AI時代のエンジニアに問われるのは「速さ」より「判断力」──品質問題の数字が示す現実

スピードが上がるほど、品質リスクが増幅する逆説

AIを使えば開発が速くなる。これは事実だ。しかしそこに「品質は上がる」とは書いていない。

ITmedia AI+に掲載された記事(著者:成塚歩氏/Tricentis Japan)が指摘しているのは、まさにその逆説だ。コード量が増え、変更頻度が上がるほど、「そのコードが本当に信頼できるのか」という問いの重さが増している。

Tricentisが2026年6月に発表した「クオリティー・トランスフォーメーション・レポート2026」によると、**未テストコードを本番環境に展開していると回答した企業は、世界全体で60%、日本では65.6%**に上る。

この数字を聞いて「まあそんなものか」と流してしまうと、本質を見失う。問題は一部の問題企業の話ではなく、AI時代の開発速度に対して、テスト設計・レビュー・品質判断のプロセスが構造的に追いついていないという状況が業界全体に広がっているということだ。


経営層と現場の「認識ギャップ」が臨界点に近い

もう一つ見逃せない数字がある。

AI主導のシステムやツールへの信頼度について、日本ではCEOの80%が高い信頼を示した一方、QA・DevOps担当者では43%にとどまっている。

この37ポイントの差は、単なる「見解の相違」ではない。構造的な問題の予兆だ。

経営層はAI活用を「競争力・生産性向上の手段」として前向きに捉える。現場は「運用負荷、レビュー工数、品質リスク、セキュリティへの影響」を直接見ている。両者の見ているものが違う。

この状態でスピードだけを求め続けると何が起きるか。答えはすでに調査に出ている。リスクを抱えたままの変更が本番に流れ込む。品質の判断を誰もしないまま、リリースサイクルだけが回り続ける。

ここからは個人的な見方になるが、このギャップを放置している企業の多くは、「AIを入れた=品質も上がった」という思い込みの中にいる可能性が高い。AIはあくまで生産性ツールであり、品質担保のプロセスを自動的に設計してくれるわけではない。その混同が、65%という数字を生んでいる。


数字で読む品質崩壊の実態

記事には、品質問題の実態を示す具体的なデータが並んでいる。整理しておく。

  • 5社に1社が年間100万ドル超の損失を品質低下によって被っている
  • 損失の主な原因としてセキュリティ・コンプライアンス上の問題を挙げた企業は、世界で30%、日本では34%
  • 品質・信頼性に関する指標不足、ツールの複雑化・乱立、スキル不足、管理可能な範囲を超えるコード量の増加が、品質実現の障壁として挙がっている

特に日本でセキュリティ・コンプライアンス問題の比率が世界平均を上回っている点は気になる。近年、日本国内でも不正アクセスやランサムウェア攻撃によるシステム障害が相次いでいる現状と、この数字は無関係ではないだろう。

注意したいのは、これらの問題が「担当者の怠慢」ではないという点だ。記事が指摘する通り、背景には「品質よりスピードを優先するよう経営層から圧力がかかっている」「AI生成コードの量が多すぎて十分にテストしきれない」という構造がある。個人を責めても何も変わらない。


「全部テストする」という幻想を、まず捨てる

では、この状況をどう変えるか。記事が提案するアプローチの核心は、「全てをテストする」という考え方を捨てることから始まるという点だ。

これは品質を諦めるということではない。むしろ逆だ。

AIでコード量が増えた現在、あらゆるケースを検証しようとすれば、必ず工数が破綻する。人材不足、短いリリースサイクル、レガシーシステムの複雑性がそれをさらに加速する。網羅的テストという理想を守ろうとするあまり、実際には何も十分にテストできていない——という状況が生まれやすい。

ここで有効になるのが「リスクベースの品質保証」という思想だ。

変更頻度が高い領域、依存関係が密な領域、過去に障害が発生した領域、顧客や売上への影響が大きい領域、セキュリティ・コンプライアンスに関わる領域——これらを優先的に検証する。テストの「量」ではなく「優先順位の設計」に力を入れる。

考えてみれば当たり前の話だが、「テストを増やせ」という圧力の中では、この当たり前が見えにくくなる。リスクを「見積もる力」そのものが、エンジニアの重要なスキルになった、ということだ。


実務への示唆:立場によって「やること」は違う

開発者個人の立場で言えば、まずAI生成コードを「信頼の出発点」ではなく「レビューの対象」として扱う習慣を作ることが先決だ。

記事が指摘しているように、AI生成コードには「本来の要件に存在しない条件分岐や、従来のテストでは発見しにくいロジック」が含まれる可能性がある。こうした意図しないコードパスが、悪用可能なセキュリティ上の脆弱性につながるおそれもある。「AIが書いたから大丈夫でしょ」という心理的な安心感が、品質の穴を広げる。自分が書いたコードと同じ目で見ることを、習慣として作る必要がある。

テックリード・チームリードの立場では、AI生成コードのレビュー基準を明文化することが急務だ。これまで「シニアエンジニアの感覚」で済んでいた部分を、チームで共有可能な形に落とし込む作業になる。仕様との整合性だけでなく、セキュリティ、保守性、性能、ユーザーへの影響を評価する基準を、できるだけ具体的に言語化しておく。「なんとなく変だと思ったら聞いて」では、AI時代の開発規模には対応できない。

経営層・プロダクトオーナーには、少し違う示唆がある。AIで開発速度が上がっているのは事実だが、品質担保のコストが消えたわけではない。むしろ「速く書けるからこそ、レビューと評価に時間をかける」というパラドックスが起きている現場もある。スピードと品質のバランスを、リソース配分の問題として議論する段階に来ている。CEOの80%が高い信頼を示すAIシステムに対して、QA担当の43%しか信頼していないなら、その差分がどこから来ているのかを、経営層自身が理解しにいく必要がある。


次の論点:「AIの判断に誰が責任を持つか」

ここからは、記事を読んで浮かんだ次の問いを置いておく。

記事は「AIエージェントが複数のツールを横断して作業を実行するようになれば、評価対象は成果物だけではなく、AIが参照した情報、判断の根拠、実行プロセス、例外時の挙動にまで広がる」と指摘している。

これは技術的な話に聞こえるが、実は組織の責任設計の問題でもある。AIエージェントがコード生成だけでなく、テスト、レビュー、リリース判断、デプロイ支援まで担うようになった先で、「誰がAIの判断に責任を持つのか」が曖昧なまま運用が進むと、何か起きたときに組織全体が止まる。

ガバナンスという言葉は、往々にして「スピードを妨げる管理」として嫌われる。しかし記事が言っているのは逆だ。ガバナンスは「リリースに向けてスピードと品質を両立するための仕組み」であり、開発・品質保証・DevOps・事業部門が共通の指標を持つことで、むしろリリース判断を速くするためのものだ。

この設計ができていない企業は、AIエージェントが広がるほど、責任の所在が霧の中に消えていく。それが次に問題になる論点だと思っている。


まとめにかえて

AI時代のエンジニアに求められるのは、「速く書く力」ではなく「信頼できるソフトウェアを届けるための判断力」だ——という記事の主張は、特別に新しいことを言っているわけではない。

ただ、65.6%という数字と、CEOとQA担当者の37ポイントの認識差という具体的なデータを前にすると、「そうは言っても現場はまだそうなっていない」という現実の重さが伝わってくる。

「AIを入れれば品質も上がる」という思い込みを、ひとつひとつ解いていく作業が、今の開発現場に必要なことかもしれない。


参考元: AI時代に必要なエンジニアのスキルとは? 開発現場の"品質問題"から読み解く – ITmedia AI+