Ebay のソフトウェアエンジニア、Sachin Gupta 氏は、AI エージェントによるコード生成が加速する中で見逃されている「レビューデット（Review Debt）」という概念を提唱しました。これは、AI が生成したコードと人間が実際にレビュー・理解したコードの間のギャップを指し、技術的負債のように複利で蓄積していくリスクです。 Gupta 氏は、この負債を測定するための「5 つのシグナルファミリー」と「10 の決定論的チェック」からなる実用的なフレームワークを提供しました。これにより、PR のサイズやテストの質、所有権の分散などを客観的にスコアリングし、チームのレビュー負荷を数値化して管理することが可能になります。 このアプローチは、AI 導入による生産性の向上と、コード品質・信頼性の維持という相反する課題をバランスさせるためのガバナンスモデルとして、業界全体に重要な示唆を与えます。
「AI はコードを書くが、人間はレビューできない」という深刻な課題に対し、LLM の主観に頼らない客観的指標で解決策を示した非常に実用的な内容です。開発リーダーや QA エンジニア必見の動画です。
- 01
レビューデットの定義
AI が生成したコードと人間がレビュー・理解したコードの間のギャップであり、人間の注意を利息として複利で蓄積する負債である。
- 02
5 つのシグナルファミリー
デブサイズ/結合度、テスト証拠の欠如、ディレクトリ/所有権の分散、AI 作成指標、証拠と理屈の欠如という 5 つの観点で負債を測定する。
- 03
決定論的スコアリング
LLM の主観に依存せず、PR とリポジトリから計算可能な 10 のチェックを用いて 0-100 のスコアを算出し、客観的なレビュー負荷を示す。
- 04
実装とガバナンス
過去 200 PR で重みを調整し、スコアに応じたアクション（注釈要求、文書化の強化）を設け、チームのレビュー文化を定量化する。
このフレームワークは、AI エージェントが普及する現代のソフトウェア開発において、生産性の向上と品質担保のバランスを保つための不可欠なガバナンス指標となります。企業はこれにより、AI 導入による潜在的なリスクを数値化し、エンジニアリングチームのリソース配分やレビュープロセスの最適化をデータ駆動型で実行できるようになります。