あなたの AI は、大量の技術的負債を生み出しました。
AI はコードベースを改善するはずだった。しかし、現実は悪化した。
バージョン管理が発明されて以来、初めて、チームはより速くリリースし、より多くを壊している。
AI はエンジニアリングチームに 3 つのことをもたらす。コードをより速く書くこと。欠陥を早期に発見すること。現在のチームだけでは構築できないものを構築すること。
業界は最初の 1 つにすべてを賭けた。スピードだ。より多くのコードを、より速く。
すでに自分たちのコードベースの半分も理解していないチームのアウトプットを 3 倍にしたらどうなるか、誰も尋ねなかった。
ソース: https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways
私はこれを以前に見たことがある。私たち全員がそうだ。
1990 年代後半、エンタープライズ Java は「write-once-run-anywhere」を約束した。企業は製品ライン全体をそれに賭けた。J2EE、EJB、ミドルウェアスタック。
2005 年までに、平均的なエンタープライズ Java アプリケーションでボタンの色を変更するには、6 つのパッケージにまたがる 14 のファイルが必要になった。マーティン・ファウラーはこれを「エンタープライズ病」と呼んだ。企業はリリースできなくなった。システムを理解している人を雇えなくなった。古いシステムが何をしていたかを文書化できなかったため、書き換えもできなかった。
修正には 10 年かかった。軽量フレームワーク。TDD。CI。アジャイル。業界はテクノロジーを中心にマネジメント層を再構築する必要があった。
AI は同じことを、より短いタイムラインで行っている。
私たちはすべての開発者に、1 日あたり数千行のコードを生成する能力を与えた。プロンプトを書いた開発者は、AI が何を構築したかを説明できない。承認したレビュー担当者はそれを読んでいない。そして、それを引き継ぐ次の開発者はブラックボックスとして扱うだろう。なぜなら、それがまさにそうだからだ。
私はこれを、ブラウンフィールドのコードベースとグリーンフィールドのデモの両方で見てきた。それらは同じように壊れる。
以下は、私たちがさまざまな案件で見る 5 つの障害モードだ。
AI が実際のコードベースにもたらす 5 つの障害モード
1. AI による生成量は、新しい「人海戦術」である。
すべての CTO が Cursor のシートを購入した。すべての取締役会が ROI を求めた。ハイプサイクルは 1 年足らずで完全に回った。
しかし、コードの増加は問題ではなかった。
Fortune 500 企業の 70% は、今でも 20 年以上前のソフトウェアを実行している。それらのコードベースが遅いのは、開発者のタイピングが遅いからではない。コードにエンコードされたすべてのビジネスルールを理解している人が、その会社に誰もいないからだ。
AI エージェントにそのコードベースへのアクセスを与えると、テストに合格するが、文書化されていない契約に違反するコードを生成する。
DORA の 2026 年レポート: AI ツールは、クリーンなグリーンフィールドタスクで 35 ～ 40% の向上をもたらす。ブラウンフィールドでは、同じツールで 10% 以下。4 倍のギャップだ。
ボトルネックは理解だった。AI はそれを悪化させた。
2. 理解負債は、新しい技術的負債である。
GitClear は 6 億 2300 万件のコード変更を分析した。レガシーリファクタリングは 2023 年以来 74% 減少した。AI ツールは既存のものを再利用する代わりに、新しいコードを生成する。テストに合格する。チケットをクローズする。既存のシステムに対する統合は行われない。
Google の Addy Osmani はこれを「理解負債」と名付けた: 存在するコードの量と、人間が理解できる量とのギャップ。
6 か月前のコードベースなら、回復できる。文書化されていない統合とビジネスロジックが何百ものファイルに散らばった 10 年物のモノリスでは、回復できない。
技術的負債は、悪いと分かっているコードだ。理解負債は、評価すらできないコードだ。AI は、後者の種類を大規模に生成する最初のテクノロジーである。
3. レビューごっこは、新しいゴム印である。
Faros AI の 22,000 人の開発者データセットでは、レビューなしでマージされた PR が 31% 増加した。レビューの中央値時間は 5 倍に増加した。なぜなら、レビュー担当者が量に対応できなかったからだ。
より多くのアウトプット、より少ない品質管理、そしてそれを減速させる権限を持つ者はいない。この組織パターンは、AI が存在する前から何百回も見てきた。今やそれは機械の速度で動いている。
Anthropic は、AI を受動的委任に使用している開発者は、理解度テストで 40% 未満のスコアだったことを発見した。能動的照会では 65% 以上。同じツールだ。変数は人間だった。
ほとんどのチームは、考えることを避けるために AI を使用している。それは本番環境で報いを受ける。
4. システムを理解している人々は、その知識を AI に与えるインセンティブが最も少ない。
私は、約 1500 万ドルの収益を上げている PE 支援のソフトウェア企業のエンジニアリング責任者と話をした。彼のチームは社内で Claude を試した。彼の言葉を借りれば、「それはたくさんの馬鹿げたことをした」。
彼が懐疑的であるのは正しい。
Ford は、経験豊富なエンジニアの知識が品質システムを訓練する前に、彼らを退職させた。3 年後、数十億ドルの保証費用を経て、彼らは 350 人のベテランエンジニアを再雇用した。それらのエンジニアは AI を再訓練した。品質プロセスを再構築した。Ford は現在、16 年ぶりに JD Power の 2026 年初期品質調査でトップになった。
彼らのハードウェアエンジニアリング担当副社長: 設計要件を取り込めば高品質な製品が生まれると考えていた。そうではなかった。ドメインの専門知識が最初に必要だった。
組織の知識を保持している人々は、前回の「効率化」イニシアチブを目撃している。彼らは、プロセスが文書化された後に何が起こるかを知っている。中世のギルドがその手法を秘密にしていたのと同じ理由だ。
5. AI が最も必要なコードベースは、AI が最も効果を発揮できない場所である。
ミッドマーケットの SaaS プラットフォーム。医療システム。物流バックエンド。何年も前に去った開発者によって構築された金融サービス製品。
これらの企業には、有料顧客、実際の収益、そして保存する価値のあるビジネスロジックがある。AI が加速させるための最大の表面積を持っている。
現在販売されているすべての AI コーディングツールは、コードベースがクリーンで、アーキテクチャがモジュール化されており、開発者がエージェントに十分なコンテキストを与えられることを前提としている。その前提は、文書化されていない統合と、誰も覚えていないビジネスルールが詰まった 10 年物のモノリスの中で崩れる。
Gartner によると、AI イニシアチブの 74% はパイロットを超えて拡大しない。モデルは正常に動作する。コードベースがそれに対応できていなかった。
実際にこれを修正する方法
私たちは実際の案件でこれを証明した。レガシーな物流プラットフォームに携わる 2 人のエンジニア。6 か月で 330 件のマージされた PR。約 90% が AI 生成コード。クライアントは彼らをトップパフォーマンスチームと呼んだ。彼らは 2 回、裁量ボーナスを受け取った。
その結果は、より良いモデルではなく、準備からもたらされた。AI が 1 行のコードに触れる前に、3 つのことが行われた。
プロンプトの前に文書化する。 私たちはそれをステップ 0 と呼んでいる。AI エージェントがブラウンフィールドのコードベースに触れる前に、既存のコードをスキャンし、AI が読み取り可能なドキュメントを生成し、システムをツールにとって理解可能なものにする。エージェントは、見えないものについて推論できない。Ford の立て直しはここから始まった。システムを理解している人々を呼び戻し、彼らの知識を文書化し、その後初めて AI を再訓練した。
ゾーンを定義する。 80/20/0。80% のボイラープレート (CRUD、テスト、設定、ドキュメント): AI が自由に生成する。20% のビジネスロジックと統合: コパイロットモード、AI がドラフトを作成し、エンジニアが書き直す。0% の認証、支払い、暗号化、アーキテクチャ決定: AI は触れない。この規律が理解負債の複利を防ぐ。
拡大の前に測定する。 コミットあたりのコスト。モデル使用パターン。コードの AI 割合。すべてのチームの DORA メトリクス。AI 導入前のベースライン。導入後の測定。そのデータがなければ、Faros データセットの 22,000 人の開発者を襲ったのと同じ加速のむち打ち症に、盲目的に突入することになる。
この先の行き先
Microsoft は 25 億ドルをコミットした。Amazon は 10 億ドルをコミットした。Anthropic は 15 億ドルを調達した。OpenAI は 40 億ドルを調達した。すべて同じ問題を目指している: 既存の企業内で AI を機能させること。
市場はグリーンフィールドに焦点を当てた。なぜならデモの見栄えが良いからだ。最大のエンジニアリングインパクトは、コードベースが最も醜く、製品が最も古く、パイプラインが LLM を誰も聞いたことがない前に構築された企業からもたらされるだろう。
ボトルネックは、モデルの下にあるエンジニアリングシステムである。
P.S. これが私たち @ Limestone Digital の仕事です。 私たちは AI ネイティブのエンジニアリングチームを既存のコードベースに組み込みます。ステップ 0、ゾーン規律、測定インフラストラクチャ。あなたの AI パイロットがブラウンフィールドのコードベースで行き詰まったなら、DM してください。
お問い合わせはこちら: limestonedigital.com
