Claudeがコードの9割を書くAnthropic——AIコード自動生成を実務に組み込む手順と注意点

公開日：2026年10月30日文：クリスタルメソッド編集部監修：河合継（代表取締役）

AIがコードの9割を書く体制が現実になった——Anthropicの事例

2026年9月、AnthropicはAIエージェント「Claude」が自社のソースコード変更の90%超を生成していると公表した（ITmedia NEWS、CellCog）。同期間のエンジニア1人あたり日次コード貢献数は2024年平均比で45倍超に増加している（ITmedia NEWS、www.newsbytesapp.com）。Claudeが担う作業はコーディングだけでなく、AI実験支援・学習データ生成・評価自動化・安全監査支援にまで広がった（www.newsbytesapp.com）。

同社のモノレポへのマージ件数は2026年5月時点の約2,500件/日から9月には3万件超/日に急増している（CellCog、InfoQ）。このスケールを支えるため、社内製バージョン管理システム「Scion」への移行も並行して実施された（InfoQ）。「AIがコードを補完する」段階を超え、「AIが実装し、人間が設計と承認を担う」体制が大規模組織で機能し始めたことを示す先行事例として、日本の開発現場が参照すべき内容を含む。

なぜ今、AIコード自動生成による開発効率化が加速しているのか

背景には三つの構造的変化がある。

第一に、エージェントが一連の開発タスクを連続して実行できるようになった。単純なスニペット補完にとどまらず、テスト実行やビルド、差分レビューまでを任せる運用が現れている。Anthropicのレビュー体制では、PRの前にClaudeがテスト・ビルド・リンターを実行し、別エージェントが新規コンテキストでdiffをレビューする（CellCog）。全PRにCI・並列Claudeコードレビュー（投票制）・独立セキュリティレビューを適用し、リスク分類器が承認権限を自動で割り当てる——低リスクは人間承認不要、中リスクは1名、高リスクは2名（CellCog）。

第二に、速度と品質の同時改善が報告されている。Anthropicでは6〜9月でマージPR数が2倍超となり、リバート率は40%超減少した（CellCog）。コードを速く書くだけでなく、品質の指標も悪化していないと同社は説明している。

第三に、「コードベース全体を人間が理解する」という前提が変わった。Anthropicのチームは「Claude Codeの完全な心理モデルを誰も持っていないし、持つ必要もない」と公言している（InfoQ）。理解が必要な部分はClaudeに説明文を生成させる方式を採用する。この発想の転換が大規模自動化を支える半面、重大バグの際に原因を追える人がいなくなる懸念も指摘されており、後述するリスクとして直視する必要がある。

Anthropicが採用するAIコード自動生成パイプライン。開発者は設計・承認に集中し、コード生成・テスト・差分レビューをAIエージェントが担う。リスク分類器がPRごとに必要な人間承認数を自動判定する仕組みが、高速化と品質維持を両立させている。

次に読む：Claude Codeとは？できること・料金は？

Claude Code（クロードコード）とは？できること・料金・使い方を初心者にもやさしく解説【2026年版】

日本の開発チームがAIコード自動生成を実務に組み込む具体的な手順

Anthropicの規模と資本は別次元だが、その設計思想は中小規模の開発チームでも応用できる。段階的に進めることが現実的だ。

AIコード生成を組み込む3段階（本文の手順を図にしたもの）

フェーズ1：単一タスクの自動化から始める

最初から全体を自動化しようとしない。「テストコードの生成」「バグ修正候補の提示」「コメント・ドキュメントの自動生成」など単一タスクから着手し、人間がレビューする習慣を先に作る。GitHub Copilot・Cursor・Claude CodeなどはいずれもIDEに統合でき、既存ワークフローを大きく変えずに試せる。まず1〜2名が1スプリント試用し、アウトプットの質とレビュー負荷の変化だけを計測する。

フェーズ2：CI/CDパイプラインへの組み込み

AIコード自動生成を個人ツールの段階から組織の仕組みに昇格させるには、CIパイプラインへの統合が鍵になる。PRに対してAIが自動でリント・テスト・セキュリティスキャンを実行し、結果を人間のレビュアーに渡す流れが現実的な次のステップだ。Anthropicの設計では、生成したエージェントとは別のエージェントが新規コンテキストでdiffをレビューする（CellCog）。同一エージェントが生成と審査を兼ねると見落としが生じやすいと考えられるため、「生成と審査の分離」は設計上の重要な原則になる。

フェーズ3：リスク分類とガバナンスの明文化

Anthropicが実装したリスク分類器の考え方——低リスクは人間の承認を不要とし、高リスクは複数名で承認する——は組織規模に関係なく応用できる。セキュリティ関連コード・決済ロジック・個人情報を扱うモジュールは必ず人間2名以上がレビューするというポリシーを先に決め、その後に自動化範囲を広げる順番が望ましい。ポリシーを決める前にスケールすると、後から統制を取り戻すコストが大きくなる。

AIコード自動生成が有効な場面と、人間が担うべき判断の整理

意思決定者が導入判断をするにあたり、AIが担える範囲と人間が残すべき判断を場面ごとに整理した。

AIコード自動生成が効果的な場面と人間が担うべき判断
場面・タスク	AIが担える範囲	人間が担うべき判断
テストコードの大量生成	ユニットテスト・エッジケース生成・カバレッジ拡大	テスト戦略の設計、品質基準の設定
レガシーコードのリファクタリング	コードの読み取り・書き換え案の提示・変換	業務仕様の正確な理解、影響範囲の判断
APIドキュメント・コメント生成	既存コードからの仕様文書の自動生成	外部公開可否の判断、機密情報の管理
バグの初期調査・修正候補の提示	スタックトレース解析・修正案の複数提示	根本原因の特定、修正案の採否判断
反復的な定型実装（CRUD・バリデーション等）	仕様を入力すれば実装コードを生成	セキュリティ要件・パフォーマンス要件の確認
セキュリティ要件・法規制対応コード	脆弱性パターンの検出支援・レビュー補助	最終承認は必ず人間（法的責任の所在）

製造業・金融・医療系SIerのようにコンプライアンス要件が厳格な開発現場では、AIが生成したコードの責任帰属が未整備のまま自動化を進めるリスクがある。現時点では、AIを「提案者」、人間を「承認者」に固定したガバナンス設計が法的リスクを抑えやすい。

AIコード自動生成では解決できない問題——注意点と限界

Anthropicの事例が示す成果は、同時に看過できないリスクも内包している。

「誰もコードベース全体を理解していない」問題。大規模にAI生成コードを導入すると、重大バグや障害が発生した際に人間が因果モデルを持てない状況が生まれる（InfoQ）。Hacker Newsでもこの方針への批判的な議論が起きている（InfoQ）。コードベースの一定割合について、人間が理解責任を持つ領域を意図的に確保する必要がある。

ハルシネーションとサプライチェーンリスク。コード生成モデルは存在しないライブラリや非推奨APIを生成することがある。特に依存パッケージの自動生成には、パッケージ名の乗っ取りを利用したサプライチェーン攻撃のリスクが伴う。生成されたコードに対しては依存関係の実在確認とセキュリティスキャンを人間が必ず実施する必要がある。

知的財産と著作権の未解決問題。AIが生成したコードの著作権帰属・既存OSSとの類似性検出は、各国の法整備がまだ追いついていない領域だ。業務利用の前に法務部門との確認を要する。

APIコストの急増リスク。AIエージェントをCIパイプラインに組み込むと、PRの数に比例してAPI利用量が増える。Anthropicではマージ件数が1日約2,500件から3万件超に増えている（CellCog、InfoQ）。コストの数字は報じられていないが、規模に応じた利用上限の設計を事前に行う必要がある。

チームスキルの空洞化リスク。AIへの依存度が高まると、新しいメンバーがコードベースを理解する機会が減り、中長期的に組織の技術的自律性が低下する懸念がある。オンボーディング設計の見直しが必要になる。

明日から試せる実務的な一手

意思決定者として最初にとるべき行動は、大規模な導入計画の策定ではなく、「計測できる小さな実験の承認」だ。

次の三つを30日で実施することが現実的な出発点になる。第一に、既存チームの1〜2名にAIコード生成ツールの試用環境を与え、通常スプリントで「テスト作成にかかった時間」だけを計測する。効果の方向性が確認できれば次のフェーズに進む根拠になる。第二に、CIパイプラインへの組み込みを評価する前に「AIが生成したコードのレビュー基準」を明文化する。何をチェックするかを決めずに速度だけを上げると、品質劣化の検知が遅れる。第三に、法務・セキュリティ部門と「AIが生成したコードの利用ポリシー草案」を作成する。この準備なしにスケールすると、後から統制を取り戻すコストが大きくなる。

Anthropicの45倍という数字は、同社固有の環境での値であり、そのまま再現できるとは限らない。日本の開発チームにとって現実的な目標は、まず「AIが生成し、人間が承認する」サイクルを1チームで安定稼働させることにある。その積み重ねから体制設計の知見が生まれる。

参考文献

ITmedia NEWS　https://www.itmedia.co.jp/news/article/2610/27/2000002644/
Yahoo!ニュース　https://news.yahoo.co.jp/articles/b6a684a256566f324b119294d818bbe60eab6e2f
www.newsbytesapp.com　https://www.newsbytesapp.com/news/science/anthropic-ai-claude-handled-over-90-of-coding-last-month/tldr
CellCog　https://cellcog.ai/blog/claude-code-90-percent-code-review/
InfoQ　https://www.infoq.com/news/2026/10/anthropic-code-review/