バーナード・マーフィー氏、フリーランス著者兼アドバイザー。
あなたはテクノロジー企業のCEOやビジネスグループのゼネラルマネージャーだろうか？あるいはソフトウェア管理の現場責任者だろうか？AIがソフトウェア開発者の必要性を排除するという記事を多く目にしているはずだ。AIの導入が遅れていることを懸念しているかもしれない。あるいは、AIの主張が実証された成功事例を大きく上回っていることを心配しているかもしれない。トレンドに乗りたいが、慎重に進めたいと考えているだろう。この記事はそんなあなたのためのものかもしれない。
私はエレクトロニクス業界（チップとコンピュータ）の出身で、AIを実行するために必要なハードウェアと、そのハードウェアを構築するために必要なソフトウェアを開発している。競争力を維持するために自社の開発において生成AIを取り入れる必要があるが、我々が構築するハードウェアは、現在のLLMモデルの最高の主張をはるかに超える品質、信頼性、セキュリティの保証を満たさなければならない。我々は、生成AIの本番環境での使用方法を制限することで、これらの一見相容れない要件を両立させる方法を見出している。
私は、生成AIを採用するための我々のアプローチが、あなたのアプリケーションにも同様に関連性があると考えている。精度、安全性、セキュリティを管理するための我々の戦略は、自動車、航空宇宙、医療、金融など、同様の保証に依存するすべての分野で同様に適切である。この記事は、生成AIに関しては悪魔は細部に宿ると考えているため、通常よりも少し技術的な内容になっている。
開発者の間での不協和音
今年、Stack Overflowは年次調査で、AIの採用状況とAIツールへの満足度について購読者に質問した。他の調査と同様に、80%を超える高い採用率を確認した。また、AIツールを積極的に不信感を抱いているソフトウェア開発者の数が、信頼している開発者の数を上回っており、開発者の66%がAIジェネレーターが「ほぼ正しい」コードを構築することに不満を感じていると報告している。
これは雇用の安全性を懸念する開発者からの反発を反映しているかもしれないが、2023年の研究によれば、彼らの懸念には根拠があるかもしれない。この研究では、人気の生成AIプラットフォームと学部生プログラマーのチームによって構築されたコードを比較し、一連のプログラミングタスクでのパフォーマンスを測定した。生成AIツールはいくつかの問題に対して正しい解決策を生成したが、より複雑なタスクではより詳細な支援がなければ不十分であったり、完全に失敗したりすることがわかった。
しかし、生成AIソフトウェアのバグは、学生の提出物のバグよりも限定的で修正が容易であった。これはStack Overflowの「生成されたコードがほぼ正しい」という調査結果と一致している。
結論は？生成AIはソフトウェアを書くことができ、比較的単純なケースではかなり優れたソフトウェアを書くこともできるが、本番環境で使用できる結果を仕上げるためには、シニアプログラマーのバックアップが必要だということだ。
代替ではなく支援
ハンズフリーのコード作成よりも難易度の低い目標は、コードの作成や修正において人間の開発者をサポートするインテリジェントなアシスタントだ。2025年のこの研究では、一部の人気コーディングプラットフォームに見られるように、コーディング中の開発者を支援するLLMエージェントの有効性を調査した。
この研究では、コード開発中に異なる支援方法がプログラミング学生にとってどれだけ効果的または妨げになるかを調査した。支援はプログラミングパートナーのように機能する場合に役立つが、人間のプログラマーの精神状態に応じてタイミングよく提案が行われない場合は妨げになる可能性があることがわかった。これは、生成AI技術と同じくらい人間要因分析に依存する微妙なバランスだ。
結論は？生成AIアシスタントは役立つかもしれないが、どの程度役立つかは個人の好みの問題かもしれない。純粋な利益はまだ不明確だ。
既存のソフトウェア投資を代替せず強化する
ソフトウェア開発の自動化は生成AIの一つの応用だが、例えばチャットインターフェースを追加するなど、既存の実証済みソフトウェアの拡張としても使用できる。
我々の業界では、コアエンジニアリングソフトウェアは、幅広いエレクトロニクス設計とエンドユーザーアプリケーションに対応する複雑なシステムを設計、検証、実装、最適化するためのソフトウェアにおける数十年の蓄積された知恵に基づいている。これらのコア技術は、競争圧力に応じて定期的に一から再設計されており、生成AIはその書き直しで活用される複数の可能なイノベーションの一つに過ぎない。
生成AIに基づくシステム設計技術の強化は、ケイデンス、シノプシス、シーメンスからの複数の製品発表や、エヌビディア、グーグル、マイクロソフト、メタからの論文や更新ですでに明らかになっている。それぞれが既存の設計技術を拡張し、開発者が長年にわたってそれらの基盤となるエンジニアリング投資に確立した信頼を活用している。
生成AIの精度の問題を管理する方法はアプリケーションによって異なる。高い精度が不可欠な場合、生成AIは既存の方法を置き換えるのではなく、補完するように慎重に統合される。このアプローチは、例えば、従来開発されたベースラインを超えて品質テストをさらに強化するために使用される。
場合によっては、完璧な精度が不可欠ではない。大規模コンピュータシステムの電力、性能、コストを改善するためのシステム設計の最適化はその一例だ。ここでは、生成AIは手動で誘導される分析では実現不可能な、はるかに広範な設計と環境パラメータを探索できるが、それでも探索を導くために実証済みの技術に依存している。
人間とマシンのインターフェースの改善は、設計システムにおける次の大きな生成AIの進歩の一つとして広く見られている。コアツールは非常に有能だが、非常に複雑で学習が難しく、エンドユーザーの生産性を低下させる。これらのツールを駆動するためのプロンプトベースのアプローチは、使用を大幅に簡素化する可能性がある。
最後に
AIはソフトウェアエンジニアを代替するのか？少なくとも近い将来はそうならないだろう。ソフトウェア作成においては、支援付き生成であっても、ミスをチェックして修正するために人間の専門家が生成AIとペアになる必要がある。AIのみによるソフトウェア開発の実現はまだ遠い先のことであり、専門的な開発者は安心していられる。
生成AIと協働する初心者プログラマーの見通しは複雑だ。微妙なミスを見つけるための経験が不足しているため、経験豊富なプログラマーのレビューによるバックアップが必要となるだろう。
我々にとっての大きな勝利は、既存のソフトウェアソリューションに生成AIを組み込むか、その隣に配置することだ。このアプローチはリスクを最小限に抑えながら、ソリューションに価値を追加する。そして、チームが途中で生成AIに慣れ親しむための方法を提供する。
