talks

発表設計資料：この1年のコーディングエージェントの進化と今後半年の予想

0. この資料の読み方

本文では、主張の種類を次のように区別する。

この区別をスライド上ですべて明記する必要はないが、話す側は意識しておく。特に「プログラマーAGI」は既存の公式定義ではなく、今回の発表のために範囲を絞って定義する言葉である。

1. 発表全体の核

1.1 一文で言うと

プログラマーという職種の仕事がすべて自動化されたわけではない。だが、少なくとも「与えられた目的に対してコードを調査・実装・テスト・修正する知能」は、平均的な人間プログラマーの水準に到達し、すでに超え始めている。

この意味で、今回の仮説は次のように置く。

プログラマーAGIは、もう来ていた。

より口頭向きに言うなら、次も候補になる。

コーディング部分の実装勝負は、もう終わったのではないか。

1.2 今回の「プログラマーAGI」の定義

今回の発表では、AGIを「人類の全能力を代替する万能知能」としては使わない。対象を次の範囲に限定する。

含める能力

含めない、または別の論点にする能力

境界を明示する目的は主張を弱めることではない。逆に、コーディングという狭いが巨大な領域では、すでに閾値を超えたという主張を明確にするためである。

1.3 最後に残したい問い

発表の前半は「人間を超えたか」を扱う。しかし今後半年については、問いを次へ進める。

もう論点は、人間を超えたかどうかではない。どこまで人間から離れていくのか、そして、その能力がどれだけ安く・普通に使えるようになるのかである。

2. 過去2回の発表とのつながり

2.1 2025年4月26日：「MCPとエージェント」

元資料：MCPとエージェント.md

この発表では、MCPを「LLMと実世界をつなぐ橋」として説明した。重要な主張は以下だった。

今回への接続：

2025年前半は「どう道具を接続するか」が大きな話題だった。その後、モデルがCLIやファイル、既存ドキュメントを扱う能力を増し、MCPだけでなく Skills、AGENTS.md、ハーネス、ループへと関心が移った。MCPが不要になったのではなく、モデルの弱点とボトルネックが変わったため、目立つ技術が変わったと説明する。

2.2 2025年7月19日：「生成AIの『現在地』だけでなく『速度』も見よう」

元資料：ai_limit_and_speed.md

この発表では、現在できるかどうかだけでなく、速度と加速度を見るべきだと主張した。また、半年後の予想として次を挙げていた。

今回への接続：

1年前には「半年後に大規模開発が可能になる」と予想した。半年後には大規模開発の実験が現れ、1年後には実用プロダクトの大規模移植が現れた。

今回の発表は、前回の予想の答え合わせであると同時に、次の半年を考える続編になる。

2.3 今回の位置づけ

3回を一行ずつにすると次の流れになる。

  1. MCP回：LLMが外の世界へ手を伸ばす仕組みが整った
  2. 速度論回：限界そのものより、限界が動く速度を見るべきだ
  3. 今回：その1年後、コーディング領域では人間水準という閾値を越えたのではないか

3. 聴衆とトーン

3.1 聴衆想定

3.2 トーン

4. 30分の推奨構成

時間 内容 目的
0:00–2:00 前回からの続き・今回の問い 続編であることを示す
2:00–5:00 結論を先に提示：「プログラマーAGIは来た」 聴衆に検証すべき仮説を渡す
5:00–10:00 軸1：モデルとコーディングエージェントの進化 主要製品の歴史を共有
10:00–15:00 軸2：開発作法とボトルネックの変化 Prompt→Context→Harness→Loopを示す
15:00–19:00 軸3：接続・環境・制御の変化 MCP→Skills、檻→働く環境を示す
19:00–23:00 軸4：評価尺度と作業規模の変化 ベンチマークと大規模実例で裏づける
23:00–25:00 4軸を結論へ収束 「実装勝負は終わった」
25:00–28:30 今後半年の予想 能力の低価格化と新しいボトルネック
28:30–30:00 おまけ：この資料の作り方・予想の答え合わせ 人間味のある締め

推奨枚数：18～22枚。1枚1メッセージを基本にする。

5. マスター年表：2024年末～2026年夏

この年表は、すべてを1枚に詰め込むためではない。後述する4本の軸を作るための素材集として使う。

日付 出来事 人・会社 この発表での意味
2024-11-25 Model Context Protocol（MCP）公開 Anthropic エージェントと外部ツール・データをつなぐ標準化が始まる
2024-12-11 実験的コードエージェント Jules を発表 Google / Google DeepMind GitHub上で計画・実行する非同期型エージェントの初期像
2025-02-02 「Vibe Coding」という語を投稿 Andrej Karpathy コードを細かく読まず、自然言語と実行結果の反復で作る文化を命名
2025-02-24 Claude 3.7 SonnetとClaude Codeを研究プレビュー公開 Anthropic ターミナルで検索、編集、テスト、Git操作を行うエージェントが登場
2025-02-26 「CLINEに全部賭けろ」公開 mizchi 日本の技術者コミュニティでCline型エージェントの衝撃が言語化された象徴的記事。著者は約2か月利用していたと記述
2025-05-16 Codex研究プレビュー OpenAI リポジトリをクラウドサンドボックスに読み込み、複数タスクを並列実行
2025-05-20 Julesパブリックベータ Google Labs 誰でも使える非同期コーディングエージェントへ
2025-05-22 Claude Opus 4 / Sonnet 4、Claude Code一般提供 Anthropic 発表者の体感ではClaude Codeが「実務で使う道具」になった大きな節目
2025-07-14 Kiro発表 AWS Vibe Codingを試作で終わらせず、SpecsとHooksで本番へ持っていく思想
2025-08-07 GPT-5公開 OpenAI OpenAI系モデルのコーディング・エージェント能力が強化
2025-09-02 Spec Kit公開 GitHub Spec-Driven Developmentをコーディングエージェントのワークフローとして体系化
2025-09-15 GPT-5-Codex公開 OpenAI 実プロジェクト、長時間作業、大規模リファクタ、レビューへ最適化
2025-09-29 「Effective context engineering for AI agents」公開 Anthropic 「うまい命令」より、有限なコンテキストをどう構成するかが中心課題になる
2025-10-16 Agent Skills公開 Anthropic 手順、スクリプト、資料を必要時だけ読み込む仕組み。手順書がエージェント資産になる
2025-11-24 Claude Opus 4.5公開 Anthropic 長時間コーディング、曖昧さへの対応、低価格化を強調
2025-11-26 長時間エージェント向けハーネス設計記事 Anthropic 複数コンテキストをまたいで進捗を維持する仕組みが中心課題へ
2025-12-09 MCPをLinux Foundation傘下AAIFへ寄贈 Anthropicほか MCPは「終わった」のではなく、業界標準インフラへ沈み込んだ
2025-12-11 GPT-5.2公開 OpenAI 長文脈、ツール呼び出し、実務成果物、コーディング能力を強化
2025-12-18 GPT-5.2-Codex公開 OpenAI 大規模変更、移行、長時間作業でのコンテキスト維持を強化
2025-12-18 Agent Skillsをオープン標準化 Anthropic SkillsがClaude専用の小技から、持ち運べる形式へ
2026-01-14 数百のエージェントによる長時間並列コーディング実験 Cursor / Wilson Lin ブラウザを約1週間で100万行超・1000ファイル。規模は拡大したが、実験品質と製品品質は分けて扱う
2026-02-05 Claude Opus 4.6公開 Anthropic 長時間タスク、大規模コード、レビュー・デバッグ能力を強化
2026-02-05 GPT-5.3-Codex公開 OpenAI 長時間の調査・ツール利用・複雑な実行を統合
2026-02-05 16体のClaudeでRust製Cコンパイラを構築した実験を公開 Anthropic / Nicholas Carlini 約2000セッション、約10万行、2万ドル。Linuxカーネルをx86/ARM/RISC-V向けにビルドできる規模
2026-02-11 Harness Engineering記事 OpenAI / Ryan Lopopolo 人間の仕事を「コードを書く」から、環境・足場・フィードバックループを作ることへ再定義
2026-02-17 Claude Sonnet 4.6公開 Anthropic 数か月前ならOpus級だった能力が、安価なSonnet帯へ降りてきた例
2026-02-18 Claude Codeの実利用における自律性調査 Anthropic 利用経験が増えるほど自動承認が増える一方、経験者は必要時に中断もする。信頼は「放置」ではなく監視能力とセット
2026-03-05 GPT-5.4公開 OpenAI 1Mコンテキストとネイティブなコンピュータ操作。計画・実行・検証を長時間継続
2026-03-24 長時間アプリ開発向けHarness Design記事 Anthropic モデル能力だけでなく、検証可能な環境設計が性能を引き出す
2026-04-08 Managed Agents記事 Anthropic ハーネスは「モデルができないこと」を前提にするが、その前提はモデル進化で急速に古くなると指摘
2026-04-22頃 Qwen3.6-27B公開 Qwen Team / Alibaba フロンティアに近かった能力が小型・ローカル側へ降りる流れの象徴。RTX 3090での量子化実行は発表者自身の実測を載せる
2026-04-23 GPT-5.5公開 OpenAI より長く自走し、曖昧な複合タスクを計画・検証しながら継続
2026-05-26 DeepSWE公開 DataCurve / Wenqi Huangほか 91のOSS、5言語、113の新規長時間タスク。短い依頼から探索・実装させる現実寄り評価
2026-05-28 Claude Opus 4.8公開 Anthropic 大規模問題向けDynamic Workflowsなど、長時間・複数作業の実用化を強調
2026-06-07 Loop Engineeringの記事 Addy Osmani 人間が一回ずつ指示するのではなく、指示・検証・再実行する仕組みそのものを設計するという言語化
2026-06-09 Claude Fable 5公開 Anthropic 長時間自律、より少ない足場、Stripeの5000万行Rubyコード移行例を紹介。6月12日に一時停止、7月1日に再提供
2026-06-29 MirrorCode論文v1 Tom Adamczewskiほか プログラムの入出力挙動だけから、プログラム全体を再実装する評価
2026-06-30 Claude Sonnet 5公開 Anthropic 数か月前のOpus級に近いエージェント能力を、安価なSonnet価格帯へ
2026-07-08 BunのZig→Rust全面移植を公開 Jarred Sumner / Bun / Anthropic 約53.5万行のZigを、1人＋Fable 5＋約50ワークフローで11日間。全テスト通過、実運用へ投入
2026-07-09 GPT-5.6 Sol / Terra / Luna一般提供 OpenAI 能力だけでなく「1トークン・1ドルあたりの有用な仕事」を前面に出す。Ultraは複数エージェントを調整

6. 4本の軸で語る本編

軸1：モデルとコーディングエージェント自体の進化

この章のメッセージ

2025年前半は「エージェントらしく動く」こと自体がニュースだった。2026年夏には、長時間・大規模・複数エージェントが前提になった。

話す流れ

  1. 2024年末～2025年2月：ClineとVibe Coding
  2. 2025年2月：Claude Code研究プレビュー
  3. 2025年5月：Claude 4＋Claude Code一般提供、Codex、Julesが並ぶ
  4. 2025年後半：GPT-5-CodexとClaude Opus 4.5が競争
  5. 2026年初頭：Opus 4.6とGPT-5.3-Codexで一段階変わる
  6. 2026年春～夏：GPT-5.4/5.5/5.6、Opus 4.8、Sonnet 5、Fable 5

発表者の実感として入れる内容

候補スライド見出し

注意点

軸2：開発作法と重視点の変化

この章の中心フレーズ

バズワードが変わったのではない。ボトルネックが変わった。

推奨する1枚図

Prompt Engineering
「どう言うか」
        ↓
Context Engineering
「何を見せるか」
        ↓
Spec / Harness Engineering
「どういう環境と制約で働かせるか」
        ↓
Loop Engineering
「どう自動で繰り返し、検証し、止めるか」
        ↓
Human in the Loop → Human on the Loop
「人間を処理の中に置くか、外から監督させるか」

年代は厳密に完全分離されず重なっている。年ごとの流行語としてではなく、モデルの能力向上で「一番困る場所」が移った図として使う。

Prompt Engineering

Context Engineering

Spec-Driven Development（SDD）

SDDの限界として短く入れる独自の視点

問題は、仕様を正確に文章化できないことだけではない。顧客やユーザー自身が、動くものを見るまで欲しい仕様を知らないことがある。

ここを深掘りしすぎると本筋から外れるため、未来予想への橋として1枚か半枚で扱う。

Harness Engineering

Loop Engineering

Human-in-the-loop → Human-on-the-loop

この章の結論

人間がループに入ると品質が上がった時代から、人間がループに入ること自体が速度のボトルネックになる時代へ移った。

軸3：MCP、Skills、サンドボックス、ハーネス――周辺技術の重心移動

この章のメッセージ

周辺ツールの流行は、その時点のモデルが何を苦手としていたかの履歴である。

MCPが注目された理由

なぜ2025年後半にSkillsが目立ったか

誤解を避ける言い方

サンドボックスと権限の変化

2025年前半

発表者の体感では、実環境を直接使えるClaude Codeの方が日常の開発に入りやすかった。

2026年

ハーネスの役割の変化

候補フレーズ：

ハーネスは、AIを縛るものから、AIを働かせるものへ。

以前：

現在：

ただし「ガードレールが不要になった」ではない。モデルが信頼できるようになったため、制御の目的が“暴走を止める”だけでなく、“大きな仕事を安全に任せる”へ変わったと表現する。

軸4：ベンチマークと任せられる作業規模の変化

この章のメッセージ

ベンチマークが変わったのは、測定技術の流行ではない。以前は現実的でなかった規模の仕事が、測れる対象になったからである。

評価対象の拡大

短い関数・補完
    ↓
単一のGitHub Issueを修正
    ↓
複数ファイル・複数言語の実務変更
    ↓
数時間～数日の長時間タスク
    ↓
リポジトリ全体、移植、再実装、複数エージェント開発

SWE-bench系

DeepSWE：会話中の記憶の修正

発表者が会話中に述べた「OSSを仕様から丸ごと再実装するベンチマーク」は、DeepSWEではなくMirrorCodeに近い。

DeepSWEの正確な特徴：

MirrorCode

METRのTime Horizon

重要な対照例：2025年時点では必ずしも速くなかった

METRは2025年のランダム化試験で、経験豊富なOSS開発者が当時のAIツールを使うと、本人の予想に反して平均19%遅くなったと報告した。その後、METR自身が同ページで「急速な進歩により、この結果は現在のツールを代表しない」と追記している。

この例は、次のように使える。

1年前のスナップショットでは、AIは熟練者を遅くすることさえあった。それほど短期間に評価が古くなる。

時間が足りなければ付録へ。

7. 大規模開発：実験から実用へ

このパートは前回の予想の「答え合わせ」として強い。

7.1 2026年1月：Cursorのブラウザ実験

意味：単体エージェントの限界を、planner / worker / judge構成と並列性で超えようとした。

注意：大規模コードが生成されたことと、Chromeに代わる製品品質のブラウザが完成したことは同義ではない。発表では「大規模開発の実験」と明記する。

7.2 2026年2月：Rust製Cコンパイラ

意味：コンパイラという複雑なシステムを、複数エージェントで構築可能な規模へ到達。

7.3 2026年6月：Fable 5の大規模移行例

Anthropicの発表では、Stripeが5000万行のRubyコードベースで、チームなら2か月超かかる全体移行を1日で行ったとされる。

7.4 2026年7月：BunのZig→Rust移植

この発表での使い方：

半年前には「大規模なものを作る実験」だった。1年後には、何千万回もダウンロードされ、Claude Code自身が使うランタイムの実移植に使われた。

これは今回の最も強い具体例の一つ。

8. 4本の軸を「プログラマーAGI」へ収束させる

8.1 4つの独立した証拠

  1. モデル／製品：長時間、大規模コード、ツール利用、自律的な修正が標準機能になった
  2. 開発作法：人間が一手ずつ指示する前提から、ループを設計して監視する前提へ変わった
  3. 周辺技術：檻と許可プロンプトから、長時間働かせるハーネスへ変わった
  4. 評価／実例：Issue修正から、リポジトリ規模、移植、再実装、数日単位の仕事へ物差しが広がった

別々の方向から見ても、同じ変化を示している。

8.2 結論スライド候補

強い版

プログラマーAGIは、もう来ていた

少なくとも「コードを書く知能」は、平均的な人間プログラマーを超え始めている

技術者向けに少し具体化した版

実装勝負は終わった

人間の主戦場は、コードを書くことから、何を作るか・どう確かめるかへ移る

誤解を防ぐ下段

9. 今後半年の予想

未来予測は2本立てにすると整理しやすい。

9.1 技術側の予想：最強が普通になる

主張

この半年で重要なのは、最高性能がさらに上がることだけではない。今の最高性能が、より安く、速く、日常的に使える層へ降りてくることである。

根拠

技術者に刺さる未来像

言い切り候補

半年後には、今の“高級な知能”を燃やすことへの心理的な抵抗が消え始める。

1年後には、今のFable 5級の能力が特別ではなくなっていても不思議ではない。

「RTX 3090でFable 5そのものが動く」と断定するのではなく、能力水準が小型・低価格側へ降りる速度を主張する。

9.2 開発プロセス側の予想：新しいボトルネックが前へ出る

中心フレーズ

実装が制約でなくなると、意思決定と検証が制約になる。

予想されるボトルネック

1. 仕様発見

2. 検証と品質保証

3. ループを閉じること

4. システム理解と意図の説明

「説明責任」が固すぎるなら、次の表現を使う。

バイアスへの自己点検

発表者自身が検証・品質保証を研究しているため、この予想には職業上のバイアスがある可能性がある。ただし、OpenAIのHarness Engineering、Anthropicの長時間ハーネス、Bunの複数レビュー／全テストループなど、業界の実例も同じ方向を向いている。

したがって、次のように表現する。

自分が今やっているから重要に見えている面はある。ただ、各社が公開している実装も、モデルの賢さそのものより、検証可能なループと環境へ重心を移している。

9.3 半年予想の締め

この半年で、AIは「人間並み」で止まらない。より強くなるだけでなく、その強さが安く普通になる。そこで初めて、仕様、検証、意思決定という人間側の未解決問題が露出する。

10. おまけ：この発表資料そのものが進化の実例

10.1 入れたいメタスライド

見出し候補：

この資料自体も、1年前とは違う作り方をしている

時系列

正直なニュアンス

音声会話そのものについては、発表者は「予想より早く来た」ではなく「やっとまともな全二重会話が来た」という感覚。この点は無理に驚いたことにしない。

重要なのは、音声機能の新規性ではなく、会話相手が論点を保持し、構成候補を作り、事実確認へつなげ、資料の設計図まで作れるようになったこと。

10.2 前回予想の答え合わせ

候補スライド：

前回の予想 半年後 1年後
大規模プロジェクトを自動開発 Cコンパイラ、ブラウザなどの大規模実験 Bunの実用コードベース全面移植
人間はAIの環境を整備する Harness Engineeringが言語化 Loop Engineering、Human-on-the-loopへ
GUIを含む作業 ブラウザ操作・Computer Useが一般化 GPT-5.4以降はネイティブなコンピュータ操作を統合

10.3 予測シリーズのおまけ

前回、時間が余った際に話した「2年後に仕事はなくなると思う？」という問いを、今回も軽く再掲できる。

ただし本編の締めを仕事消滅論にしない。おまけで次のように置く。

前回は「僕の仕事はあと2年半でなくなる」と言った。1年たって、なくなったというより、実装から検証・仕様・ループ設計へ仕事が移動した。では次の1年で、その仕事もどこまで自動化されるか。

これなら予測が当たった／外れたの自慢ではなく、仕事の移動を観測するシリーズになる。

11. 推奨スライド一覧（たたき台）

  1. タイトル
  2. 過去2回とのつながり
  3. 今日の結論：「プログラマーAGIは、もう来ていた」
  4. 今回のプログラマーAGIの定義
  5. 2025年2月：Vibe Coding、Cline、Claude Code
  6. 2025年5月：Claude Code、Codex、Julesが出揃う
  7. 2025年後半～2026年初頭：ClaudeとCodexの競争
  8. 2026年初頭：実装勝負の分水嶺
  9. バズワードが変わったのではない、ボトルネックが変わった
  10. Prompt→Context→Spec/Harness→Loop
  11. Human-in-the-loop→Human-on-the-loop
  12. MCPからSkillsへ？――接続と手順の役割分担
  13. ハーネスは縛るものから働かせるものへ
  14. ベンチマークが測る仕事の規模が変わった
  15. DeepSWEとMirrorCode
  16. 半年前：Cコンパイラ／ブラウザの大規模実験
  17. 今：Bunを11日でZigからRustへ
  18. 4本の証拠が同じ結論へ
  19. 結論：「実装は人間の希少能力ではない」
  20. 今後半年①：最強が普通になる
  21. 今後半年②：仕様発見・検証・ループがボトルネックになる
  22. おまけ：この発表資料自体の作り方が変わった
  23. 前回予想の答え合わせ／次回までの予想
  24. Thank you / 質疑

30分では24枚は多いため、実際には以下を統合する。

最終目標は20枚前後。

12. 削る候補・付録へ回す候補

本編から落としてよいもの

付録にあると質疑で便利なもの

13. 発表前に本人の素材で補強したい部分

以下は公開情報より、発表者自身の画面や数字の方が強い。

  1. Claude Codeを2025年5月に使った当時のスクリーンショット／記録
  2. 初期CodexやJulesを使った時の印象を示す画面
  3. 2026年初頭に「一線を越えた」と感じた具体的タスク
  4. Fable 5またはGPT-5.6 Solに任せた実務例
  5. Qwen3.6-27B等をRTX 3090で動かした構成、量子化、速度、解けた問題
  6. 現在取り組んでいる検証・品質保証ループの模式図
  7. 前回スライドの「半年後の予想」の実画像
  8. 今回の音声会話から、印象的なやりとりの短い引用

特にローカルモデルの「1年前の最高モデル級」という比較は、モデル名・プロンプト・採点条件を揃えないと突っ込まれやすい。発表者の実測として、同じ問題を複数モデルに解かせた比較を1枚にすると強い。

14. 想定される反論と返し

反論1：「AGIの定義が恣意的では？」

返し：

その通りで、今回は一般的AGIの定義を決める話ではありません。職種別に、人間の平均的な実務能力へ到達したかを見るため、あえて「プログラマーAGI」と呼んでいます。

反論2：「コードは書けても、設計や保守はできない」

返し：

ソフトウェア開発全体が終わったとは言っていません。ただし、大規模コードの探索、実装、移植、テスト、レビューまで範囲が広がっているため、「コードを書くのは人間の仕事」という線はすでに崩れています。

反論3：「生成コードは品質が悪い」

返し：

だから次の主戦場が検証とループ設計になります。人間が全行を読むのではなく、テスト、型、静的解析、複数レビュー、実行結果を使って機械的証拠を積み上げます。

反論4：「大規模デモは動かないコードを大量に書いただけでは？」

返し：

Cursorのブラウザは実験として扱います。一方、BunのRust移植は既存の全テストを通し、Claude CodeやPrismaの実運用に入ったと報告されています。実験と製品事例を分けて見ます。

反論5：「人間の仕事はなくならない」

返し：

今回の主張は明日の失業率ではなく、希少能力の移動です。実装が希少でなくなれば、仕様発見、検証、意思決定、責任へ価値が移ります。ただし、それらも将来ずっと人間専用とは限りません。

反論6：「進歩がこのまま続く保証はない」

返し：

保証はありません。ただ、モデル性能だけでなく、推論効率、価格、ローカルモデル、ハーネス、並列化が同時に改善しており、少なくとも半年という短い期間では明確な停止要因が見えません、という予想です。

15. 使えそうな決め台詞

16. 主要出典

過去発表

Cline・Vibe Coding

Claude・Anthropic

OpenAI・Codex

Google・AWS・GitHub

評価・大規模開発

ローカルモデル

17. 現時点での推奨タイトル

第一候補

プログラマーAGIは、もう来ていた

この1年のコーディングエージェントの進化と、次の半年

元の仮題を残す版

この1年のコーディングエージェントの進化と今後半年の予想

――プログラマーAGIは、もう来ていた

少し穏当な版

実装勝負は、もう終わったのか

コーディングエージェントの1年と、次の半年

技術者向け勉強会で記憶に残すなら第一候補、内容を先に伝えるなら元仮題版がよい。

18. 最後の一枚の候補

人間を超えたか、ではない

どこまで離れるか

どこまで安く、普通になるか

半年後の「普通」を、いまの上限から想像しない。