AI時代に必要なエンジニアのスキルとは? 開発現場の“品質問題”から読み解く
生成AIやAIエージェントの普及により、ソフトウェア開発はかつてない速度で進むようになりました。一方で、コード量や変更頻度が増えるほど、「そのコードが本当に信頼できるのか」という問いは重くなっています。AI時代に求められるエンジニアの価値とは、どのようなものでしょうか。
これまで人が時間をかけて作成していたコードのたたき台や修正案を、AIが短時間で提示できるようになり、開発者はより速く、より多くの変更を扱えるようになっています。今後は、AIエージェントがコード生成だけでなく、テスト、レビュー、リリース判断、デプロイ支援など、ソフトウェア開発ライフサイクル全体に関わる場面が増えていくでしょう。
この変化は、開発者の価値を低下させるものではありません。むしろ、開発者やテストエンジニアに求められる価値を、「速く手を動かす力」から「AIの成果物を評価し、品質を見極める力」へと移行させるものとなるでしょう。
AIによって作れるものが増えるほど、経営として問うべき論点は「どれだけ速く作れるか」から、「そのソフトウェアを本当に信頼してよいのか」へと重心が移るからです。
コードは増えても「テストが追い付かない」
AIを使った開発の課題は調査からも浮かび上がっています。ソフトウェアテストツールなどを手掛ける米Tricentisが6月に発表した調査「クオリティー・トランスフォーメーション・レポート2026」では、世界全体で60%、日本で65.6%の企業が、未テストコードを本番環境へ展開していると回答しました。
背景には、品質よりもスピードを優先するよう経営層から圧力がかかっていること、AI生成コードの量が多すぎて十分にテストしきれないことがあります。これは個々の担当者の努力不足ではなく、AI時代の開発速度に対して、テスト設計、レビュー、品質判断のプロセスが構造的に追い付いていないことを示しています。
加えて、AIツールの導入そのものが新たな複雑性を生んでいます。AIや自動化ツールは開発とテストを効率化する一方、ツールが乱立し、プロセスが頻繁に変われば、現場はそれらをつなぎ合わせる作業に追われます。
同調査では、ツールの複雑化や乱立、スキル不足、管理可能な範囲を超えるコード量の増加、品質や信頼性に関する指標不足が、継続的なソフトウェア品質を実現する上での障壁として挙げられました。AIを入れれば自動的に品質が上がるのではなく、AIを運用するためのプロセスと指標を整えなければ、品質リスクはむしろ増幅します。
AI導入に前向きな経営層、一方現場は……
ここには、経営層と現場の認識ギャップもあります。同調査によると、AI主導のシステムやツールに対して、日本では企業のCEOの80%が高い信頼を示した一方、QA(品質保証)・DevOps(開発と運用の連携)担当者では43%にとどまっています。
経営層はAI活用を競争力や生産性向上の手段として前向きに捉えますが、現場は運用負荷、レビュー工数、品質リスク、セキュリティへの影響をより直接的に見ています。このギャップを放置すると、現場はリスクを抱えたままスピードを求められ、結果として未検証の変更が本番環境へ流れ込みやすくなります。
ソフトウェア品質は、もはや開発部門だけの課題ではありません。近年、日本でも不正アクセスやランサムウェア攻撃によるシステム障害が相次いでいます。品質が担保されていないソフトウェアは、システム障害、サービス停止、セキュリティやコンプライアンス上の問題、技術的負債、再作業コストにつながります。
Tricentisの調査では、ソフトウェア品質の低下によって、企業の5社に1社が年間100万ドル超の損失を被っているという報告もありました。
中でも、損失の主な原因としてセキュリティやコンプライアンス上の問題を挙げた企業は、世界で30%、日本では34%に上りました。ソフトウェアが顧客接点、業務プロセス、サプライチェーン、データ活用の基盤になっている現在、品質は事業継続性と顧客信頼に直結する経営課題です。
では、AI時代に品質をどのように担保すべきか。そのためには、開発スピードを前提に、品質を担保する開発ガバナンスを再構築する必要があります。同時に、エンジニアの役割も大きく変わりつつあります。
見直すべきは「全テスト」
まず見直すべきは、「全てをテストする」という考え方です。AIによってコード量や変更頻度が増え、システム連携が複雑化するほど、あらゆるケースを検証することは現実的に難しくなります。人材不足、短いリリースサイクル、レガシーシステムの複雑性も、網羅的なテストを難しくします。
必要なのは、テストの量を単純に増やすことではなく、「どこに最も大きなリスクがあるのか」を見極め、限られた時間とリソースをそこに集中させることです。その中核になるのが、リスクベースの品質保証です。
変更頻度が高い領域、依存関係が密な領域、過去に障害が発生した領域、顧客影響や売上影響が大きい領域、セキュリティやコンプライアンスに関わる領域を優先的に検証する。単なるテストカバレッジではなく、ビジネス影響、変更影響、運用リスクを踏まえて、検証の優先順位を決める発想です。これにより、開発スピードを止めずに、重大なリスクを先につぶすことができます。
同時に、品質保証は開発の最後にまとめて行うものではなく、開発ライフサイクル全体に組み込む必要があります。継続的インテグレーション/継続的デリバリーと連動し、変更が発生するたびに品質を検証する仕組みを整えることが重要です。
問われる「AI成果物の統制力」
このとき、エンジニアの役割は一段と重要になります。AI生成コードには、本来の要件に存在しない条件分岐や、従来のテストでは発見しにくいロジックが含まれる可能性があるからです。
こうした意図しないコードパスは、悪用可能なセキュリティ上の脆弱性につながるおそれもあります。AIが生成したコードやテストケースを、そのまま信頼するのではなく、仕様との整合性に加え、セキュリティ、保守性、性能、ユーザーへの影響を評価する必要があります。
AIエージェントが複数のツールを横断して作業を実行するようになれば、評価対象は成果物だけではなく、AIが参照した情報、判断の根拠、実行プロセス、例外時の挙動にまで広がります。AIの成果物を統制する力が求められるのです。
そのためには、品質ガバナンスの設計が欠かせません。開発、品質保証、DevOps、事業部門が共通の指標を持ち、品質指標、リリース判断基準、テストカバレッジ、リスク評価、障害影響を可視化する必要があります。ガバナンスは、スピードを妨げるための管理ではありません。むしろ、リリースに向けてスピードと品質を両立するための仕組みです。
AI時代に必要なエンジニアのスキル
AI時代に求められるエンジニアのスキルセットは明確です。リスクを見極める力、品質を設計する力、AIの出力を評価する力、自動化を活用する力、そしてビジネス影響を理解する力です。最も速くコードを書く人ではなく、信頼できるソフトウェアを届けるための判断ができる人材こそが、AIエージェント時代の開発組織に不可欠になります。
品質を担保するとは、不具合を見つけるだけではありません。変化の中にあるリスクを把握し、開発組織全体の信頼性を高めることです。AIのスピードと、人の判断。この二つを両立できる企業が、次のソフトウェア競争をリードしていくでしょう。
クオリティー・トランスフォーメーション・レポート2026の調査は4月、日本と米国、英国、アイルランド、ドイツ、シンガポールで、従業員150人以上の企業に所属するIT部門の責任者や品質保証の担当者など2501人を対象に実施しました。
Copyright © ITmedia, Inc. All Rights Reserved.
この記事の著者
こんなメディアも見られています
ITmedia AI+に関連する情報をお探しであれば、こちらのメディアもお役に立てるかもしれません。
SpecialPR
アクセスランキング
-
1
OpenAI、児童性的虐待コンテンツ(CSAM)検出ツールを公開 ChatGPTで探すと24時間アカウント停止の警告も
-
2
AIモデリングもできる無償3D CAD「SolidCraft」を試してみた!
-
3
AIに打ち明けた相談は“広告トラッカー”に筒抜け? ChatGPT、Claude、Gemini含む42サービスを米大が調査
-
4
「AI処理、データ非保持が守られず」――Notionが委託先の問題指摘、漏えいの恐れ巡り
-
5
週89時間利用も……「AIキャラチャット」依存の10代たち 「やめたい」と思っても抜け出せないワケ
-
6
人手不足だからAIを使いたい、でも導入できる人がいない 中小企業“一人情シス”の葛藤
-
7
メルカリ、アプリ開発「2日→数十分」へ 直面したAI時代の“意外な課題”とは?
-
8
フリーランス市場、受注者の約8割がAIを利用 自発的に開示は1割弱、両者に意識差 IBMリサーチなど調査
-
9
ジェンスン・フアン氏退任は「NVIDIAバブル崩壊」の序章か? どうなる今後の半導体業界
-
10
MUFG、松尾豊教授ら設立のAIスタートアップと提携 「遍在型AGI」活用へ
SpecialPR
ITmedia AI+ SNS
インフォメーション
注目情報をチェック
ITmedia AI+をフォロー
あなたにおすすめの記事PR