HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

2x、10xではない:2026年のLLMによるコーディング

2x, not 10x: coding with LLMs in 2026 (obryant.dev)

245 pointsby tnisonoff195 コメント

要約

この記事は、2026年における大規模言語モデル(LLM)がコーディング生産性に与える影響について考察しています。LLMは、明確で客観的に検証可能な基準を満たすコード生成において2倍程度の生産性向上をもたらすものの、コードの保守性やドキュメント作成といったより複雑なタスクでは依然として限界があるとしています。著者は、LLMの能力向上だけでなく、既存のモデル能力を最大限に活用するためのワークフローやツールの再構築が、今後の生産性向上の鍵となると予測しています。

全文翻訳

2x, not 10x: coding with LLMs in 2026

この6ヶ月で自分が学んだことは、もしハリー・ポッターがノンフィクションで魔法が実在するという事実を発見したとしても、私の反応は「なるほど興味深い。でも、この魔法って、ユニットテストを書く以上のことに役立つのか?」という程度だろうということです。

LLMは確かにその有用性の敷居を越えましたが、2026年7月現在、私の直接の観察に基づくと、依然として根本的な限界があり、私は「ソフトウェアエンジニア」という職業が絶滅する職業になった場合の代替案として、まだ木工細工を始めていません。LLMがなぜ有用になったのかという私のメンタルモデルに基づくと、それがすぐに変わるとは思えません。私の仮説はこうです。

2026年のLLMの採用率の増加は、主に自動フィードバックループで効果的に実行できるほど信頼性が高まったことによるものです。その敷居を越えた今、モデルパフォーマンスのさらなる向上は、以前ほど生産性に大きな影響を与えなくなるでしょう。

階段を上るには、少なくとも一歩ずつ上がれるだけの身長が必要ですが、一度に2〜3段上がれるほど背が高いことの重要性は、それほど大きくありません。これが比喩です。

LLMがコーディングに役立つのは、「Xをするボタンを作って、そのボタンをクリックしてXをするか確認して」と指示できるからです。LLMは、無駄な試行錯誤ではなく、意味のあるステップでその目標に向かって反復でき、人間が「はい、ボタンはXをするようになりました」または「いいえ、ボタンはまだXをしません」と言うであろうタイミングを確実に予測できます。そのため、LLMは、あなたが明示的に提供する、容易かつ客観的に検証可能な受け入れ基準を満たすコードを生成するのに役立ちます。

そして、それは信じられないほど、驚異的で、人生を変えるほどのものです。おそらく2倍の改善かもしれません。しかし、この仕事には、LLMがまだ十分な精度で答えを予測できない、私の意見では有用とは言えない重要な問題がまだ残っています。例えば:

  • 「このコードを構造化する、より保守的な方法はありますか?」
  • 「このドキュメントには、適切な情報が含まれており、余分な情報が省略されていますか?」

そのため、私はLLMを主にコードのドラフトを作成するために使用し、その後、少なくとも全体的な構造が気に入るまで、大幅に反復処理を行います。個々の行や関数の可読性については、少しずさんになってしまいました。(同僚がこの記事を読む可能性があるので、この言い訳を含めなければなりません。)そして、行レベルのずさんさがあったとしても、その反復にどれだけの時間がかかるかを常に過小評価しています。動作する実装がかつてはタスクの80%完了を意味していましたが、今では20%程度です。

ドキュメントに関しては、この簡単な指示がLLMの出力を大幅に改善することを発見しました。

README、docstring、またはコメントは絶対に書かないでください。後で私が自分で書きます。そして、はい、これは本当にその意味です。

これらの限界に対して、おそらく合理的な反応は、「LLMは過去1年で劇的に改善したので、来年のさらなる改善によって、ドキュメントや保守的なコードを書くのがずっと上手くなるだろう」と言うことかもしれません。しかし、私の階段の比喩を受け入れるなら、その反応はそれほど確実ではありません。高い階段を上れるからといって、泳げるわけではありません。

したがって、私の現在の推測では、モデルの改善だけでは、2025年の暗黒時代からの10倍の生産性向上には到達しない可能性が高いです。むしろ、近い将来の生産性向上の大部分は、私たちが今日すでに持っているモデルの能力を中心に業界が再編成することから来ると考えています。

私はこの分野の早期採用者ではありません。これまでのところ、LLMを単なる検索エンジン/Stack Overflowの代替(RIP)として使用することから、対話型チャットでコードを書かせること、そして最終的な望む状態を宣言的に指定することへと移行しました。サンドボックス化された環境もMVP(Minimum Viable Product)となっており、30秒ごとにLLMに何かを実行する許可を与える必要がなくなりました。このあたりのワークフローやツールの洗練には、まだまだ多くの作業が必要です。

また、仕事や本番環境ではないものに対して、バイブコーディング(コードを読まずに、あるいは理解せずに生成することと定義します)も行いました。仕事以外でもこの領域をさらに探求することに興味がありますし、もちろん他の多くの人々も熱心に前進しています。長期的に見て、このアプローチがどれほど実行可能かを知るのは難しいです。なぜなら、まだ長期的な実績がないからです。しかし、何かがあるかもしれません。特定のテストプラクティスやツールなどが、ブラックボックスのLLMコードに、重要なインフラストラクチャの運用であっても依存することを安全にするかもしれません。LLMの根本的な弱点を回避することで、10倍の改善を達成できるかもしれません。

しかし、それまでの間、私は自分の手-作りのREADMEにこだわり続けます。