コーディングエージェントとコードレビュー

いまの見方

コーディングエージェント(コードベースを自分で読み、ファイルを書き換え、テストを走らせる AI)は、人が読み切れない速さでコードを書くようになった。各社はこれに対し、まず機械にレビューさせ、人の時間はリスクの高い変更のために残している。Anthropic の Claude Code チームは 10 月 15 日、自社のやり方を公開した。自動レビューで通せるのは低リスクの変更で、それ以外は二人目の人間の承認が要る。エージェントによる承認は、人の承認には数えない(Claude ブログ)。10 月 9 日に投稿されたプレプリント(TestSuiteBench)は、別の面を測っている。エージェントが仕様どおりに書いたコードは、参照テストの 82% を通過する。ところがエージェント自身が書いたテストは、重要な入力の組み合わせを見落としがちだ。著者らは「エージェントは自分では検証できないソフトウェアを作れる」と結論づけた(arXiv 2610.13065)。本紙は 8 月 19 日の深掘りで、レビュー側の待ち時間を測った。AI が書いたコードは、人が目を通すまでの待ち時間が 5 倍に延びた。ただし実際にレビューされる段階では、むしろ速く済んでいた(8 月 19 日の深掘り)。モデルを包み、ファイルの読み方やツールの呼び出し方を決める外側のプログラム(ハーネス)も、スコアを変える。本紙が 10 月 13 日の夕刊で伝えた委託テストでは、同じモデルの課題解決率が OpenAI の Codex 上で 61%、Claude Code 上で 41% だった。ただしこれは委託した側が自ら公表した単一のテストで、組み合わせごとに 2 回しか走らせていない(本紙 10 月 13 日夕刊)。隣接分野の長文書レビューについては、本紙 10 月 8 日の深掘りが調べている。同じモデル群でもハーネスを替えると、合格率は平均 39 ポイント上がった(10 月 8 日の深掘り)。本紙の現時点の見立てはこうだ。コーディングエージェントを比べるなら、モデルとハーネスを一組として比べるべきで、モデルの点数だけを見ると判断を誤りやすい。ただしこの見立てを支えるのは、委託テスト 1 件と隣接分野の評価だけだ。独立に再実行した対照実験はまだなく、ひとまず仮説として扱う。

次の注目点:レビューを機械に任せたあと、各チームが公表するロールバック率や障害率が上がるかどうか。

利益相反の開示:本紙の分析は Anthropic のモデルの助けを借りて作成しており、Claude Code は Anthropic の製品である。

本紙のこれまでの記事

• 2026年10月20日|夕刊Greptile はエンジニアリングチームの pull request を自動でレビューし、テストを走らせる。
• 2026年10月17日|夕刊Anthropic の Claude Code チームがレビューの進め方を公開 低リスクの変更は機械が通し、残りは人の承認が必須
• 2026年10月15日|夕刊AWS のエージェント型 AI 担当副社長 Swami Sivasubramanian 氏はこう書いた：「even after a command is approved, the operating system still limits what it can read and write」（Swami Sivasubramanian、2026-10-14）。
• 2026年10月14日|夕刊Anthropic、一日のマージ件数が四か月で十倍超の 30,000 回以上になったと公表——自前のバージョン管理とレビュー基盤が Git を置き換えた
• 2026年10月11日|夕刊エージェントとは、自分で手を動かす AI のことで、答えるだけでなく、ウェブを開き、ファイルを書き換え、フォームを送信する。
• 2026年10月8日|深掘り長文書 AI の点数は読んだ量についてくる——同じモデル群でも外側のプログラムを替えると、審査の合格率が平均 39 ポイント上がる
• 2026年10月7日|深掘りAI コーディング定額プランの補助は、損失の勘定ではなく主に計算資源の勘定だ——利用枠はおおむね計算資源に合わせて締めたり緩めたりされる
• 2026年10月3日|夕刊SWE-bench の著者らが新ベンチマーク SWE-sweep を公開した。どこが壊れているかをモデルに教えず、リポジトリの中で自分でバグを見つけて直させる。頂点のモデルでも 5% 未満と著者は自己申告し、同業者はこの採点法が「別の」本物のバグを見つけたモデルを過小評価すると指摘する
• 2026年10月2日|夕刊オープンソースプロジェクト OpenHands の自己申告によると、同プロジェクトは、issue が立てば AI の書いたプルリクエストが必ず届くという前提で手順を組み直し、守りを自動の振り分けと自動レビューに置いた。Vercel の CEO は前日、未来は「検証エンジニアリング」だと述べた
• 2026年9月13日|深掘り新世代の Claude は他社のツール層で「誰も定義していない欄」を書き足す——本紙は出所と直し方を突き止め、調達で測るべき数字はモデル単体の点数ではなくなったと判断した
• 2026年8月27日|夕刊著名なオープンソース作者が coding agent の専用設定ファイルを全部消していた。臨時に使い戻すときは、一言で済んだ
• 2026年8月19日|深掘り後回しにされるのは人の注意——AI が書いたコードはレビュー開始まで約 5 倍待たされ、始まれば人間のコードより早く終わる
• 2026年8月2日|夕刊壊れた指標の一覧は具体的である:コミット数、行数、token の利用量、マージ要求の数。そして測れたところで、その利得はあなたの損益計算書に残らない
• 2026年7月16日|深掘りモデルとハーネスは切り離せるか——地形が見えはじめた論争