AIコーディングの理想と現実

ネットシェア可 AIコーディングの理想と現実株式会社ジェイテックジャパン高丘知央 2025年4月22日(火曜日) 吉祥寺.pm #38 #kichijojipm

自己紹介高丘知央 - Tomohisa Takaoka X: @tomohisa GitHub: @tomohisa
Works at: 株式会社ジェイテックジャパン、J-Tech Creations, Inc. JTS Group CTO: 中小企業の受託開発をモダンな開発スタイルで Microsoft MVP for Developer Technologies from Nov 2024- OSS: Sekiban - Event Sourcing and CQRS Framework 5月19日に #イベントソーシング勉強会第二回を行います。良かったらご参加ください！ 2 / 47

プログラマとしての経歴プログラマ歴高校時代から30年得意言語：C#、以前はObjective-C、Swift フレームワーク作成が好き AI時代への取り組み Clineで2025年1月にAIエージェントコーディング開始 30年のプログラマ生活で最大の変革期と認識多くの時間をAIコーディング検証に投入 3
/ 47

本日のアジェンダ 1. このトークの狙い・参加型登壇について 2. AIコーディングの理想と現実 - 基本生産性 3. AIコーディングの理想と現実 -
新領域への挑戦 4. 雰囲気コーディングの理想と現実 5. ローカルLLMによるコーディングの理想と現実 6. まとめ 4 / 47

1. このトークの狙い・参加型登壇について 5 / 47

1-1. AIコーディングの現実を知る生産性は本当に向上するのか？未経験領域でもプログラミングできるようになるのか？ローカルLLMは実用的なのか？「理想」と「現実」のギャップを知って、AIコーディングを賢く活用する成功体験と挫折体験の両方を共有 6 / 47

1-2. 参加型登壇：リアルタイムアンケート ※ このトークは聴衆参加型登壇です！去年9月の吉祥寺.pmオンライン36では事前アンケート今年はリアルタイムアンケートで皆さんの体験を共有リアルタイムアンケートのリンク：下に表示しています！ https://kichijojipm38.azurewebsites.net/questionair/36C1WR 7 /
47

1-2. リアルタイムアンケート項目主なアンケート項目： AIによる補完以上のプログラミングの使用頻度使用しているAIコーディングアプリ AIコーディングによる生産性向上の実感 Vibe(雰囲気)コーディングの経験と効果 8 / 47

2. AIコーディングの理想と現実 - 基本生産性 9 / 47

2-1. 理想：生産性は大幅に向上する GitHub調査による統計データ Copilotユーザーは課題完了時間が平均55%短縮タスク完了率も向上（78% vs 70%） 10 / 47

2-1. 理想：開発者体験の向上開発者体験と満足度の向上 90%以上が「作業が速く進む」と実感 73%が「フロー状態を維持しやすい」と回答 87%が「単調作業の精神的負担が軽減」と実感コードの品質向上も期待できるエラー処理や堅牢性の向上一貫性のあるコーディングスタイル 11
/ 47

2-2. 現実：生産性向上の実体験イベントソーシングフレームワークSekibanの次期バージョン開発 2022年から開発してきた既存フレームワークの問題点を認識 2025年1月、Microsoft Orleans上に再構築する新バージョンを開始 Cline+Sonnet3.5を活用 12 / 47

2-2. 現実：Sekibanフレームワーク開発の成果確かな生産性向上を実感コンセプト自体は既存のものを改良（「真似」の素が存在）通常なら数ヶ月かかる規模の開発を1ヶ月で実現経営者としての時間制約がある中でも進捗前提条件：既存の高い専門知識あり C#とイベントソーシングへの深い理解設計コンセプトの明確なビジョンがあった
13 / 47

2-3. AIが得意な領域得意なもの：「真似」できるコード書くのが面倒だが比較的単純なコード C# Source Generatorのような定型的なコード生成
類似したパターンの応用（一度成功したら繰り返せる） https://zenn.dev/jtechjapan_pub/articl es/5ea55a6ba47658 14 / 47

2-3. AIが得意な領域を活用した記法コンテキストを制限して、まず設計をしてから実装に移るタスクリスト＋タイムスタンプ月設計ファイル Cline と Copilot両方で交互に実行で
きる https://zenn.dev/jtechjapan_pub/articl es/d441feb5123c9f 15 / 47

2-3. AIが苦手な領域苦手なもの：抽象度の高い設計複数ファイルにまたがる共通インターフェース設計拡張性を考慮したシンプルなAPI設計一貫性のある全体アーキテクチャの構築 16 / 47

2-3. AIコーディングの意外な負担意外な負担：「目grep疲れ」大量の生成コードをレビューする精神的・肉体的疲労生成コードの品質にバラつきがあり、細部の確認が必要質の悪いコードでもコミットしてしまいがち 17 / 47

3. AIコーディングの理想と現実 - 新領域への挑戦 18 / 47

3-1. 理想：未経験技術への挑戦未経験の技術領域に短期間で挑戦可能にドキュメントを読み込んで即実装できるチュートリアルを一から進める必要がない専門家並みのコード品質で実装できる 19 / 47

3-1. 理想：多言語・多フレームワーク対応多言語・多フレームワークへの対応力得意言語以外でも高品質なコードを生成フレームワークの詳細を知らなくても使いこなせるライブラリの選定から実装までサポート 20 / 47

3-1. 理想：キャッチアップ時間の短縮新しい技術のキャッチアップ時間を短縮最新技術のサンプルコードを即座に生成ベストプラクティスを取り入れた実装公式ドキュメント以上に実践的な解説 21 / 47

3-2. 現実：bicepによるIaC開発の体験 Azure IaCツール「bicep」への挑戦時間がなく手が出せていなかった技術 Cline、Copilot Agentの支援で1週間でパイプライン構築実際に動作するデプロイ環境を構築できた 22 /
47

3-2. 現実：成功の前提条件成功の前提条件 Azureデプロイの経験があったクラウドインフラ概念への基本的理解があった開発内容を具体的に指示できた 23 / 47

3-2. 現実：AIコーディングの限界現実的な限界 1週間でゼロからクラウド概念を学べるわけではない AIは知識の代替ではなく増幅器として機能ドメイン知識がないと問題発生時の対応が困難 24 / 47

4. 雰囲気コーディング(Vibe Codeing)の理想と現実 25 / 47

4-1. 理想：プログラミングの民主化プログラミング未経験者でもコードが書ける時代詳細な技術知識がなくても成果物が作れる「動くもの」を短時間で作れる専門分野を超えた開発が可能に 26 / 47

4-1. 理想：ドメイン専門家の実装力ドメイン専門家が直接実装できる可能性エンジニアを介さず直接アイデアを形にできるプロトタイピングの民主化検証サイクルの大幅な短縮 27 / 47

4-1. 理想：創造力の解放クリエイティブな挑戦へのハードル低下「作りたいもの」に集中できる技術的制約から解放されるアイデア実現のスピードアップ 28 / 47

4-2. 現実：Three.jsゲーム開発への挑戦 Three.jsを使った3Dゲーム開発への挑戦 TypeScriptは知っているがゲーム開発は未経験ペンギンが動き回る鬼ごっこゲームを構想物理エンジンや衝突判定も実装できた 29 / 47

4-2. 現実：直面した壁直面した壁地形作成でAIが無限ループに陥った基本設計なしでの開発の限界ドメイン知識不足による指示の曖昧さ 30 / 47

4-2. 現実：ゲーム開発から得た教訓教訓未知分野でも「ある程度」は進められるしかし深い機能実装には領域知識が必要適切なレベルで人間が設計・判断する必要性 31 / 47

4-3. 現実：イベントソーシングアプリの成功例リアルタイムアンケートシステム開発の成功自作のテンプレートをベースに開発 C#, SignalR, イベントソーシング, CQRSの知識ありたった3時間で基本的なシステムを構築 32
/ 47

4-3. 現実：成功要因の分析成功要因自分が理解している技術スタック明確な機能要件既存テンプレートの存在（「真似」の素）タスクリスト+タイムスタンプ付き設計ファイルの活用 33 /
47

4-3. 現実：アンケートアプリから得た教訓教訓自分の知識領域内ならVibeコーディングでも大きな成果計画段階の人間の関与が重要コードの修正・改善を前提としたプロセス設計 34 / 47

5. ローカルLLMによるコーディングの理想と現実 35 / 47

5-1. 理想：コスト削減とプライバシー API料金不要でのAIコーディングサブスクリプション料金の削減使用量を気にせず無制限に利用可能初期投資ですべてを賄える 36 / 47

5-1. 理想：セキュリティとカスタマイズプライバシーとセキュリティの向上機密コードを外部サーバーに送信しない社内ポリシーに準拠した運用インターネット接続なしでも使用可能カスタマイズの自由度自社コードベースでファインチューニング特定領域に特化した学習完全に制御可能な環境
37 / 47

5-2. 現実：ローカルLLMの検証環境 M4 Max MacBook Pro 128GB メモリでの検証 DeepSeek, llama,
QwQなど最新モデルで検証質問応答レベルではある程度使えるコーディングではクラウドモデルに大きく劣る 38 / 47

5-2. 現実：性能の限界パフォーマンスの現実 Sonnet, GPT, Geminiに近い性能は出ないレスポンス速度が実用的でない複雑なコード生成では信頼性に欠ける 39 /
47

5-2. 現実：コスト効率の判断費用対効果の判断 Mac Studio M3 Ultra 512GBでもAPI並みの性能は期待できない現時点ではAPI費用への投資の方が費用対効果は高いハードウェア投資よりもクラウドAPIの方が性能面で優位
40 / 47

6. まとめ 41 / 47

6-1. AIが追いついていない領域 AIが追いついていない領域拡張性、記述性の良さまで考えた設計大きなシステムにおける一貫性のあるコーディング設計複雑なエラーのデバッグプライベート/マイナーなフレームワークの理解 42 / 47

6-1. AIが人間を上回りつつある領域 AIが人間を上回りつつある領域単体ファイルの理解と問題解析簡単だが面倒なコード（テストなど）の記述速度明らかなエラーの修復能力幅広い言語・環境に関する基本知識 43 / 47

6-2. AIの弱点と克服の方向性 AIの弱点は徐々に克服されていく現在の弱点が1-3年後には解消している可能性継続的な技術動向のモニタリングが重要 44 / 47

6-2. 効果的なAI活用のポイント効果的なAI活用のポイント AIが苦手な領域を見極めるコンテキストとして渡せば弱点が解消する情報を整理 AIが理解できる形で設計情報を用意 45 / 47

6-2. 開発者の役割の変化開発者の役割の変化自分と組織のメンバーの継続的な成長先入観なく新ツールを試す積極性 AIと協業するスキルの磨き方 46 / 47

ネットシェア可ありがとうございました！ AI(あい)の春　夢をめぐらし　回答す株式会社ジェイテックジャパン JTS Group https://www.jtechs.com/japan/ Sekiban - イベントソーシング・CQRSフレームワーク
https://github.com/j-tech-japan/sekiban X: @tomohisa GitHub: @tomohisa

AIコーディングの理想と現実

AIコーディングの理想と現実

More Decks by Tomohisa Takaoka

Other Decks in Programming

Featured

Transcript