70%問題: AIがほとんど解決できるのに全部ではない理由

Shunku
#AI#Vibe Coding#Development#Productivity

AIコーディングアシスタントは素早く印象的な結果を生成できます。ボイラープレートを作成し、ルーチン関数を書き、数分で動くプロトタイプを作成します。しかし多くの開発者が壁にぶつかります：AIはおよそ70%まで到達できますが、残りの30%は収穫逓減の繰り返しになります。

70%問題を理解する

flowchart LR
    A[あなたのリクエスト] --> B[AI生成]
    B --> C[70%完了]
    C --> D{ギャップ}
    D --> E[エッジケース]
    D --> F[統合]
    D --> G[本番対応]
    D --> H[パフォーマンス]

    style C fill:#10b981,color:#fff
    style D fill:#ef4444,color:#fff

70%はどんな感じか

最初の70%は魔法のよう：

最初のAI出力: 動くプロトタイプ
├── 基本機能: ✓
├── ハッピーパス: ✓
├── 標準パターン: ✓
├── ボイラープレート: ✓
└── 一般的なユースケース: ✓

30%に含まれるもの

残りの30%に難しさが隠れている：

挑戦的な30%:
├── エッジケースとエラーハンドリング
├── セキュリティ考慮
├── パフォーマンス最適化
├── 既存システムとの統合
├── ビジネスロジックのニュアンス
├── 本番グレードの信頼性
└── 保守可能なアーキテクチャ

なぜこのギャップが存在するか

AIのパターンマッチングの強み

AIは「偶発的な複雑さ」—繰り返しの多いパターン化された作業—に優れています：

AIが得意 AIが苦手
CRUD操作 新しいアルゴリズム
標準UIパターン 独自のビジネスルール
一般的な統合 エッジケース処理
フレームワークボイラープレート パフォーマンスチューニング
ルーチンバリデーション セキュリティ強化

本質的複雑さの問題

flowchart TD
    A[ソフトウェアの複雑さ]
    A --> B[偶発的な複雑さ]
    A --> C[本質的な複雑さ]

    B --> B1["ボイラープレート<br/>標準パターン<br/>フレームワーク設定"]
    C --> C1["ビジネスロジック<br/>ドメイン知識<br/>アーキテクチャ決定"]

    B1 --> D["AIがうまく処理"]
    C1 --> E["人間の洞察が必要"]

    style B fill:#10b981,color:#fff
    style C fill:#ef4444,color:#fff
    style D fill:#10b981,color:#fff
    style E fill:#ef4444,color:#fff

AIは標準パターンの何百万もの例を見てきました。しかしあなた特有の：

  • ビジネス要件
  • 統合制約
  • パフォーマンス目標
  • セキュリティ要件

...はトレーニングデータにマッチしない独自の組み合わせです。

収穫逓減のサイクル

多くの開発者がこのパターンを経験：

イテレーション1: AIがソリューションの70%を生成
イテレーション2: バグ修正、AIが新しいバグを導入
イテレーション3: 新しいバグを修正、元の機能が壊れる
イテレーション4: それを修正、エッジケースが出現
...
イテレーションN: 「自分で書いた方が早かった」

なぜAIは「一歩前進、二歩後退」するのか

flowchart TD
    A[バグをAIに報告] --> B[AIがバグを修正]
    B --> C[修正が別の何かを壊す]
    C --> D[新しい問題を報告]
    D --> E[AIが新しい問題を修正]
    E --> F[元のバグが再発]
    F --> A

    style A fill:#f59e0b,color:#fff
    style F fill:#ef4444,color:#fff

これが起こる理由：

  1. 限られたコンテキスト: AIはシステム全体を理解していない
  2. ランタイム可視性なし: AIはコードの実際の動作を見られない
  3. 理解よりパターン: AIはパターンマッチし、推論しない
  4. トレーニングデータの偏り: 最適でなく一般的なアプローチを反映

ギャップを埋める: 実践的戦略

1. 明確な仕様から始める

悪いプロンプト:
「ユーザー認証システムを作成して」

良いプロンプト:
「以下の仕様でユーザー認証システムを作成して:
- メール/パスワードログイン
- JWTトークン、有効期限1時間
- レート制限: 失敗5回でアカウント15分ロック
- パスワード要件: 8文字以上、大小英字混合、数字
- models/user.jsの既存Userモデルと統合」

要件が具体的であるほど、30%の多くを事前に対処できます。

2. AIは下書き用、最終版ではない

flowchart LR
    A[AI下書き] --> B[人間レビュー]
    B --> C[ギャップ特定]
    C --> D[手動修正]
    D --> E[AIがアシスト]
    E --> F[人間が検証]
    F --> G[本番コード]

    style A fill:#8b5cf6,color:#fff
    style D fill:#3b82f6,color:#fff
    style G fill:#10b981,color:#fff

AI出力は以下が必要な最初の下書きとして扱う：

  • エラーハンドリングレビュー
  • エッジケース分析
  • セキュリティ監査
  • パフォーマンスチェック

3. ビッグバンではなく段階的に

AIに機能全体を構築させるのではなく：

# 効果が低い
「完全なeコマースチェックアウトシステムを構築して」

# より効果的
「カートのデータモデルを作成して」
[レビュー、改善]
「カートに追加する関数を追加して」
[レビュー、改善]
「税込み価格計算を実装して」
[レビュー、改善]
...

4. レビューチェックリスト

AIがコードを生成した後、体系的にチェック：

領域 確認すべき質問
エラーハンドリング APIが失敗したら？入力が無効なら？
エッジケース 空リスト？Null値？同時アクセス？
セキュリティ SQLインジェクション？XSS？認証バイパス？
パフォーマンス N+1クエリ？メモリリーク？非効率なループ？
統合 既存パターンと互換？規約に従っている？

5. いつ引き継ぐべきか知る

手動コーディングの方が速いパターンを認識：

AIが行き詰まっているサイン:
- 「修正」後に同じバグが再発
- ソリューションがますます複雑に
- 無関係な機能を壊す
- 解決策ではなく回避策を提案

対処: 止まる、コードを理解する、手動で修正

人間の30%: 重要なスキル

AIが代替できないもの

flowchart TD
    A[人間の付加価値]
    A --> B[アーキテクチャ決定]
    A --> C[ドメイン知識]
    A --> D[品質判断]
    A --> E[複雑な問題のデバッグ]
    A --> F[統合戦略]

    style A fill:#8b5cf6,color:#fff

磨くべきスキル

スキル なぜ重要か
コードリーディング AI出力を理解し検証
アーキテクチャ AIが実装するシステムを設計
デバッグ AIが診断できない問題を修正
ドメイン専門知識 AIにないビジネスコンテキストを適用
テスト戦略 正確性を包括的に検証

実践的ワークフロー

70/30開発サイクル

フェーズ1: AI支援（70%）
├── 初期構造を生成
├── ボイラープレートを作成
├── 標準パターンを実装
└── ハッピーパス機能を構築

フェーズ2: 人間のエンジニアリング（30%）
├── 生成されたコードをすべてレビュー
├── エラーハンドリングを追加
├── エッジケースを処理
├── パフォーマンスを最適化
├── セキュリティを強化
└── 統合テスト

時間配分

現実的に時間を計画：

AIを使った機能開発:
├── AI生成: 時間の20%
├── レビューとテスト: 時間の30%
├── 手動改善: 時間の40%
└── 統合: 時間の10%

コードの70%は時間の20%
コードの30%は時間の80%

例: ログインシステムの構築

AIの70%

// AIがこれを素早く生成
async function login(email, password) {
  const user = await User.findOne({ email });
  if (!user) return { error: 'User not found' };

  const valid = await bcrypt.compare(password, user.password);
  if (!valid) return { error: 'Invalid password' };

  const token = jwt.sign({ userId: user.id }, SECRET);
  return { token };
}

人間の30%

// 人間が本番対応部分を追加
async function login(email, password) {
  // 入力バリデーション
  if (!email || !isValidEmail(email)) {
    return { error: 'Invalid email format' };
  }

  // レート制限チェック
  const attempts = await getLoginAttempts(email);
  if (attempts >= 5) {
    return { error: 'Account locked. Try again later.' };
  }

  const user = await User.findOne({ email });

  // タイミングセーフな応答（列挙攻撃防止）
  if (!user) {
    await bcrypt.compare(password, DUMMY_HASH);
    await recordFailedAttempt(email);
    return { error: 'Invalid credentials' };
  }

  const valid = await bcrypt.compare(password, user.password);
  if (!valid) {
    await recordFailedAttempt(email);
    return { error: 'Invalid credentials' };
  }

  // 成功時に失敗回数をクリア
  await clearLoginAttempts(email);

  // 監査ログ
  await auditLog('login', user.id, { ip: req.ip });

  const token = jwt.sign(
    { userId: user.id, version: user.tokenVersion },
    SECRET,
    { expiresIn: '1h' }
  );

  return {
    token,
    expiresIn: 3600
  };
}

まとめ

観点 70% 30%
内容 標準パターン、ボイラープレート エッジケース、本番対応
担当 AIが得意 人間が不可欠
必要時間 速い 労力の大部分
必要スキル プロンプティング エンジニアリング判断

70%問題は修正すべき欠陥ではなく、受け入れるべき現実です。AIはコーディングのルーチン部分を劇的に加速し、人間の判断が最も重要な本当に難しい30%に専門知識を集中できるようにします。

最高の開発者はこのダイナミクスと戦いません。迅速な下書きにAIを活用しながら、その重要な最後の部分を完成、保護、最適化するためのエンジニアリング規律を維持します。

参考資料

  • Osmani, Addy. Beyond Vibe Coding. O'Reilly Media, 2025.
  • Yang, Peter. "Honest reflections from coding with AI." X/Twitter, 2024.
ブログに戻る