概要
https://github.blog/ai-and-ml/generative-ai/speed-is-nothing-without-control-how-to-keep-quality-high-in-the-ai-era/
詳細内容
## 制御なくしてスピードは意味をなさない：AI時代にコード品質を高く保つ方法
https://github.blog/ai-and-ml/generative-ai/speed-is-nothing-without-control-how-to-keep-quality-high-in-the-ai-era/
**Original Title**: Speed is nothing without control: How to keep quality high in the AI era
AIがコード生成を加速させる一方で、GitHubは、新たに公開プレビュー中のGitHub Code Qualityなどのツールと、明確な指示・思考の可視化戦略を通じて、品質を犠牲にすることなく開発者が高速かつ信頼性の高いソフトウェアを構築する方法を提示します。
**Content Type**: ⚙️ Tools
**Language**: en
**Scores**: Signal:5/5 | Depth:4/5 | Unique:3/5 | Practical:5/5 | Anti-Hype:4/5
**Main Journal**: 85/100 | **Annex Potential**: 80/100 | **Overall**: 84/100
**Topics**: [[生成AI, コード品質, 開発ワークフロー, GitHub Copilot, プロンプトエンジニアリング]]
AIの活用により開発速度は飛躍的に向上しましたが、明確な方向性やガードレールなしにAIを使用すると、「AIスロップ」と呼ばれるコンテキストを欠いた半機能的なコードが生じ、バグや技術的負債を蓄積するリスクがあります。GitHubは、このAI時代において、スピードだけでなく「コントロール」が不可欠であり、品質と速度はトレードオフではなく、互いに補強し合う関係にあると主張します。開発者がコード品質を高く保ちながら高速開発を実現するための3つの戦略を提案しています。
1. **スピードと品質を一体として扱う**:
AIが生成するコードは一見洗練されていても、潜在的な問題を抱えていることがあります。これに対処するため、GitHubはAIとCodeQLを組み合わせた分析ツール「GitHub Code Quality」（現在公開プレビュー中）を紹介します。このツールは、リポジトリレベルで有効化することで、コードベースの保守性や信頼性の問題を検出し、プルリクエスト内で未使用変数や重複ロジックなどの問題に対するワンクリック修正提案を自動で行います。さらに、ルールセットを使って品質基準を強制し、AI Findingsページで既存の技術的負債を可視化して修正を促すことで、AIによるスピードとGitHub Code Qualityによるコントロールを両立させ、品質を犠牲にすることなく開発を進めることを可能にします。
2. **AIの乗客ではなく、ドライバーとなる**:
AIは実行を加速させますが、高品質なコードは自動化だけでは生まれません。GitHubは、開発者がGitHub CopilotやGitHub Code Qualityを活用して最高のコードを書くためのツールを提供しつつ、AIに対する明確な指示の重要性を強調します。良いプロンプトは、単なるアクションの指示に留まらず、「可読性と保守性を向上させるリファクタリング」のように具体的な「目標」を設定し、第三者依存の禁止や後方互換性などの「制約」、関連ファイルやドキュメントなどの「参照コンテキスト」、そしてプルリクエストや差分などの「出力形式」を明確にすることが重要です。これにより、人間の思考の責任とAIの実行の責任が明確になり、高品質なソフトウェアの加速につながります。
3. **出力だけでなく、思考の明確な証拠を残す**:
AIがコード生成の実行タスクをより多く担うにつれて、開発者にとって重要なのは、意思決定、トレードオフ、および問題へのアプローチ方法を明確に伝える能力になります。著者は、コードだけでなく、思考プロセスを可視化するためのベストプラクティスを推奨しています。具体的には、問題、成功の定義、制約、リスクをまとめたIssueの作成、意図を伝えるブランチ名とコミットメッセージの使用、そしてAIを使った後でもなぜそのアプローチを選んだのか、どのような代替案があったのかを短いメモで残すことなどが挙げられます。プルリクエストには「Why」「What changed」「Trade-offs」といったコンテキスト豊富な情報を加えることで、コードが「何をしたか」を示すのに対し、ドキュメントは「なぜそれが重要か」を伝え、AI時代における開発の品質と信頼性を高めます。