概要
https://zenn.dev/r_kaga/articles/c84a6af89e3020
詳細内容
## Claude Codeチームの事例から考える、AI時代のon distributionな技術選定
https://zenn.dev/r_kaga/articles/c84a6af89e3020
AI時代の技術選定において、AIの学習データに馴染み深く得意な「on distribution」な技術スタックを意識的に選ぶことが生産性向上に繋がることを、Claude Codeチームの事例から解説する。
**Content Type**: Opinion & Commentary
**Language**: ja
**Scores**: Signal:4/5 | Depth:4/5 | Unique:4/5 | Practical:5/5 | Anti-Hype:4/5
**Main Journal**: 83/100 | **Annex Potential**: 82/100 | **Overall**: 84/100
**Topics**: [[技術選定, AI駆動開発, LLM, コード生成, 開発効率化]]
著者は、AIが開発プロセスのあらゆる場面に浸透する中、技術選定においてAIの得意・不得意を考慮に入れる「on distribution」という新たな視点の重要性を提唱しています。これは、AIモデルが学習データで十分に学習済みで、高い性能を発揮できる領域を指し、Claude Codeチームの具体的な事例を基にその実践と意義を深掘りします。
Claude Codeの開発チームは、初期段階から「モデルの強みを最大限に活かす」という思想に基づき、AIが「教える必要なく自ら構築できるスタック」、すなわちon distributionな技術を意図的に選択しました。具体的にはTypeScript、React、Bun、Ink、Yogaといったモダンなスタックを採用し、その結果、Claude Code自身のコードの約90%がClaude Codeによって書かれるという驚異的な生産性向上を実現しています。
記事では、LLMの学習データにおける言語の偏り（例：StarCoderのデータセットでJavaScriptやPythonが高い割合を占めること）を指摘し、on distributionが単に言語の人気度だけでなく、タスクの性質にも深く関わることを強調します。Cisco社の調査を引用し、コードの文書化、ボイラープレート生成、単体テスト生成といった定型的なタスクがAIにとってon distributionであり、大幅な時間削減効果をもたらすと説明します。一方で、企業独自の複雑なコードベースやドメイン特有のロジックは「off distribution」な領域であり、AIのパフォーマンスが低下する傾向があることも示唆しています。
著者は、llms.txtのようなコンテキスト提供の仕組みや、Convex、Tursoのような「AIフレンドリー」な構造を持つ新興技術の登場により、off distributionな技術との向き合い方も変化しつつあると述べています。「古いか新しいか」ではなく、「AIが理解しやすい構造か」を見極める力が今後ますます重要になると論じています。
さらに、on distributionな技術選定が「フライホイール効果」を生み出し、人気の技術スタックがAIの学習データを豊かにし、それがさらなる採用とAIの性能向上に繋がる好循環を形成する可能性についても言及。このサイクルがメジャーな技術とマイナーな技術との生産性ギャップを広げる可能性を指摘しています。
結論として、著者は技術選定において「AIレバレッジ」という軸を意識し、AIの能力を最大限に引き出すためにon distributionな技術を意識的に選ぶことの重要性を強調します。今後は「これはAIにとってon distributionだろうか？」という問いを常に持ち、その判断基準を実験的に検証していくことの必要性を読者に問いかけています。