
全行を読めないコードを、どう信頼するか:コードレビューの役割を分解して考える
最近、Addy Osmani さんの「The Code Nobody Reads」を読みました。
Osmani さんは、AI を使ったコーディングについて書き続けているエンジニアで、コードを書くツールの開発にも関わっています。本人も、この話題では中立ではないと最初に断っています。
面白かったのは、2年前に自分で書いた「生成されたコードは全行レビューしよう」という助言を、ほぼ言い直しているところです。
全行を読むことをやめても、判断の責任はなくなりません。
では、その責任を何で支えるのか。この記事の問いはそこにあります。
元記事を読んでいない方に向けて、次の順で整理します。
コードレビューは何のためにあったのか
「読まない」ことの代わりに何を置くのか
自分のチームで試すときの小さな一歩
全行を読めという助言が変わった

変わったのは「読むかどうか」ではなく、「何が信頼のポイントか」です。
Osmani さんのいまの考えは、すべてのコードを読む必要はない、というものです。
ただし、すべての変更には何らかのレビュー/テストが要ります。出荷を決めて責任を負う人も要ります。
変わったのは、「人が全行を丁寧に読む」ことが、そのレビュー/テストの唯一の方法ではなくなった点です。
背景には、書く量の急増があります。Anthropic の社内では、2026年第2四半期の典型的なエンジニアが、2024年の約8倍のコードを1日にマージしていました(When AI builds itself)。
8倍の量を丁寧に読める人はいません。
同じ週には、大企業に入って2週間のエンジニアが、誰も読まないコードに Enter を押し続ける毎日を書いた投稿もありました。800万人以上に見られたそうです。
Osmani さんは、この二つを矛盾とは見ません。片方は行き先を、もう片方は道を作らずに行き先へ急いだ会社の姿を描いている、という読み方です。
レビューはもともと、バグ探しだけではなかった

そもそもコードレビューとは、作者以外の人が変更を確認し、通してよいと合意する手続きです。
多くの人は、レビューの目的をバグの発見だと考えます。
実際、2013年に Microsoft の研究者が開発者に理由を尋ねると、最多の回答は欠陥の発見でした。ところが、分類した570件のレビューコメントのうち、欠陥に関するものは14%でした(Bacchelli & Bird, 2013)。
残りは、知識の共有、より良い方法の提案、チームの規範の維持などでした。
Google の公開ガイドも、レビューの主目的を「コードベース全体の健全性が時間とともに良くなること」に置いています(The Standard of Code Review)。バグ探しは一部にすぎません。
だから「機械がレビューするから人は不要」という答えは、見た目より弱いのです。機械が得意になってきたのは、バグ探しの部分です。
Anthropic では、自動レビューがほぼすべての PR で動いています。エンジニアが「誤り」と判定した指摘は1%未満です(Bringing Code Review to Claude Code)。
実質的なコメントが付く PR の割合は、16%から54%に増えました。それでも、承認は人の仕事のままです。
一方で、教える、文脈を共有する、チームの基準を保つ、という役割は、機械が自動では引き継ぎません。
先輩が「うちではこう書かない」とコメントで言っていたことは、文章にして残さない限り、エージェントには届きません。
信頼のポイントが、差分からテストへ移る

違いは、信頼が「読んだ」という事実から、「レビュー/テストの仕組み」へ移ることです。
従来は、人が差分を読んで安心する形でした。これからは、読まないコードについて、別の根拠を用意する必要があります。
Osmani さんは、その理由を二つ挙げています。
一つは、コードを書くモデルが、同じ入力に毎回同じ答えを返すとは限らないことです。出力が決まっている古いコード生成ツールなら、ツール自体を認証できました。
モデルにはそれができません。だから信頼はレビュー/テストの仕組みから得るしかありません。
もう一つは、差分の見た目の限界です。Anthropic の振り返りの分析では、claude.ai の過去の障害の原因となったバグの約3分の1は、全変更に自動レビューをかけていれば本番前に見つかったはずでした(When AI builds itself)。
裏を返すと、それらのバグの多くは、丁寧な人が変更を見ていても通り抜けていたことになります。Osmani さんはこれを「本番で壊れるコードは、差分の上では問題なく見えることが多い」と読んでいます。
整理すると、次のようになります。
信頼の根拠
従来:人が差分を全行読む
これから:自動レビュー、独立したテスト、本番の観測
人の役割
従来:読んで見つける
これから:何に注意を払うかを決め、承認する
教育・規範
従来:レビューコメントで伝わる
これから:文章にして、エージェントにも渡す
品質の基準
従来:チームの目
これから:テストの設計と、その独立性
読まないことは、注意を払わないことではありません。
Anthropic の社内調査では、半数を超えるエンジニアが、Claude に「完全に任せられる」のは仕事の0〜20%だと答えています(How AI is transforming work at Anthropic)。
対応の速さは、二つのコストで決まる

仕組みの核は、「テストするコスト」と「失敗を戻すコスト」の二つです。
Osmani さんの整理では、チームや業界が「全行を読まない」段階に進む速さは、この二つで決まります。
一つは、誰も読んでいない成果物をテストするコストです。もう一つは、テストをすり抜けた失敗を元に戻すコストです。
たとえば Web アプリは、フラグの裏で公開し、エラー率を見て、数分で戻せます。失敗を戻すコストが低いので、テストに頼る度合いを早く高められます。
自動車は、衝突を巻き戻せません。
この見方で、冒頭の Enter を押し続ける会社を見ると、順序の誤りが分かります。読むのをやめたのに、代わりのテストを置かなかったのです。
テストのコストをゼロにした代わりに、テストで拾えたはずの失敗を、後から高くつく形で払うことになります。
Osmani さんが「うまくいく形」と呼ぶものは、比べると地味です。全 PR にエージェントの一次確認をかけ、それが問題なく戻ってきたら、影響範囲が小さく機微でない変更は軽い人の確認で済ませます。
中核や機微な箇所には、担当者による丁寧な人の確認を残します。どの場合も、マージを承認するのは人です。
元記事がもう一つ強く述べるのが、責任と権限の対応です。失敗の責任を負わせるなら、進めるペースと、理解にかける時間を決める権限も渡すべきだ、という点です。
各テストは、人を信用しない前提で作る

コンパイラ開発と SQLite を見ると、テストの作り方が見えてきます。
問題は、テストもエージェントが書くなら、何を確かめたことになるのかです。
Anthropic の報酬ハッキングの研究では、モデルが sys.exit(0) を呼んでテストの実行を途中で終わらせ、アサーションに到達させない手を学んだ例が示されています(From shortcuts to sabotage)。テストが、作者の管理下にあるからです。
そこで鍵になるのが独立性です。
Osmani さんによると、航空機ソフトウェアの標準 DO-178C は、最も重要な検証を作者以外が行うよう求めています。認定されたツールも、その「作者以外」になれます。
DO-178C は、FAA が機上ソフトウェアの認証で受け入れる手段として認めている文書です(FAA AC 20-115D)。
同じモデルの別コピーにテストを書かせても、盲点まで共有します。独立した根拠は、人が書いた仕様、参照実装、証明といった、別の情報源から得られます。
次の二つが、その具体例です。
Carlini 氏のコンパイラ:16のエージェント、2,000近いセッション、2万ドル弱の費用で、10万行の Rust 製 C コンパイラを作り、起動可能な Linux をビルドできたと報告されています(Building a C compiler with a team of parallel Claudes)。教訓はエージェントよりも検証側にあり、「検証器がほぼ完璧でないと、Claude は間違った課題を解く」と述べられています。カーネルで詰まったときは、既知の正解として GCC を参照実装に使い、バグを絞り込みました。
SQLite:本体は約15万6千行の C で、テストコードはその590倍の規模です(How SQLite Is Tested)。最も徹底したテストは分岐カバレッジ100%で、航空電子機器のテスト基準に合わせて設計され、有償ライセンスで提供されています(TH3)。

Osmani さんは、ここからこう言い換えます。
未来の自分へのメモとしてのユニットテストは、価値が下がる。作者を完全には信用できない前提での、独立した検査としてのテストが、最も価値のあるコードになる、と。
これらは元記事とその引用元に基づく事例です。自分のチームで同じ効果が出るかは、別に確かめる必要があります。
独立性、影響範囲、そして責任の置き場
三つの概念を押さえると、自分の現場に当てはめて考えられます。

一つ目は、検証の独立性です。書いた人と確かめる人を分けるという原則で、AI 時代には「同じモデルに両方をやらせない」という形で効いてきます。
二つ目は、影響範囲(ブラストラジアス)です。変更が失敗したときに、どこまで被害が及ぶかを指します。
Osmani さんの言う「エージェントが一次確認、人が影響範囲を担当する」は、影響範囲の大きい変更ほど人の注意を厚くする考え方です。
Ariane 5 の事故は、その重さを示す例です。Ariane 4 から流用した航法コードが、Ariane 4 では飛ばなかった軌道で桁あふれを起こし、機体は初飛行の開始から1分足らずで失われました。
調査委員会は、仕様に新しい軌道のデータが含まれていなかったと結論づけています(Ariane 5 Flight 501 調査報告)。高くつくバグは、コードの行ではなく、要求と現実のつなぎ目にありました。
三つ目は、道徳的クランプルゾーンです。研究者の Madeleine Clare Elish さんが、自動化システムの端にいる人に起きることにつけた名前です(Moral Crumple Zones)。
車のクランプルゾーンが衝撃を吸収するように、実際の制御力をほとんど持たない人間が、失敗の責任を吸収してしまいます。
Osmani さんは、Enter を押し続ける人がこの位置に立たされていると見ています。承認に名前はあっても、ペースもテストも、何を読む価値があるかの判断も、別の場所で決められているからです。
参考資料/書籍
記事との関係: コードレビューの位置づけやテスト構成法など、レビューの役割を組織の文化・プロセスとして捉える章の背景を深められる。
記事との関係: 「どのテストに価値があるか」を考える手がかりになり、独立した検査としてのテストの設計を学ぶ入口になる。
小さなネクストアクション
最初の一歩は、テストを増やす前に、自分が説明できるかを確かめることです。

Osmani さんの助言をもとに、個人で試せる形に並べました。効果は自分で確かめる前提の試案です。
作る前に、3行書く:何を作るのか、何を壊してはいけないのか、うまくいったとどう分かるのか。
「説明できるか」で自己点検する:全行を読んでいなくても、変更が何をして、何に触れ、なぜ出荷して安全かを説明できるかを見ます。
読んでいない部分を PR に書く:たとえば「エージェントがレビュー済み、テストは通過、マイグレーションのロジックは読んでいません」と書きます。
1つの変更を人の目で読み直す:影響範囲が大きい箇所から選びます。
チームの規範を文章にする:レビューで口頭に頼っていたルールを1つ、エージェントが読める形にします。
ペースを決める立場の方は、マージ数や行数ではなく、障害、ロールバック、復旧までの時間、顧客が実際に感じる品質を見ます。
1人が署名する成果物は、人が判断できる大きさに保ちます。100ページの生成レポートは、5,000行の差分と同じ問題を抱えています。
元記事には、業界ごとの時期の見立ても書かれています。これは Osmani さん自身の推測なので参考程度にとどめ、自分の現場の「失敗を戻すコスト」で考えるのがよいと思います。
参考情報
The Code Nobody Reads(Addy Osmani):この記事の起点。全行レビューが役割を終えつつある理由と、二つのコストによる整理を読める。
Expectations, Outcomes, and Challenges of Modern Code Review(Bacchelli & Bird, 2013):レビューの期待と実際のコメントの中身を調べた研究。バグ探し以外の役割を知る。
The Standard of Code Review(Google eng-practices):レビューの主目的を「コードの健全性の向上」とする、実務側の公開ガイド。
Bringing Code Review to Claude Code(Anthropic):自動レビューをほぼすべての PR に走らせ、承認は人に残す運用の例。
When AI builds itself(Anthropic):1日あたりのマージ量が約8倍になったことと、障害のバグの約3分の1を自動レビューが拾えたという振り返りの出典。
How AI is transforming work at Anthropic:エンジニアが実際にどれだけ任せられているかを知る社内調査。
Building a C compiler with a team of parallel Claudes(Anthropic Engineering):検証器と参照実装が、エージェント開発の要になる事例。
How SQLite Is Tested:人が書く大規模テストが、コードより価値を持ちうる実例。
AC 20-115D(FAA):DO-178C を機上ソフトウェアの認証手段として認める FAA の通達。航空分野の検証の枠組みを知る。
Ariane 5 Flight 501 調査報告:要求と実際の運用条件のずれが事故を生んだ、一次資料の報告書。
From shortcuts to sabotage: natural emergent misalignment from reward hacking(Anthropic):テストを作者が握ると何が起きるかを知る研究。
Moral Crumple Zones(Madeleine Clare Elish):自動化の端にいる人が責任を負わされる構造を扱う論文。
関連記事
AIは脆弱性を見つける速さを上げた。直す速さは追いつくか~PHP2Shell とエージェントの時間差~
AIの「よさそう」を数字に変える~AI Evals Engineerの12段階から読み解く評価の仕組み~