだったわけではない。
なぜ結果が分かれたのか
振り返ると、重要だったのは二つのことだと思う。
一つは、問いの絞り方だ。AIに聞くとき、私たちはつい、手元の情報をそのまま渡して「原因を調べて」と頼みたくなる。そうすると、AIは考えられる可能性を広く挙げる。そのどれが本当の原因なのかを見極めるのは、結局人間の側だ。仮説を持って聞けば、AIとのやり取りは「この仮説は正しいか」という具体的な検証に近づく。
もう一つは、答えの受け取り方だ。仮説があれば、AIの回答を自分の考えと照らし合わせられる。合っていれば次に進み、ずれていれば仮説を見直す。AIはもっともらしい説明を返すことがあるが、それが実際の現象と一致しているかどうかは別の問題だ。大切なのは、AIの回答をそのまま正解とするのではなく、検証するための材料として扱うことだ。

そこから考えたこと
ここで必要なのは、特別なプロンプトの技術だけではない。問題を整理し、仮説を立て、結果を判断する。どれも、エンジニアとして以前から求められてきた基本的な力だ。
AIは、コードを書く力を補ってくれる。知らない技術を調べ、実装方法を提案してもくれる。ただ、何を解決すべきなのか。提案が適切なのか。最終的にどれを採用するのか。その判断まで、無条件にAIへ委ねるわけにはいかない。
AIが多くの選択肢を短時間で出せるようになった今、それらを見極める力は、むしろ以前より重要になっている。
AIの能力が高くなるほど、何を問い、どう判断するかが、成果の質を左右する。
3. AIは、もともとあった差を浮かび上がらせる
ここまで、組織と個人、二つの実体験を振り返ってきた。一見すると別々の話だが、並べてみると共通する構造がある。
第1章の障害は、AIが突然生み出した問題ではない。全体を見る役割が、実装者の気づきという暗黙のものに支えられていた。その危うさは、AI以前からあった。ただ、実装に時間がかかっていたあいだは、個人の経験や注意力によって補われていた。
第2章の調査の差も、AIが生み出したものではない。問題を整理し、仮説を立ててから調べるという習慣の違いは、AI以前から人によってあった。ただ、手作業で調べていた頃は、その違いが結果に表れるまでに時間がかかった。
AIによって、仕事の進む速度が変わった。そして、これまで見えにくかった違いが、結果として表れやすくなった。組織では、実装のスピードが上がることで、レビューや意思決定の弱さが表面化する。個人では、AIが短時間で多くの回答を返すことで、問いの立て方や判断力の違いが成果に表れやすくなる。

AIは、組織や個人の能力を一律に引き上げるわけではない。
むしろ、これまで見えにくかった強みや弱みを、鮮明に浮かび上がらせるのだ。
まとめ
コーディングエージェントと働いた1年間で、コードを書くという作業は大きく変わった。しかし、良い開発を支えるものの基本は、AI以前と大きく変わらない。
組織には、個人の気づきや注意力に頼りすぎない仕組みが必要だ。個人には、問題を整理し、仮説を立て、判断する力が求められる。
変わったのは、それらを発揮するための働き方だ。AIが実装を速くするなら、組織はレビューや意思決定の仕組みを変える必要がある。AIが多くの答えを提示するなら、個人はその答えを評価する力を磨く必要がある。
AIを導入すること自体が、組織や個人を強くするわけではない。AIが進化するほど、人間の思考力と組織の仕組みが重要になる。
そして、ここから新しい問いが生まれる。
AIがコードを書く時代に、エンジニアは何によって自分の価値を示していくのだろうか。
この問いについては、また別の記事で考えてみたい。