Episode Details

AIが人間の代わりにプログラミングを行うことが当たり前になりつつある昨今ですが、2026年3月上旬、アリババグループなどの研究チームが発表した「SWE-CI」という論文が、IT業界で大きな議論を呼んでいます。これまで、AIがプログラムを書く能力を測るテストは、出された一つのバグをパッと直せるかという「一問一答」のようなものが主流でした。しかし、実際のシステム開発というのは、何ヶ月、何年にもわたって機能を付け足したり、修正を繰り返したりする地道な作業の連続です。

そこで研究チームは、1回限りの修正ではなく、平均して233日間、71回の細かな変更を繰り返すという、実際のソフトウェアの進化を模した過酷なテスト「SWE-CI」を開発しました。これはAIが単にコードを書くのではなく、長期的にシステムを「育てていけるか」を測る、いわばマラソンのようなテストです。実際に18種類のAIモデルをこのテストで走らせた結果、非常に興味深い事実が明らかになりました。多くのAIは、目先の機能を実装する際に、過去にうまく動いていた別の機能を壊してしまう「リグレッション」というミスを頻発してしまったのです。つまり、自分で書いたバグを自分で直すという悪循環に陥ってしまい、長期的な保守作業の難しさが浮き彫りになりました。

しかし、絶望的な結果ばかりではありません。2026年に入ってからリリースされた最新のAIモデルたちは、この長距離走でも劇的な進化を見せています。例えばAnthropic社の最上位モデル「Claude Opus」シリーズや、中国の「GLM-5」などは、先を見据えた丁寧なコードを書き、システムを壊すことなく長期間の保守作業を見事にこなすことが確認されました。特にClaude Opusの最新版では、大半のタスクで過去のコードを壊さずに修正を完了させるという驚異的な安定感を示しています。

現在、海外のエンジニアたちが集まる掲示板などでは、「AIがコードを書く時代になっても、結局は人間がバグがないか見張らなければならない」という懸念と、「最新のAIなら人間以上にきれいにシステムを維持できる」という期待が入り交じった活発な議論が交わされています。ただ一つ確かなのは、AIの評価基準が「コードを書けるか」という段階から、「プロのエンジニアのようにシステムを長く守れるか」という、より実務的で高度な次元へと確実にステップアップしたということです。私たちが使う便利なアプリの裏側で、AIたちが「書く」だけでなく「育てる」技術を身につけつつあるのは、とても頼もしいですね。