AIコーディングの精度を上げる「任せ方」と「確かめ方」

ChatGPT、Claude Code、Codeなどのコード生成AIを実務で使い込むと、見えてくるひずみがある。表面上は正しく動くコードなのに、既存の設計方針と異なる、仕様に書かれていない部分を勝手に推測している、エラー処理が甘い、正常系だけの実装。NIST（米国国立標準技術研究所）はこれを「Confabulation」と呼ぶ。AIは誤った内容を正確であるかのように生成するリスクを持つ。SWE-Benchという複数ファイル・長時間のソフトウェア開発課題の評価では、コーディングモデルのPass@1は25％未満。つまり、十分なコンテキストを与えても、AIが複雑な開発を常に正しく完遂できるわけではない。

問題は、それらしく見えることと、実務で安全に使えることが別だという点を看過していることだ。業務コードは機能が動くだけでは足りない。既存機能への影響、保守性、セキュリティ、例外処理、テスト、チーム内の設計ルール。AIが生成したコードにも同じ品質基準が求められる。だからこそ重要なのが「何を書かせるか」だけではなく、「どのように作業させ、どこで確認し、何で検証するか」までのプロセス設計である。

実践的には、実装の前に調査と計画を分ける。既存のコード、仕様書、設計ルール。そこからAIに「現在の処理フロー、変更が必要なファイル、採用する実装方針、既存機能への影響範囲」を抽出させ、人間が確認する。Claude CodeにはPlan Modeがある。このステップで、AIの認識が仕様や既存実装とずれていないかを、実装後ではなく計画段階で発見できる。

その上で、調査、計画、実装、検証の4工程を段階的に回す。AIは優秀な新人であり、丸投げは失敗する。指示の精度と、各段階での人間による確認が、生成コードの品質を決める。