AI エージェントに構文の記述やデバッグを丸投げする開発スタイルは「バイブコーディング(Vibe Coding)」と呼ばれます。ひところは揶揄の対象にもなりました。
これに対して、「実際に『バイブ』しているのはコーディングではなく、仕様の決定のほうだ」という見方があります。ここでいう「バイブする」は、感覚に任せて決めてしまうことを指します。この見方には一理ありますが、そこから導かれる結論には疑問が残ります。
結論を先に書きます。問題は「AI が埋めた仕様の穴を人間が見抜けないこと」ではありません。業務要件を決める権限のない AI に仕様を埋めさせていること、そしてその根にある、業務を持つ側が要求・条件・例外を正しく定義しきれないことです。この記事では、よく語られる考え方を整理したうえで、そこにたどり着くまでを順に考えます。
よく語られる「バイブしているのは仕様」という考え方
この見方は、おおむね次のように説明されます。
- コードは最終的にコンパイラやインタープリタを通る厳密なテキストとして書き出される。感覚で処理されているのは「要求の言語化」と「仕様の確定」のほうだ
- 人間が曖昧なニュアンスを投げると、LLM が統計的な常識で推論・補完して、具体的なコードに落とし込む
- 動作確認は「動いたからヨシ!」という感覚的な受け入れになる
- メリットは、暗黙知を爆速でプロトタイプにできること。AI が最大公約数的なベストプラクティスで要件を埋めてくれる
- リスクは、エッジケースが放置されることと、再プロンプトのたびに暗黙の仕様が書き換わる「もぐら叩き」
- だから人間に問われるスキルは「実装力」から、AI が感覚的に埋めた仕様の穴を見抜き、言語化して境界を引く力へと移っていく
「バイブしているのは仕様だ」という見立てには、うなずける部分があります。しかし、細部と結論には問題があります。
疑問 1:コードの側も厳密に決まっているわけではない
この見方では「コードの層は厳密だ」と前提されがちですが、LLM の生成はサンプリングに基づくので、同じプロンプトを投げても出力は毎回変わりえます。形式が厳密であることと、生成が決定論的であることは別の話です。
それに、型検査と構文解析を通ることは、意図どおりに動くことを保証しません。型も構文も正しいのに、仕様とは違う振る舞いをするコードは普通に書けます。
もう一つ見落とされやすいのは、AI が埋めた仕様は、生成されたコードの中にしか存在しないという点です。コードは仕様と切り離された厳密な成果物ではありません。暗黙のうちに決まった仕様の、唯一の置き場になっています。
疑問 2:Karpathy の元の定義では「検証の放棄」が核心だった
「バイブコーディング」という言葉は、Andrej Karpathy が 2025 年 2 月の投稿 で広めたものです。そこでは “fully give in to the vibes, embrace exponentials, and forget that the code even exists”(雰囲気に身を任せ、コードの存在すら忘れる)と書かれ、“I ‘Accept All’ always, I don’t read the diffs anymore”(いつも Accept All で、もう diff は読まない)という使い方が紹介されていました。しかも Karpathy 自身、これは使い捨ての週末プロジェクトなら悪くない、という位置づけで書いています。
つまり元の定義の核心は、生成物を読まずに受け入れること、言い換えれば検証の放棄です。「動いたからヨシ!」という受け入れ方は、この見方の中でも挙げられています。それなのに「バイブしているのは仕様の決定だ」と一点に絞ってしまうと、元の定義と話がかみ合いません。
疑問 3:「AI が埋めた穴を見抜く力」は後追いの対策にすぎない
いちばん引っかかるのは結論です。「AI が感覚的に埋めた仕様の穴を見抜く」ことを人間のスキルの中心に置いていますが、そもそもAI に感覚で仕様を埋めさせていること自体が問題のはずです。
後から穴を見抜くやり方には、構造的な限界があります。
- 見抜けるのは見えた穴だけ:画面を触って気づけるのは、成功パスの違和感くらいです。例えば例外処理・排他制御・認証トークンのライフサイクルは、動かしても目に入らず、コードを読んでも見落としやすい仕様です
- 判定の基準がない:着手前に書かれた仕様がなければ、生成されたコードが正しいかを照らし合わせる先がありません。「もぐら叩き」が起きるのは、AI が気まぐれだからというより、壊れたと判定するための仕様が最初から存在しないからです
- 決定の責任がどこにもない:AI が埋めた仕様は、誰も決めていない仕様です。後から問題になっても、なぜそう決まったのかを説明できる人がいません
また、AI が埋めるのは「最大公約数的なベストプラクティス」というより「よく見かける書き方」です。そこには安全でない初期値も含まれます。バイブコーディングで作られたアプリの情報漏えいは、このブログでも 医療データ流出の事例 や セキュリティの落とし穴 として取り上げてきました。
業務要件を決めるのは開発者ではない
この結論には、もう一つ見落としがあります。「仕様の穴を見抜き、言語化して境界を引く」のは誰なのか、という点です。
業務要件、つまり「誰が何をできるか」「どの条件で受け付け、どの条件で断るか」「失敗したら利用者にどう見せるか」は、業務を持つ側(利用者・業務部門・発注者)が決めるものです。開発者が自分の判断で決めたり提案したりできるのは、実装方法、基盤のアーキテクチャ、システムの運用といった技術の範囲です。業務要件について開発者にできるのは、選択肢とその技術的な帰結(費用、実現の難しさ、運用の負担)を示し、業務を持つ側に決めてもらうところまでです。
この線引きで見ると、バイブコーディングで起きていることはもっと深刻です。AI が埋めている空白の多くは、例外時の扱いや権限の範囲といった業務要件です。開発者でさえ決めてはいけないものを、開発者ですらない AI が決めています。そのうえ、それを開発者が「見抜いて境界を引く」ことにすると、業務要件の決定権が誰にも気づかれないまま開発者に移ってしまいます。
「コードこそが真実だ」という意見も、同じ問題を抱えています。コードの中身を誰の指示が決めたのかを問わなければ、コードは誤った判断を正確に記録しているだけかもしれません。この点は「AI 時代こそ要件定義書が重くなる」でも書きました。
「先に定義せよ」は正論だが、人間にはそれができない
では、業務を持つ側が着手前に要求を正しく定義し、それが実現されるための条件と例外まで定義してから開発すればよいのでしょうか。それは正論です。しかし、ここで止まると「それができれば苦労しない」で終わってしまいます。
AI に仕様を埋めさせてしまうのは、業務要件を決めるべき人が、それを正しく定義しきれないからです。バイブコーディングはその結果として出てきた症状で、原因は定義できないことのほうにあります。人間が定義しきれない理由は、少なくとも四つあります。
- 暗黙知は言語化しきれない:「いつもの感じで」「普通はこうする」という前提は、本人にとって当たり前すぎて書かれません
- 例外は組み合わせで爆発する:条件が三つ、それぞれ三通りあるだけで 27 通りです。そこに順序や同時実行が絡むと、頭の中だけでは網羅できません
- 見て触らないと分からない要求がある:利用者自身、画面を見て初めて「これは違う」と気づくことがあります
- 書いた本人は自分の書き漏れに気づけない:漏れは、書いた人の盲点と同じ場所にあります。自分で読み返しても、同じ場所を同じように読み飛ばします
これは AI 以前からある問題です。だからこそ、この穴を埋めるための専門の役割がありました。業務を持つ側と開発の間に立つ、システムコンサルタント(ビジネスアナリストとも呼ばれます)です。業務を持つ側にヒアリングを重ね、業務フローや決定表に書き起こします。例外は「この場合はどうしますか」と一つずつ問い、画面のモックを見せて確かめます。決めるのは業務を持つ側ですが、決められる形に整えるのがこの役割でした。
ただし、この役割にも限界があります。抜け漏れをどこまで防げるかは、コンサルタント個人の経験と力量に左右されます。上の四つの理由は、コンサルタント自身にも当てはまるからです。腕のよいコンサルタントに当たれば穴は減りますが、そうでなければ結局抜け漏れが生じます。つまり、従来のやり方でも、定義の品質は人に依存していました。
バイブコーディングで起きているのは、その人に依存した役割すら抜け落ちることです。業務を持つ側や開発者が AI に直接話しかけ、間に立って問いを立てる人がいないまま、AI が黙って空白を埋めます。しかも実装が安くなった分、曖昧な仕様は増幅されて大量のコードとして返ってきます。
四つの理由への対案:AI を「埋める側」ではなく「問いを立てる側」に置く
以下の四つの対案は、目新しいものではありません。いずれも腕のよいシステムコンサルタントが従来やってきたことです。違うのは、それを個人の力量に頼らない仕組みにできるようになったことです。具体的な場面での問いかけは AI が決まった観点で毎回挙げ、組み合わせの総当たりは検査器が、別の目でのレビューは別のモデルが、毎回同じ手順で行います。
AI を黙って空白を埋める側に置くのではなく、問いを立て、決められる形に整える側に置きます。それも、誰がやっても同じ品質になる仕組みとして置きます。
四つの対案に共通する原則は一つです。AI には空白を埋めさせず、表に出させる。そして、出てきた空白は決める権限を持つ人が決めます。業務要件の空白は業務を持つ側に返し、技術の空白は開発者が決めます。技術の空白を AI に決めさせる場合も、開発者の決定として記録し、開発者が責任を持ちます。業務要件の空白だけは、AI に決めさせません。
1. 暗黙知には、具体的な場面と選択肢で問わせる
「いつもの感じで」と言う人に「前提を全部書いてください」と頼んでも、当たり前すぎる前提は出てきません。抽象的に聞くのではなく、AI に具体的な場面を挙げさせて問わせます。例えば「締め日を過ぎてから届いた注文はどう扱いますか」と聞き、「翌月扱いにする」「受け付けない」「担当者の判断に回す」といった選択肢と推奨を添えて選んでもらいます。
当たり前の前提は、自分と違う選択肢を見せられて初めて「それは違う、普通はこうだ」という形で言葉になります。選ばれた答えは仕様とテストに書き残し、次からは暗黙知ではなく明文化された要求として扱います。
2. 組み合わせの爆発は、機械に総当たりさせる
27 通りを人間の頭で網羅しようとするのが無理なのであって、機械には苦になりません。条件の組み合わせは決定表に書き出し、どの行にも当てはまらない組み合わせ(抜け)と、二つの行に同時に当てはまり、しかも結果が食い違う組み合わせ(矛盾)を機械に検出させます。順序や同時実行が絡む業務フローは、形式検査で実行順を総当たりさせ、データが食い違ったまま残る実行順(反例)を見つけさせます。
人間がやるのは、組み合わせを思いつくことではなく、機械が出してきた抜けの行や反例を見て、どうすべきかを決めることです。
3. 見て触らないと分からない要求は、捨てるプロトタイプで引き出す
画面を見て初めて分かる要求があるなら、早く見せればよいのです。AI に素早くプロトタイプを作らせ、業務を持つ側に触ってもらいます。ここは AI の速さがいちばん活きるところです。
ただし、プロトタイプは要求を引き出すための道具で、使い終わったら捨てます。触って分かったことは仕様として書き起こし、本番の開発はその仕様から始めます。プロトタイプの中で AI が黙って決めた仕様を、そのまま本番に持ち込まないことが肝心です。
4. 書き漏れは、書いた人とは別の目で突く
書いた本人が読み返しても漏れが見えないなら、別の人に読ませるしかありません。これは仕様を書いたのが AI の場合も同じです。同じモデルに同じ文脈で読み返させても、書いたときの盲点を共有しやすく、自分の出力を甘く評価する傾向も報告されています。レビュー役の AI は、文脈を切り離し、できればモデルも変えます。さらに書き込みの権限を持たせず、指摘だけを返させます。レビュー役が自分で直してしまうと、直した中身を誰も検証しなくなるからです。
実践例:spec-loop
筆者は、この四つの対案を Claude Code のプラグイン spec-loop として組んでいます。
- 暗黙知への対案:未決定事項を Q&A 表に選択肢と推奨付きの質問として起票し、利用者の回答を待ってから仕様に反映します
- 組み合わせへの対案:仕様レビューの判定役 Formal Checker が、決定表の抜けや矛盾、業務フローの反例を検査器で探します。並行やリトライを含む業務フローは、TLA+ のモデル検査器 TLC で検査します
- 書き漏れへの対案:仕様レビューでは、ファイルを書き込むツール(Write・Edit)を持たない判定役が、仕様を書いた側とは別のモデルのティアで穴を突きます
判定役の指摘は、決める人で振り分けます。利用者に見える結果が変わるものは Q&A 表に起票して利用者に差し戻し、開発者が決めてよい性質の欠けは開発者の決定として仕様を直します。内部の値・運用・費用だけが変わる選択は内部の表に開発者の決定として記録し、費用については予算の責任者の合意を取ります。実現の手段についての指摘は実装に渡し、範囲の外の場面は範囲の文書に記録します。設計は 要求仕様ループを Claude Code プラグインにする、TLC の使い方は spec-loop は TLC をどう使っているか で解説しています。
まとめ
- 「バイブしているのは仕様の決定だ」という見方には一理ある。ただしコードの側も厳密に決まっているわけではなく、元の定義の核心である「検証の放棄」も抜け落ちやすい
- 「AI が埋めた仕様の穴を見抜く力」は後追いの対策にすぎない。問題は、AI に感覚で仕様を埋めさせていることそのもの
- 業務要件を決めるのは業務を持つ側で、開発者が決められるのは技術の範囲だけ。AI が業務要件を埋めると、誰にも決定権のない判断が実装される
- その根には、業務を持つ側が要求・条件・例外を正しく定義しきれないという、AI 以前からある問題がある。従来はシステムコンサルタントがこれを支えてきたが、その品質は個人の力量に左右された。バイブコーディングでは、その役割すら抜け落ちる
- 定義しきれない四つの理由には、それぞれ対案がある。どれも腕のよいコンサルタントがやってきたことで、それを AI と検査器で個人の力量に頼らない仕組みにする。暗黙知には具体的な場面と選択肢で問う。組み合わせは機械に総当たりさせる。触らないと分からない要求は捨てるプロトタイプで引き出す。書き漏れは別の目で突く
- どの対案でも、AI には仕様を埋めさせずに穴を表に出させ、決定権を持つ人が決める
必要なのは、AI が埋めた穴を後から見抜く力でも、一人で完璧な仕様を書く力でもありません。どちらも個人の力量に頼るかぎり、抜け漏れは残ります。必要なのは、穴が見える形で表に出てきて、決める権限を持つ人が決められる仕組みです。AI に担わせるべきは、黙って埋める役ではなく、腕のよいシステムコンサルタントのように問いを立てる役であり、その役を個人の力量に左右されない仕組みの一部として組み込みます。