はじめに
Netflix、Meta、IBM、Intuitのエンジニアたちが2026年4月4日、米ノースカロライナ州ダーラムで開催された「All Things AI」カンファレンスに登壇しました。本稿では、The Registerの報道をもとに、AIエージェントを実務で活用する上での「準備コスト」と「品質管理」の課題について解説します。
参考記事
- タイトル: Netflix, Meta, and IBM speakers: AI will make anyone a 10x programmer, but with 10x the cleanup
- 著者: Joab Jackson
- 発行元: The Register
- 発行日: 2026年4月4日
- URL: https://www.theregister.com/2026/04/04/all_things_ai_conference/
要点
- AIの活用が進むほど、コンテキスト準備・結果確認などの付随作業も増加するという「ジェヴォンズのパラドックス」が現場で顕在化している
- NetflixのUIアーキテクトは、エージェントの品質管理に「対立的コードレビュー」と呼ぶ複数エージェント方式を採用し、1日中エージェントと対話し続ける実態を語った
- Metaの開発者アドボケートは、コンテキストが増えるほど精度が低下する「コンテキスト腐敗（context rot）」を指摘し、「コンテキストエンジニアリング」の重要性を強調した
- IBMの研究者は、あいまいな指示を「希望的プロンプティング」と呼び、タスクを細分化する「分解」の技術こそが有効だと主張した
- Intuitの開発者は、AIに「指示」ではなく「制約」を与えること、および不要なアクセス権限を付与しないことの有効性を説いた
詳細解説
AIが生む新たな作業量——ジェヴォンズのパラドックス
今回のカンファレンスでは、複数の登壇者が「ジェヴォンズのパラドックス」に言及しました。これは、あるリソースの効率が高まるほど、その利用量も増加するという経済学的な概念です。19世紀の経済学者ウィリアム・スタンリー・ジェヴォンズが石炭消費をめぐって提唱したこの逆説は、AIの文脈でも当てはまると考えられます。
The Registerの報道によれば、現状のAIは作業効率を高める一方で、コンテキストの準備や出力の確認という新たな作業を生み出しています。「AIはあらゆる人を10倍エンジニアにするかもしれないが、後片付けも10倍になる」という表現が、この状況を端的に示しています。AIが仕事を奪うのではなく、むしろ新たな仕事を生み出すという議論とも重なる指摘です。
Netflixの「対立的コードレビュー」
NetflixのUIアーキテクト、Ben Ilegbodu氏は、エージェントを用いた開発の実態を紹介しました。1つのエージェントに作業を実行させると、その出力を評価する2つ目のエージェントが必要になり、さらに両者を調整する3つ目のエージェントも求められるといいます。同氏はこのアプローチを「adversarial code review（対立的コードレビュー）」と呼んでいます。
Ilegbodu氏は、あるエージェントに作業を任せている間に、次のタスクの準備を別のエージェントに並行させることで、「自分自身を並列化する」とも表現しました。PythonやBash、Groovyといった不慣れな言語でもAIを介してコーディングできるようになった一方で、「1日中何かに話しかけていると、終わりには疲れている」とも述べています。複数のエージェントを管理するコンテキストスイッチングが認知的負担を生む点は、現場で広く共感される課題だと思います。
Metaが警告する「コンテキスト腐敗」
MetaのDeveloper Advocate、Justin Jeffress氏は、AIエージェントの特性として、トークンの上限内であればどれだけ多くの情報を与えても処理できる点を挙げました。しかし、情報が増えるにつれて精度が低下する「context rot（コンテキスト腐敗）」が生じると警告しています。
Jeffress氏は「エージェントとのやり取りが積み重なるほど、答えを導き出すために計算すべき情報が増え、注意が分散し、正しい行動をとる可能性が下がる」と説明します。この問題への対応として、同氏は「コンテキストエンジニアリング」の重要性を強調しました。これは、AIエージェントが必要なときに参照できるルール・ツール・スキルの体系を構築する取り組みです。さらに、実行すべきタスクをステップごとに列挙する「プロンプトチェーニング」も有効な手法として紹介されました。
また、AIが担えるのは作業全体の80%程度であり、残り20%は人間が仕上げる必要があるというJeffress氏の見解も示されました。ただし、その残り20%のうちの80%も再びAIに任せられるという「フラクタル的な」構造もあると述べており、完全自動化への道のりはまだ続くと考えられます。
IBMが提唱する「分解」の技術
IBMの言語・マルチモーダル技術担当ディレクター、Luis Lastras氏は、「wishful prompting（希望的プロンプティング）」の限界を指摘しました。「幻覚を起こすな。お願いだ、私のキャリアがかかっている」と懇願するような指示は、呪文を唱えて効果を祈るようなものだと言います。
有効なアプローチとして同氏が挙げるのは、複雑な作業を小さな単位に分解する「decomposition（分解）」です。これは「複雑なシステムの構成要素を特定し、モジュール化し、それぞれを設計する」というソフトウェアエンジニアリングの基本原則でもあります。IBMが公開したオープンソースライブラリ「mellea.ai」は、LLMに対してPythonで記述された具体的なパターン（関数）を提供するもので、要件の追加、有害な出力の検出、スキーマに基づく出力の構造化などに活用できます。IBMはさらに、タスクに応じてLLMを切り替える「スイッチブレインズ」機能の研究も進めており、特定領域に特化した小規模モデルが推論時間を増やすことで大規模モデルを上回るケースもあると報告しています。
Intuitの実践知——「制約」と「権限制限」
Intuitのシニア開発者、Justin Chau氏は「暗黙の前提はすべて技術的負債だ」と述べ、人間にとって自明なことがAIには自明ではない点を強調しました。出力要件を非常に具体的に示す必要があるといいます。
同氏が特に有用として挙げるのが、「指示（instructions）」ではなく「制約（constraints）」を与えるアプローチです。AIはより良い方法があると判断した場合、指示を無視することがありますが、制約は「絶対にやってはいけないこと」として機能するため、守られやすいと言います。さらに強力なのは権限そのものの制限で、「GitHubへのアクセス権を付与しなければ、GitHubには絶対に触れない」という実例が紹介されました。AIに対して「できないようにする」ことが、「やらないように指示する」よりも確実な制御手段になるという考え方は、システム設計の観点からも参考になると思います。
まとめ
All Things AIカンファレンスでは、Netflix・Meta・IBM・Intuitの各登壇者が、AIエージェントを実務で使いこなすための実践知を共有しました。共通するメッセージは、AIに任せるほど準備と管理の仕事が増えるという現実です。コンテキスト設計・品質管理・権限制限という「見えない作業」の重要性が今後さらに注目されると思います。
