概要
Claude CodeとCodexを使い、15個の意図的なバグを仕込んだコードで検証した結果、検出精度はモデル自体の差よりも「レビューの聞き方（方式）」に大きく左右されることが判明しました。
詳細内容
Claude Codeのネイティブ機能と、OpenAI公式プラグイン経由のCodexを用い、URL短縮サービスに仕込んだ15種類のバグ（正確性、並行処理、セキュリティ、設計、プライバシー）の検出力を比較検証した記事です。
主な発見は以下の通りです：
- **方式によるスコープの差**: 正確性や並行処理のバグはどの方式でも検出されましたが、設計やドメイン寄りの指摘（列挙攻撃の可能性やレイヤリングの欠如など）は「観点を明示した自由記述プロンプト」のみが拾い上げました。
- **専用コマンドの特性**: `/code-review`や`/codex:review`といった純正コマンドは、確信度の高いバグやクリーンアップに最適化されており、設計判断は守備範囲外である可能性が高いことが示唆されました。
- **敵対的レビューの価値**: `/codex:adversarial-review`はバグ検出数こそ少ないものの、設定ファイルの権限不備といった「信頼境界」に関する独自の指摘を行う強みがあります。
結論として、AIレビューの運用では、バグ検出には純正コマンド、設計・ドメイン検証には詳細な自由記述、前提の揺さぶりには敵対的レビューと、用途に応じて方式を使い分けることが推奨されています。