本文へスキップ
hdknr blog
戻る

バイブコーディングの本当の問題は、誰も決めていない仕様が実装されることだ

更新日:

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。

「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。

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。

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。

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

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。



前の記事
弥生の Misoca API v3 を読む — OAuth2 で請求書・見積書・納品書を操作する
次の記事
spec-loop は TLC をどう使っているか — Formal Checker の設計と、実案件で見えた 2 つの穴