エージェント型コーディングがジュニアエンジニアを代替する条件とは

私は主要なモデルのリリースはすべてチェックしています。最近では、コーディング能力に関する数値が必ず発表されます。

その数値は上昇し続けています。多くの人が導き出す結論は、「ジュニアエンジニアの時代は終わった」というものです。

しかし、この結論に至るプロセスには問題があると思います。人々はベンチマークスコアから直接労働市場の結果を推測しようとしていますが、その間の重要なステップをすべて飛ばしてしまっています。

では、別のアプローチで考えてみましょう。「エージェントがジュニアエンジニアを置き換えるか」と問うのではなく、「それが実現するためには何が真でなければならないのか」を問い、利用可能な最良の証拠と照らし合わせて検証します。

条件は4つあります。そのうち3つは満たされていません。残りの1つこそが、あなたに警戒すべき理由です。なぜなら、この条件は他の3つの条件が揃うことを必要としないからです。

条件1：エージェントが、ジュニアエンジニアが実際に担当するタスクの長さにおいて信頼できる必要がある

ここで最も信頼性の高い測定手法は、METR（Model Evaluation and Research Team）による「タイム・ホライズン」研究です。彼らは実際のソフトウェアタスクを人間専門家に実施させ、モデルが50%の確率で成功するタスクの長さを特定します。

主要な結果は、2019年から2025年にかけて、この時間的限界（タイム・ホライズン）が約7ヶ月ごとに倍増していたという点です。METRが更新した「Time Horizon 1.1」ではタスクスイートが34%拡大し、8時間以上かかるタスクの数が倍になりました。2024年から2026年の期間に関する独立した分析では、この倍増スピードがさらに加速している可能性が示唆されています。現在のライブリーダーボードでは、最先端モデルのタイム・ホライズンは「数時間」単位に達しています。

これは決定的な証拠のように聞こえるかもしれません。しかし、その方法論を読み解いてみると、状況はそう単純ではないことがわかります。

重要なのは以下の2点です：

まず、50% という数値は、単純に比較の基準として使えるものではありません。Kwa 氏らの研究では 80% の達成率も報告されていますが、実際の状況を見ると、その数字は瞬間的なものであり、50% という指標よりもはるかに短い時間軸で評価されるべきものです。彼らのデータによると、最先端システムは人間が 4 分以内で完了できるタスクではほぼ完璧な性能を発揮しますが、人間が 4 時間以上を要するタスクでは成功率は 10% を下回ります。

二つ目に、ほとんど引用されない重要な点があります。METR は、その評価課題が意図的に「単独で完結しており、要件が明確に定義されている」ものだと述べています。彼らの枠組みにおける解釈とは、「2 時間のタスク」とは、コードベースの文脈を一切知らない状態の人が 2 時間でできることを指すのであって、既存のコードベースに精通した経験豊富なエンジニアが 2 時間でできることではない、ということです。

これはまさに、評価の方向性が間違っています。新人エンジニアの最初の 6 ヶ月は、ほぼすべてが「文脈の獲得」に費やされます。「この機能はどのサービスが担当しているのか」「なぜその抽象化が存在するのか」「誰に聞けばいいのか」。現在のベンチマークは、まさにそのように「困難さの原因となる要素」を排除した部分だけを測っているのです。

条件 2：ベンチマークは職務内容を正しく測定しなければならない

2026 年 2 月、OpenAI は SWE-bench Verified の報告を停止し、他社にも同様の対応を推奨しました。

その理由の詳細を読む価値がありますが、特に注目すべき二つの発見があります。まず、データセットの 27.6% をサンプリングして監査した結果、少なくとも 59.4% の課題で、機能的に正しい解答を却下する欠陥のあるテストケースが存在することが判明しました。また、学習データの汚染（コンタミネーション）も確認されました。最先端モデルが、正解となるパッチや問題の詳細をそのまま再現できることから、トレーニングデータへの露出が示唆されたのです。

最新技術の進歩は、6 ヶ月で 74.9% から 80.9% に向上しました。OpenAI が問うたのは、残された失敗がモデル自体の限界なのか、それともデータセットの性質によるものかという点です。結論としては、主に後者のデータセット側の問題であることが判明しました。

より難易度が高く、汚染が少ないデータセットに移行すると、スコアは急激に低下します。SWE-bench Pro はまさにそのために作られたもので、そこでの最前線の性能は、発表記事で謳われている「検証済み」の数値とは遥かに低い水準にあります。Terminal-Bench や長期ホライズンの進化を評価するベンチマークといった新しいスイートも、同じ理由から構築されつつあります。

ここで慎重に議論する必要があります。「ベンチマークは無意味だ」と言っているわけではありません。より狭く、しかし痛烈な指摘は、過去 2 年間にわたり「ジュニアエンジニア不要論」を裏付けるために使われてきた特定の数値が、その数値を現実よりも良く見せる理由から、それを生み出したラボによって廃止されたという事実です。

条件 3：エージェントの出力を検証するコストは、人間に任せるコストを下回る必要がある

これは最も見過ごされがちであり、実験的証拠が最も明確な条件だと私は考えます。

METR は、16 名の熟練したオープンソース開発者を対象に、246 の実務タスク（各自のレポジトリ内）を用いたランダム化比較試験を行いました。AI の使用はランダムに許可または禁止され、画面録画と実際の業務を通じて検証されました。

開発者たちは当初、作業速度が 24% 向上すると予測していました。しかし事後の評価では「20% 速くなった」と回答しました。実際には、19% も遅くなっていました。

2 つの注意点を述べておきます。なぜなら、この記事の後半を信じてほしいからです。

使用したツールは 2025 年初頭のものです。また、サンプルは限定的で、熟練した開発者がよく知る成熟したコードベースを対象としています。これは万能な生産性推計ではなく、METR もそれを主張していません。

しかし、最も確かな発見は「認識のギャップ」です。人々は自らの生産性がどの方向に向かっているかを誤解し、その測定自体にも問題がありました。

より広範なデータも同じ傾向を示しています。Stack Overflow が 2025 年に実施した、49,000 人以上の開発者を対象とした調査では、84% が AI ツールの利用または導入を検討していると回答しました。一方で、出力の精度に対して「積極的に不信感を持っている」と答えたのは 46% で、「信頼している」は 33% にとどまりました。「高い信頼」を抱いているのはわずか 3% です。熟練開発者の間では、この「強い不信感」が 20% に達しています。

Google の DORA 調査（約 5,000 人の専門家対象）でも同様の結果が出ています。職場で AI を利用しているのが 90%、生産性向上に寄与していると信じているのが 80% 以上ですが、AI が生成したコードに対して「ほとんど、あるいは全く信頼していない」と答えたのは 30% に上ります。DORA の調査では、前年比でスループット（処理能力）の改善が確認されましたが、納品の不安定さは解消されませんでした。彼らの結論はこうです。AI は増幅器のようなものであり、組織がすでに持っている特性を拡大するだけなのです。

これをまとめると、「生成」のコストは劇的に下がりましたが、「検証」のコストは下がりません。現在はレビューのキャパシティがボトルネックであり、そのリソースとはシニアエンジニアの時間なのです。

条件 4：企業は自社のシニアエンジニア育成パイプラインを壊す覚悟が必要だ

ここからは少し不愉快な話になります。

置換が可能かどうかを判断するには、条件 1 から 3 が重要です。一方、企業が実際にその試みを行うかどうかは条件 4 で示されており、これは別の問いです。後者の答えについてはすでに得られています。

スタンフォード大学デジタル経済研究所（Digital Economy Lab）が追跡する ADP の給与データは、アメリカの労働者のおおよそ 6 人に 1 人をカバーしています。同研究所の「Canaries」分析によると、AI の影響を強く受ける職業、その中でもソフトウェア開発などにおいて、22〜25 歳の若年層の雇用状況は、同じ職業に属する高齢者と明確な乖離を示しています。2025 年 7 月時点のデータでは、この不足分が 15% と計測されました。そして 2026 年 6 月現在では、その割合は 19% に達しています。

ライブダッシュボードによると、この調整は解雇ではなく採用数の減少を通じて進行しているようです。誰もクビになってはいません。ただ、入り口が閉まりつつあるのです。

改訂された論文で提案されているメカニズムこそ、今回の議論全体の中で最も興味深い発見です。雇用が減少したのは、コード化された知識（ドキュメントや標準手順から学習可能な知識）に依存する職業における若年層でした。一方、雇用が増加したのは、実践、メンターシップ、そして実際の状況への繰り返し exposure を通じて獲得される暗黙知（Tacit Knowledge）に依存する職業における経験豊富な労働者たちです。

スタンフォード大学は、これらは因果関係を証明した推定値ではなく記述的なパターンであると注意を促しています。この点を真摯に受け止める必要があります。

しかし、もしこのメカニズムが正しいとすれば、その含意は明白です。コード化された知識とは、新人が入社する際にすでに持っているものです。一方、暗黙知とは、監督のもとでコード化された業務を遂行し続けることで獲得すべきものであり、それが定着した段階で初めて習得されるべきものなのです。

私たちは徒弟制度の自動化を進めつつ、その徒弟制度が生み出す成果に対する要件は維持し続けています。

私が実際に考えていること

エージェント型コーディングがジュニアエンジニアを置き換えているわけではありません。それは、かつてジュニアエンジニアに任せていたタスクを置き換えているだけであり、これは全く異なる現象であり、より深刻な結果をもたらす可能性があります。

ボトルネックは決してコード生成そのものではありません。真の課題は検証、文脈の理解、そして判断力です。私たちが入手できるあらゆる測定データが示しているのは、現在の最先端技術がまさにこの三つの領域において最も遠くにあるということです。

一方、採用決定は、それを作成したラボ自身が公に廃止したベンチマークの数値に基づいて行われています。

3 年後に賢明な選択をしたと評価される企業は、地味な実験を継続するところでしょう。つまり、ジュニアエンジニアの採用を続け、入社初日からエージェントツールを提供し、前回の採用層よりも早くシニアレベルの判断力を身につけられるかを測定することです。私の予測では、彼らは確実にその目標を達成します。しかし、誰もこの研究に資金を提供していません。なぜなら、それは決算説明会で発表できるような数字を生み出さないからです。

私の考えを変えるための条件

私は「賢い」よりも「反証可能であること」を望みます。私が注目している具体的な指標は以下の通りです。

• 事前の文脈を含むタスクにおいて、自己完結型のものではなく、1 日のフルタイム業務を 80% の信頼性で完了できる水準に達すること。
• 汚染されていない、私的に作成された長期ホライズンベンチマークにおいて、60% を超える最先端スコアを記録すること。
• METR の試行が再現され、計測された時間と主観的な時間の感覚が同じ方向を示すこと。
• AI の導入率が維持される中で、DORA によるデリバリの不安定さが 2 年連続で低下すること。
• AI への曝露スコアが上昇し続ける中、スタンフォード大学の調査における 22 歳から 25 歳の雇用格差が縮小すること。

もしこの 3 つの条件が揃えば、私はこの記事とは逆の内容を書き、ここにリンクを貼ることにします。

主なポイント

METR の主要な評価基準は、文脈に依存しないタスクで 50% の成功率を達成することですが、ジュニアエンジニアはそのような環境では活躍していません。

OpenAI は、監査された失敗事例の大半に欠陥のあるテストが含まれていることが判明したため、「SWE-bench Verified」の提供を終了しました。

コード生成のコストは下がりましたが、検証コストは下がりませんでした。現在、真のボトルネックとなっているのはシニアエンジニアによるレビュー時間です。

スタンフォード大学のデータによると、AI の影響を受けやすい 22〜25 歳の若年層で雇用格差が 19% に達しており、その主な原因は採用凍結です。

私たちは見習い期間（アプレンティスシップ）を自動化しつつも、その期間を通じて得られる成果を依然として求めています。

「Agentic Coding がジュニアエンジニアの役割を代替するために何が必要か」という記事は、MarkTechPost で最初に公開されました。