仕事が速く終わる道具があれば、気持ちに余裕ができるはずだ。ところが、プログラミングの質問サイト Stack Overflow が約3万人の開発者に行った調査を見ると、その余裕を手にできていないエンジニアが多そうだ。

AIコーディングツールは、いまや多くのエンジニアの日常になっている。多くの作業も速くなった。それでも、同じ人たちの多くが「疲れた」「不安だ」「取り残されている」と感じている。

これはソフトウェアの世界だけの話ではない。AIで仕事が速くなる職場なら、どこでも同じことが起こりうる。

調査から分かるのは、速さと負担が同時に現れているということだ。

一方が他方の原因だとまでは、調査だけでは言えない。以下の説明は、この状況をいちばん自然に読み解いたものだ。測定された結果ではなく、あくまで解釈として読んでほしい。

この記事のポイント

  • 使う人も、不安も増えている:開発者はAIコーディングツールを広く使う一方、疲れ、出力への不信、取り残される感覚も訴えている。
  • AIの出力を確かめる作業は、数えられにくい:ほぼ正しいコードはもっともらしく見え、小さな誤りを探すほうが自分で書くより時間がかかることもある。
  • いちばん深い問題はアイデンティティだ:AIの誤りを見抜く力は、AIに頼りすぎると少しずつ弱るかもしれない力でもある。

速い道具なのに、なぜ忙しくなるのか

道具が速くなっても、エンジニアの仕事は減っていない。 調査では、速さと負担を同時に訴える声が出ている。

「道具が速くなれば仕事は楽になる」と思いがちだ。ところが、浮いた時間はそのまま残りにくい。

1つ1つの作業が速くなると、求められる水準もそれに合わせて上がることがある。スプリント(短い開発期間)に入るチケットが増える。

締め切りが近づく。速いペースが当たり前になり、エンジニアは前と同じか、前より忙しいままだ。

通勤が10分短くなった場面を思い浮かべてみよう。たいていは、会議が10分早く始まるだけだ。浮いた10分を誰かが返してくれるわけではない。

たがいに支え合う3つの問題

調査で見えてきたことは、3つの問題にまとめられる。次の表は、エンジニアが語る内容と、問題が続く理由として考えられるものを並べたものだ。右の列は調査のデータではなく、解釈である。

問題エンジニアの声続く理由の見立て
疲れ確認が絶えない、ペースが速い浮いた時間が高い期待に変わる
不信出力をそのまま信じられない手放せないほど便利、信じきれないほど不安
アイデンティティの喪失生産性は上がるのに時代遅れの気分苦労して得た技術が、いつでも手に入るように見える

この3つは別々の問題ではない。たがいに強め合いやすい。

  1. 不信があるので、AIの出力はすべて確認が必要になる。
  2. 確認が仕事の量を増やし、疲れにつながる。
  3. 疲れると、仕事の満足感が下がる。
  4. 満足感が下がると、自分の役割は何なのかと考え始める。

AIを使う人は増え、仕事がどう変わっていくのかという不安も増えている。 これは別々の2つの結果で、調査には両方が同時に出ている。使う人が増えただけでは、エンジニアが仕事に安心を感じるようにはなっていない。

見えにくい仕事、確認作業

AIをたくさん使うことと、AIを信頼することは別だ。 調査では、開発者はツールを広く使いながら、あまり信頼していない。その間を埋める確認作業は、見過ごされやすい。

コードを確かめ、確かめる側も確かめる

小さな実地テストが、この問題を示している。AI向けのコードチェッカーを1つのHTMLファイルにかけたところ、94件の指摘が出た。本当に問題を指している指摘もあれば、ただのノイズもあった。

どれがどちらかを分けるには、人間の判断が必要だった。1つのファイルと1つのツールの例なので、割合までは分からない。それでも、確認には2つの層があることが見えてくる。

  • AIが書いたコード:モデルの書いたものが本当に動くかを、誰かが確かめなければならない。
  • AIによるレビュー:自動チェッカーの指摘が対応する価値のあるものかも、誰かが確かめなければならない。

どちらの層も、そのまま信じるわけにはいかない。

新しい仕事の中身

こうして、コードを書くことと世に出すことのあいだに、新しい作業が生まれる。次のようなものだ。

  • レビュー:生成されたコードを読み、ロジック、例外的なケース、セキュリティの穴を調べる。
  • 照合:提案を、既存のコード、決まりごと、変更の履歴と見比べる。
  • 仕分け:自動の指摘のうち、重要なものと無視してよいものを分ける。
  • 書き直し:ほぼ正しいコードを直すか、最初からやり直すかを決める。

「ほぼ正しい」コードが厄介な理由

明らかに壊れたコードは、すぐ失敗して捨てられる。厄介なのは、ほぼ正しいコードだ。動くし、読みやすいし、ざっと見ただけなら問題なさそうに見える。

誤りは小さく、見つけにくい。繰り返し処理が1回早く終わっているかもしれない。

値が空のときの処理が抜けているかもしれない。見つけるには、ゆっくり注意深く読むしかない。

レビューする人は、自分で考えていない筋道をたどり直さなければならない。 だから、確認は出力の量から想像するより重く感じられる。ゼロから自分で書く場合と比べてどうかは、出典では測られていない。

つくる人から、監査する人へ

エンジニアの仕事の一部は、つくることから、機械の出力を監査することへ移っている。この2つは、やっていても感じ方が違う。

次の表は、つくる人と監査する人を比べたものだ。

つくる人監査する人
出発点自分の考え他者の出力
気を緩められる時ロジックが見えたときほとんどない(次の行が誤りかもしれない)
主な労力何を書くか決める何を信じるか決める

こうした張りつめた注意は、1日続くと疲れる。調査が伝える燃え尽きとも合う。ただし、確認作業だけが原因だとは、出典からは言えない。

信頼の溝が埋まらない理由

ツールは、手放すと取り残されたと感じるほどには優れている。確認せずに受け入れられるほどには、信頼できない。そのためエンジニアは、ツールをいつも使い、いつも疑うことになる。

よく使われる生産性の指標は、この中間の状態をとらえられない。

  • 生成した行数:出力の量は数えるが、その出力が持ちこたえるかは分からない。
  • 完了したチケット数:終わった作業は数えるが、その裏のレビューは見えない。
  • サイクルタイム:速さは測るが、何を信じるか決める労力は入らない。

速さだけを測っていると、確認の負担は見えないままだ。その負担は消えるわけではない。1人ひとりのエンジニアにのしかかる。

「ほぼ正しい」コードがいちばん高くつく

ほぼ正しいコードは、いちばんコストが高い。 明らかに壊れたコードは、すぐ失敗して捨てられる。

ほぼ正しいコードは違う。コンパイルは通り、読みやすく、ざっと見れば問題なさそうだ。誤りは小さく、隠れている。

  • 境界で1つずれる、いわゆる off-by-one エラー
  • 空の値の扱いが間違っている
  • 負荷がかかったときだけ現れる競合状態(レース・コンディション)

見つけるには、ゆっくり注意深く読む必要がある。自分で書くより時間がかかることもある。レビューする人は、そもそも自分で考えていない筋道をたどり直さなければならないからだ。

つくる人から、監査する人へ

エンジニアが1日中やっていることが変わる。以前はつくっていた。いまは、機械がつくったものを監査する時間が増えている。

次の表は、原稿が描く2つの役割を比べたものだ。

つくる人監査する人
主な作業ロジックを書く機械の出力を確かめる
気を緩められる時ロジックが見えたときほとんどない
毎日のコスト労力絶え間ない警戒

監査する人は、完全には気を緩められない。問題なさそうに見える次の行が、誤りかもしれないからだ。1日じゅう警戒を続けると、人は消耗していく。

使うことと疑うことのあいだで

同じ構図が、信頼の溝も説明している。手放すと取り残されたと感じるほど、ツールは優れている。確認せずに受け入れられるほどには、信頼できない。

そのためエンジニアは、落ち着かない中間にいる。ツールをいつも使い、いつも疑っている。

指標が見落としているもの

たいていの生産性の指標は、この作業をまったく拾えない。よく使われるのは、出力がどれだけ速く出てくるかを追うものだ。

  • 生成したコードの行数
  • 完了したチケット数
  • サイクルタイム

出力を信じてよいかを判断する頭の労力は、どれにも入らない。速さだけを測る組織は、確認の負担を見積もり続けて、低く見てしまう。

その負担は消えない。1人ひとりのエンジニアが背負う。しかも、勤務時間外であることも多い。

燃え尽きと、意欲の目減り

確認による疲れは、燃え尽きの一部しか説明しない。 残りは、エンジニアの仕事を満足できるものにしていた部分が失われることにある。

エンジニアがやりがいを感じるもの

多くのエンジニアは、ものづくりの腕に惹かれている。難しい問題を解くのが好きで、きれいなコードを書くのが好きだ。自分の考えが正しかったおかげでシステムが動くのを見るのも好きだ。

自分がつくったと実感できるこうした瞬間が、退屈な作業を引き受ける理由になることも多い。

AIが最初の下書きを書くと、その瞬間は小さくなる。残るのは、主に次のような作業だ。

  • レビュー:他の誰かが出したコードを読む
  • 修正:下書きの間違いを直す
  • 統合:部品を既存のシステムにはめ込む

どれも必要な仕事だ。ただ、この道を選んだ理由になることはまれだ。

エンジニアは、自分の作品の書き手ではなく、他人の仕事の編集者になったように感じ始めるかもしれない。

外からの圧力が問題を強める場合

上からの期待が、状況を悪くすることもある。管理職がAI並みの速さを求めれば、レビューの時間を残さないまま目標を引き上げるかもしれない。エンジニアは多くを納めるのに、1つ1つから得られる満足は減っていく。

この循環が起きると、次のように回る。

  1. AIがコード生成を速くする。
  2. 経営層は、全体の成果も同じだけ増えたと考える。
  3. 目標は上がるが、レビューや確認の時間は確保されない。
  4. エンジニアは、長時間労働や急ぎのレビューでその穴を埋める。
  5. 急ぎのレビューは細かな誤りを見逃し、やり直しを生む。
  6. やり直しが疲れを増やし、循環がまた始まる。

弱い点は、2つ目の段階だ。コードを速く書くことと、動くソフトウェアを速く届けることは同じではない。確認には、やはり時間がかかる。

2種類の疲れ

ここには、性質の違う2種類の疲れが混ざっている。出どころが違うので、必要な対応も違う。

種類出どころふつうの対応
仕事量による疲れ仕事が多すぎ、速すぎる現実的な目標、休息、人員
意味の喪失ものづくりと、自分が書いたという実感が減る正面から扱われることはまれ

1つ目は、処理できる量の問題だ。よりよい計画や休息は、まさにこれに向けた手立てになる。

2つ目は、意欲の問題だ。休みを1日増やしても、自分で問題を解いたときの満足は戻ってこない。十分に休めていても、仕事が自分のものだと感じられないエンジニアはいる。

これに向き合うには、仕事の量だけでなく、仕事の設計や分け方を見ていく必要がある。

アイデンティティの危機、専門性が時代遅れに思えるとき

調査でもっとも目を引くのは、一見矛盾した結果だ。 道具のおかげで生産性が上がっているのに、エンジニアは自分が時代遅れだと感じている。理由は、職業としての自分が何に支えられているかにある。

アイデンティティを支えているもの

多くのエンジニアにとって、自分らしさは、何年もかけて身につけた技術に支えられている。

  • デバッグの勘:バグがどのあたりに潜んでいそうかを感じ取る力
  • コードベースへの習熟:システムがどうつながっているか、なぜそうなっているかを知っていること
  • プレッシャーの中での正確さ:重大な場面でも持ちこたえるコードを書くこと

AIが頼めばこうした技術をおおよそまねできるようになると、その価値は下がったように思える。

市場での価値にも、本人にとっての意味にも言えることだ。何年もの努力が、プロンプトひとつで誰でも呼び出せるものに見え始める。

他の専門職にも共通する不安

この不安を抱えているのは、ソフトウェアだけではない。建設の分野でも、生成AIに頼ると現場の技術力や判断力が衰えかねないという警告が出ている。

考え方は単純だ。使わない技術は弱っていきやすい。熟練の人が考えることをAIに任せると、その下にある専門性が薄れるかもしれない。

ソフトウェアエンジニアの場合、リスクはさらに鋭いかもしれない。自動化されようとしているのは、コードを書くという仕事の中心そのものだからだ。

若手がとくに受けやすい理由

経験の浅いエンジニアは、この問題をもっとも急な形で受ける。ベテランは、不完全なコードをたくさん書き、デバッグし、壊れたところから学んで判断力を磨いてきた。

そのキャリア初期の仕事をAIが担うなら、若手は基礎を学ぶ段階を飛ばしてしまうかもしれない。動く成果物はつくれても、なぜ動くのか、どう失敗しうるのかは分からないままになる。

AIが置き換えるものに頼る技術

ここから、気の重い問題が浮かぶ。エンジニアに残るいちばん価値のある技術は、AIの誤りを見抜くことかもしれない。ところがその力は、AIが飛ばしやすくしてしまう経験に頼っている。

2つの例が、このつながりを示している。

  • 並行処理のバグ:細かいものを見つけるには、並行処理のコードを実際に書き、デバッグした経験が必要になることが多い。
  • アーキテクチャの助言:提案が合っているかの判断には、まずい設計と付き合った経験が必要になることが多い。

まとめると、次のような循環になる。

  1. AIの出力をうまく確認するには、深い専門性が必要だ。
  2. 深い専門性は、いまAIがやっている仕事をこなすことで育つ。
  3. AIを多く使うと、エンジニアはその仕事をする機会が減る。
  4. 専門性が少しずつ弱り、確認の信頼性が下がる。
  5. 確認の信頼性が下がると、AIの誤りがすり抜け、さらに注意が必要になる。

誰も手を打たなければ、この循環は、自分がもっとも頼っている技術そのものをすり減らす。 衰えが避けられないという意味ではない。

これまで専門性は、仕事をこなす副産物として育った。これからは、保つために意識した努力が要るかもしれない、ということだ。

AIと働くエンジニアリングで、信頼と意味を取り戻す

安心させる言葉だけでは、助けにはなりにくそうだ。調査に出ている負担は、仕事の測り方や組み立て方と結びついているように見える。だから、そこから始めるのがいちばん理にかなっている。

調査が示すのは、エンジニアが何を訴えているかだ。どの対策が効くかまでは検証していない。以下の方向は、その声から導ける妥当な次の一歩であり、実証された解決策ではない。

調査結果から見えてくる5つの方向

どれも、エンジニアが語った具体的な圧力に向けたものだ。

  1. 確認の時間を、計画と指標に入れる。 レビュー、照合、仕分けは本物の仕事で、時間を計画に組み込む必要がある。AIが生成したコードを、届いた時点で完成とみなすスプリント計画は、チームが納められる量を多く見積もってしまう。

  2. AIがコードを速く書くからといって、目標を上げるのは待つ。 生成が速くなっても、納品が自動的に速くなるわけではない。期待を上げる前に、やり直しを含めた最初から最後までの処理量を見るほうが適切だ。

  3. 練習の時間を守る。とくに経験の浅いエンジニアのために。 AIの助けなしで書き、デバッグし、設計する時間を定期的に取れば、よい確認を支える専門性が保たれる。筋道が大切な問題で若手とベテランが組むのも、その方法の1つだ。

  4. 判断力を中核の技術として扱う。 コード生成が安くなるほど、システム設計、批判的なレビュー、脅威モデリング、トレードオフの見極めが大切になる。意識して育てる価値がある。

  5. 信頼を、信頼性に見合ったものにする。 目指すのは、各ツールが各作業でどれだけ頼れるかに合った信頼だ。ツールが失敗しやすい場面と持ちこたえる場面をチームで記録し、それに合わせてレビューの深さを決められる。

AIを使う作業の手早い点検

3つの問いで、チームの仕組みが燃え尽きに向かっているか、釣り合いに向かっているかが見えてくる。次の表は、危ない兆しと健全な兆しを比べたものだ。

問い危ない兆し健全な兆し
確認の時間は見えているか出力の速さだけを測っているレビューの労力を計画し、記録している
専門性は保たれているか若手がAIなしで働く機会がほぼない練習の時間が守られている
信頼は調整されているか出力を無条件に受け入れる、または反射的に退けるレビューの深さがツールの実績に合っている

AIがエンジニアを助けるか、すり減らすかは、周りでチームが人間の専門性をどう測り、報い、評価するかに大きく左右される。 同じアシスタントでも、置かれた仕組みによって、ある人を支え、別の人を疲れさせる。

ちょっと立ち止まって

最後に受け入れたAI生成のコードを思い出してみよう。それが正しいと、どのくらい確信できていただろうか。その確信は、どこから来ていたのだろうか。

自分の経験から来ていたなら、その経験をどう新しく保っているだろうか。ツールの実績から来ていたなら、その実績を実際に確かめただろうか。

この調査のエンジニアたちは、AIを拒んでいるわけではない。AIが仕事や気力、自分は何者かという感覚に及ぼすものと向き合っている。

あなた自身のこれらの問いへの答えは、仕事がどう変わりつつあることを映しているだろうか。

4つの要素を矢印でつないだ図。①不信(AIの出力をすべて確認しなければならない)から②確認作業(仕事量と疲労が増える)へ、②から③疲労(仕事の満足感が下がる)へ、③から④役割への疑問(自分の役割は何のためにあるのかを問い直す)へと順に矢印が続く。中央には「疲労・不信・アイデンティティ喪失は互いを強める」と書かれ、下に、これは調査の測定結果ではなく筆者による解釈であるという注記が添えられている。

図1:疲労・不信・アイデンティティ喪失が互いを強める流れ(出典:記事本文)

この節の要点を示すコールアウト。要点は「ほぼ正しいコードが、いちばん高くつく」である。補足は2行ある。1行目は、ほぼ正しいコードはコンパイルが通り、読みやすく、ざっと見ても問題がないため、小さな誤りが隠れて気づかれにくいということ。2行目は、その誤りを見つけるには時間をかけて丁寧に読む必要があり、自分で書くより長くかかることがあるということ。

図2:「ほぼ正しい」出力の確認にかかる見えない手間

この節の要点を示す図。中心の一文は「いちばん深い問題はアイデンティティにある」。補足が3つある。1つ目は、AIの誤りを見抜くのに要るスキルが、AIに頼りすぎると少しずつ衰えるかもしれないスキルと同じだという点。2つ目は、何年もかけて身につけたスキルがすぐ手に入るものに見えてしまう点。3つ目は、より多くを生み出していても自分が時代遅れに感じる点。

図3:AIの誤りを見抜くスキルが、AIへの依存で衰えるという矛盾