AI・エージェント

Claude 4を1週間使い倒した——コードを書くAIとの正しい距離感

2025.05.26 / 読了目安 8分 / 執筆: Qronix 開発チーム

#AIエージェント#目的と手段

2025年5月22日、AnthropicがClaude 4(OpusとSonnet)を発表しました。コーディング性能の大幅向上が売りで、発表資料には長時間の自律作業の事例まで載っています。私たちは発表当日から社内開発の実務に投入し、1週間使い倒しました。結論から言うと、確かに強い。そして、強いからこそ距離感の設計が今まで以上に重要になりました。

作業中のPC画面Photo: Unsplash
CONTENTS
1. 発表から1週間、何に使ったか 2. 良かった点——「読む」仕事は文句なしに速い 3. 変わらなかった点——「正しさの保証」は1ミリも進んでいない 4. 距離感の設計——任せる仕事と任せない仕事 5. 1週間のまとめ——道具は進化した。原則は変わらない

発表から1週間、何に使ったか

まず前提を共有します。私たちはCATIAマクロと社内ツールの開発会社です。この1週間でClaude 4に任せたのは、VBAコードのリファクタリング案の作成、C#ツールのユーティリティ関数の実装、テストコードの叩き台生成、そして古いコードの仕様の読み解きです。本番納品物のコードをそのまま書かせることはしていません。

発表で話題になったのは、数時間にわたって自律的にタスクを続けられるという持久力です。実際、前世代で感じていた「長い作業の途中で文脈を見失う」場面は明確に減りました。複数ファイルにまたがる修正の一貫性も上がっています。ベンチマークの数字は各所に出ているので、ここでは省きます。

体感で最も変わったのは、指示への忠実さです。以前は「余計なことをするな」と指示しても勝手に周辺コードを整理し始めることがありましたが、Claude 4は指示した範囲で止まる率が上がりました。これは地味ですが実務では極めて重要な進歩です。

Claudeのコーディング性能の歩みと私たちの使い方2024年6月Claude 3.5 Sonnet。実務での叩き台生成が現…2025年2月Claude 3.7。思考時間可変で読解タスクが安定2025年5月22日Claude 4発表。長時間の自律作業と指示忠実性が向上発表当日〜1週間社内開発に投入し実測。本記事はその報告
モデルは進化しても「検証を通す」運用は一度も変えていない

良かった点——「読む」仕事は文句なしに速い

最も費用対効果が高かったのは、コードを書く仕事ではなく読む仕事でした。10年前に書かれたコメントのないVBAマクロの仕様を読み解かせたところ、処理の流れと暗黙の前提条件を的確に文書化してくれました。人間なら半日かかる作業が30分です。リバースエンジニアリングの相棒として、もう手放せません。

テストコードの叩き台生成も優秀でした。境界値の洗い出しは人間より網羅的です。ただし「このテストは仕様として正しいか」の判断はできません。仕様の正しさを知っているのは私たちだけだからです。生成されたテストを全件レビューし、3割ほど直しました。

リファクタリング案の提示も使えます。関数の切り出し方や命名の候補を複数出させ、人間が選ぶ。この「AIが選択肢を出し、人間が決める」構図が、現時点で最も安定した分業だと感じています。決定まで任せると、根拠の説明ができない変更がコードベースに混ざり始めます。選択肢の生成と意思決定は、分けたほうが速くて安全です。

賢いAIの間違いは、下手なAIの間違いより
発見が難しい。だから検証は外に作る。

生成されたテストコードの手直し率30%約3割境界値の網羅は人間以上、仕様の解釈ずれは残る
叩き台としては優秀。ただし仕様の正しさは人間しか判定できない

変わらなかった点——「正しさの保証」は1ミリも進んでいない

一方で、はっきり書いておくべきことがあります。生成されたコードが正しいかどうかを保証する仕組みは、モデルがどれだけ賢くなっても、モデルの外に作るしかありません。Claude 4のコードは平均点が上がりました。しかし平均点が上がることと、間違えないことは別の話です。

実際、1週間で数回、もっともらしく間違ったコードに遭遇しました。存在しないAPIの引数を自然に使う、エラー処理が仕様と微妙にずれる、といった類です。厄介なのは、コードの見た目が以前より綺麗になったせいで、間違いも綺麗に見えることです。賢いAIの間違いは、下手なAIの間違いより発見が難しい。これが1週間で得た最大の教訓です。

だから私たちの運用は変わりません。AIの出力は例外なくレビューとテストを通す。CATIAの現場に配るマクロは、検証を通ったものだけを配布する。特許出願中のQiで「AIに作らせない」構成を選んでいる理由も同じで、実行の場では生成の賢さではなく検証の確実さが品質を決めるからです。

距離感の設計——任せる仕事と任せない仕事

1週間の実測を踏まえて、私たちは社内の分担表を更新しました。任せてよい仕事は、コードの読解と文書化、選択肢の生成、テストの叩き台、定型的な変換作業。任せない仕事は、仕様の決定、外部に出る成果物の最終コード、検証基準の設定、そして「これで完成」の判断です。

線引きの基準は能力ではなく、失敗した時に誰が気づけるかです。読解の失敗はレビューで気づけます。仕様決定の失敗は、間違った仕様のままテストも通ってしまうので、後工程では気づけません。気づける失敗は任せ、気づけない失敗は任せない。モデルが進化しても、この基準自体は変わらないはずです。

もう一つ、開発者の技能面の変化も感じています。Claude 4クラスになると、曖昧な指示でもそれなりの物が返ってきます。だからこそ、要件を仕様として言語化できる人とできない人の差が、出力の差として増幅されます。設計書を書く力は、AI時代にむしろ価値が上がっています。

Claude 4に任せる仕事・任せない仕事✓コードの読解と文書化✓リファクタリング案・選択肢の生成✓テストコードの叩き台✗仕様の決定✗納品コードの最終判断✗検証基準の設定
基準は能力ではなく「失敗に後から気づけるか」

1週間のまとめ——道具は進化した。原則は変わらない

Claude 4は間違いなく現時点で最高水準のコーディングAIです。読む仕事は劇的に速くなり、書く仕事の叩き台の質も上がりました。開発の付帯作業が軽くなった分、私たちは設計と検証に時間を回せています。投資対効果は明確にプラスです。導入を迷っている開発チームには、試す価値があると伝えたい。

同時に、賢くなったからこそ必要な規律もあります。出力を信じずに検証する。任せる範囲を文書で決める。最終判断は人間が持つ。この原則は発表のたびに揺らぐものではなく、むしろモデルが強くなるほど効いてきます。ブレーキの利かない速い車に乗る人はいません。

次のモデルが出たら、また同じように1週間使い倒して報告します。流行への興奮でも斜に構えた否定でもなく、実測で語る。CATIAのマクロ開発という具体的な現場を持っているからこそ言える数字があります。それが道具と付き合う私たちの流儀です。次の報告もこのブログでお届けします。

AIエージェントをどう組み立てればいいか分からない——そこで止まっているなら、遠慮なく相談してください。何を任せて何を任せないかの線引きから、一緒に決めていけます。

AIに任せるかを決めて完成させるまでAIに渡したい仕事がある失敗したとき後から気づける?任せない仕様決定・検証基準AIに任せる読解・選択肢・叩き台AIが出力を返す全件をレビューしテストを通す仕様として正しい?人が手直しする「これで完成」は人が判断する検証を通ったものだけ配布気づける気づけないはいいいえ
図4: 失敗に気づけるかで任せる範囲を決め、出力は検証を通してから人が完成を判断する。
Qronix 開発チーム

CATIA歴22年超・愛知県の大手自動車メーカー及びグループ各社でCATIAツール開発の技術責任者を務めたメンバーを中心とする、CAD自働化のスペシャリスト集団。2024年創業、特許第7907964号を保有。

「うちの資産でもできる?」
まずその質問からどうぞ。

できる・できないの判定と自働化設計書のご提案までは無料です。

contact@qronix.jp へ相談する
記事一覧をすべて見る →
← 記事一覧へトップページへ →