AI エージェントに必要なのは思っているより多くの人間

AI エージェント時代、人間の役割は消滅しない「ソフトウェア・ファクトリー」の現実

AI エージェントが自律的にコードを生成する未来において、開発者の役割が不要になるという楽観論と、逆に人間が完全に置き換わってしまうという悲観論。しかし、Factory の共同創設者兼 CTO である E No Reyes 氏は、このパラダイムシフトの核心は「人間の消滅」ではなく、「役割の進化」にあると説きます。

本記事では、信号（顧客フィードバックやバグ報告）からデプロイまでのプロセスを AI が自律化する「ソフトウェア・ファクトリー」の実態を解説します。AI 時代において人間が担うべきは、単なるコーディングではなく、製品オーナーとしての優先順位付けと、インフラエンジニアとしてのアーキテクチャ管理です。

「信号からデプロイへ」をつなぐ自律化プロセス

Factory が提唱する「ソフトウェア・ファクトリー」とは、24 時間 365 日、AI が自律的にソフトウェアを生成・展開する仕組みのことです。従来の開発プロセスでは、人間が世界中からの「信号（シグナル）」を吸収し、それを優先順位付けして Jira や Linear などのツールに落とし込み、計画を立ててコードに変換していました。

「信号からデプロイされた変更まで、人間の介入なしで流れ続けるプロセスこそが、ソフトウェア・ファクトリーの核心です」

この概念では、顧客の Slack チャンネルでの不満、GitHub の Issue、Twitter 上のフィードバック、そして内部のテロメトリーデータ（Sentry など）といったあらゆる信号を、AI エージェントが自動的に収集・統合します。これらの信号は、製品ごとの「優先順位付けドキュメント」に基づいて処理され、エージェントがコード変更案を作成します。

ただし、これは人間が完全に手を引くことを意味しません。重要な役割は、生成された変更案が「本当に望ましいものか」を確認し、必要に応じて修正指示を出す点にあります。

人間の新たな二つの役割：製品オーナーとインフラエンジニア

AI の自律化が進む中で、従来の「プロダクトマネージャー」と「エンジニア」という境界線は曖昧になり、より高度な二つの役割へと分化・進化すると Reyes 氏は指摘します。

1. 製品オーナー（Product Owner）：優先順位と文脈の決定者

AI がコードを書くスピードが劇的に向上する一方で、「何を建てるか」という意思決定の重要性はむしろ高まります。従来のプロダクトマネージャーは、信号を即座に入手できない状況下で、自らの頭の中で優先順位を整理し、計画を立てる役割を担っていましたが、ファクトリー時代にはそのプロセスが圧縮されます。

「何を建てるべきかを決めることと、それが実際に作られることを監視することの間に、もはや大きな差はありません」

このため、求められるのは「技術的な知識を持ちつつ、顧客への共感（プロダクト・センス）に優れた製品オーナー」です。彼らは AI エージェントが生成した変更案をレビューし、「その仕様は望ましいか」「アーキテクチャの整合性は保たれているか」という視点で判断を下します。

2. インフラエンジニア：アーキテクチャと品質の守護者

もう一つの重要な役割は、システム全体の健全性を維持する「インフラエンジニア」です。AI エージェントが自律的にコードを生成・修正する過程では、長期的にはアーキテクチャが複雑化し、内部で「醜い状態（スパゲッティコード）」になるリスクがあります。

Reyes 氏は、Factory のエンジニアであるアルヴィン氏を例に挙げます。彼はほぼ全時間を費やして、AI エージェントが複雑なミスを犯さないための「リントレール」や「型チェックルール」の構築にあたっています。

「アーキテクチャを lint（検査）することは、人間には文脈が不足しているため過去はコストに見合わないと考えられていました。しかし、AI エージェントにはまだそのグローバルな文脈が完全に理解できていないため、人間による厳格なルールの設定が不可欠です」

このように、AI が自律的に動くためには、人間が「どのようなルールに従うべきか」という枠組み（ハブス）を設計・維持し続ける必要があります。これは、工場でプロセスの効率化や品質管理を行う「プロセスエンジニア」に似た役割と言えます。

モデル非依存のハブスと、ベンダーロックインへの警鐘

AI エージェントの実用化において、特定の LLM（大規模言語モデル）に依存しないアーキテクチャの構築が極めて重要だと Reyes 氏は強調します。Factory が目指すのは、あらゆるモデルで動作する「モデル非依存ハブス」です。

「優れたワークフローを見つけることができる汎用的なハブスがあれば、その知見をすべてのモデルに適用できます。これこそが、AI エージェントの安定稼働と進化の鍵となります」

特定のベンダーにロックインされるリスクは、技術的な柔軟性を損なうだけでなく、業界全体の進歩を阻害する要因にもなり得ます。Reyes 氏は、モデルプロバイダー側が「規制占拠（レギュラトリー・キャプチャー）」と呼ばれる戦略を取り、自社の独占状態を維持しようとしている可能性さえ示唆しています。

「インテリジェンスの形が解明され、誰もがアクセスできるようになるという不可避な未来を恐れたプロバイダーが、規制を利用してこの流れを止めようとしています」

しかし、透明性のある知見の共有こそが業界全体を前進させます。特定のモデルに縛られず、複数のモデルを柔軟に使い分ける「ハブス」を維持し続けるためには、膨大な人的リソースと継続的なエンジニアリングが必要です。

ベンチマークの短命化と、人間による監視の永続性

AI エージェントの評価基準であるベンチマークについても、現実的な視点が必要です。コードレビューや特定のタスクの成功率を示すベンチマークは、モデルの進化に伴い寿命が短く、通常 3〜6 ヶ月で陳腐化してしまいます。

また、「人間による監視（Human-in-the-loop）」は、AI が複雑なミスを防ぐために長期的に不可欠です。リントレールや型チェックルールの整備、そして生成された変更案の最終承認など、人間の判断が介在するプロセスは、AI の能力が向上しても消えることはありません。

「人間が AI エージェントを監視し、改善し続けるループは、非常に長い期間にわたって必要不可欠です」

まとめ

AI エージェント時代における開発パラダイムシフトは、人間の役割の縮小ではなく、その質的な転換を意味します。信号からデプロイまでのプロセスを AI に委ねることで、人間は「何を建てるか」という本質的な意思決定と、「システムが健全に動くか」を守るアーキテクチャ管理へと集中できます。

魔法のような自律化の背後には、実は膨大な人的リソースによるハブスの維持や、継続的なルール整備という堅牢なエンジニアリングが存在します。この現実を理解し、人間と AI の役割を再定義することが、持続可能なソフトウェア開発への道筋となるでしょう。