生成AI時代のコーディングの未来 ─ 学習データ汚染と人間由来コードの囲い込みの実態 #2022

生成AIによるコーディングの自動化は、ソフトウェア開発に何をもたらしたのか。AI生成コードによるデータ汚染、2022年以前の「人間が書いたコード」の価値高騰、そしてエンジニアの思考力低下という構造的な変化について、最新の調査報告をもとに解説します。

前回の記事では、AIの学習データを確保するために物理的な書籍が大量に裁断され、データ化されている実態と、それが著作権や市場に与える影響について考察しました。今回は、デジタルの世界そのものを構築している「プログラミングコード」に焦点を当てます。
ソフトウェア開発の現場において、生成AIを利用したコーディング支援ツールの普及は目覚ましいものがあります。自然言語で指示を出すだけで複雑な処理を自動的に記述してくれるこれらのツールは、開発の速度を劇的に向上させました。しかし現在、複数の実証研究や定量的なデータが蓄積されるにつれ、表面的な生産性向上の裏側で静かに進行している構造的な問題が明らかになりつつあります。
それはソフトウェアの品質低下にとどまらず、AIモデル自身の性能劣化、さらには開発を担う人間の認知プロセスにまで及ぶ、不可逆的な変化です。

AI生成コードの急増とソフトウェア品質の変容

AIコーディングアシスタントの導入以降、世の中に生み出されるコードの量は爆発的に増加しました。しかし同時に、保守性（メンテナンスのしやすさ）や品質に関する指標の低下が観測されています。
調査会社GitClearが2020年から2024年にかけて、2億1,100万行にも及ぶコードの変更履歴を分析した調査では、AI生成コードの普及と並行して、コードの構造的な劣化が進行している事実が示されました[1]。
具体的には、以下のような変化が定量的に確認されています。
・コードチャーンの増加：コードチャーンとは、記述されてから14日以内に修正、削除、または元に戻されたコードの割合を指します。この数値が2020年時点の3.1%から、2024年には最大7.1%へと上昇しました。これは、一度書かれたコードがそのまま定着せず、すぐに手戻りが発生している状況を示しています。 ・コード重複の増加：システム内に同じような処理が何度も繰り返し記述される割合が、2021年の8.3%から2024年には12.3%へ増加しました。特に5行以上のまとまったコードが重複するケースは約8倍に達しています。 ・リファクタリング活動の低下：リファクタリングとは、システムの動作を変えずに、コードを整理してきれいに保つ改善作業のことです。この作業の割合が、25%から10%未満へと激減しました。
これらの指標は、AIツールが新しいコードを大量に書き出す一方で、既存のシステムを整理したり、再利用可能な設計を考えたりする地道な作業を減少させていることを示しています。
さらに、AIが関与したコードと人間のみが作成したコードを比較したCodeRabbitの実証研究では、AIが関与したコードには人間のみの場合と比較して1.7倍の問題が含まれていることが確認されました[2]。ビジネスロジックの誤りやセキュリティの脆弱性（パスワードの不適切な処理など）、さらにはパフォーマンスを低下させるような非効率な記述が、AI生成コードにおいて特異的に増加しているのです。

自己学習の罠とモデル崩壊という退行現象

AIによって大量に生成された低品質なコードは、GitHubなどの公開リポジトリ（コードの保管庫）に蓄積されていきます。ここで重大な問題が生じます。次世代のAIモデルを開発する際、インターネット上のデータを収集すると、必然的に「AI自身が過去に生成したコード」を学習データとして取り込むことになります。
AIが合成したデータを再びAIが学習するこの再帰的なプロセスは、「モデル崩壊（Model Collapse）」と呼ばれる数学的な退行現象を引き起こします[3]。
モデル崩壊とは、自身の出力したエラーや偏りを再学習することで出力の多様性が失われ、最終的にAIの出力が無意味で均質なものへと劣化していく現象です。
コード生成AIにおけるこの現象を検証したSongらの研究（2026年）では、非常に興味深いプロセスが確認されています[4]。AIが生成したコードをAI自身に評価させ、合格したものだけを再学習させるという「自己ゲート」の手法を試みたところ、初期段階ではうまく機能しているように見えました。しかし学習が進むにつれ、AIのテストに対する正答率は下がっているにもかかわらず、自身のコードに対する評価スコアだけが不自然に高くなっていく現象が起きたのです。
これは、AIが外部の客観的な基準を失い、無批判に自らの出力を承認し続ける状態に陥ったことを意味します。人間による独立した検証メカニズムが存在しない限り、AIの自己学習はコードの均質化とエラーの蓄積を招く構造になっていると言えます。

再評価される「人間のコード」とデータ精製プロセス

AIが生成したデータによる「汚染」が進行する中、逆説的な現象が起きています。それは、AIが普及する以前（おおむね2022年以前）に、人間のみによって思考され、記述されたソースコードの価値が高騰しているという事実です。
最先端のAIモデルの性能を維持向上させるためには、もはやデータを無差別に集める手法は通用しません。ノイズを取り除き、純度の高い「クリーンデータ」を抽出するための高度な精製プロセスが不可欠となっています。
例えば、大規模な学習用データセットである「The Stack v3」では、ファイルのライセンスを厳密に確認し、重複を排除し、高品質なファイルのみを抽出する処理が行われています[5]。さらに東京工業大学のチームが開発した「Swallow Code」というデータセットでは、単純なデータの選別にとどまらず、古いコードの文法エラーを修正し、コーディング規約に従ってAIでフォーマットを書き直すという4段階の精製パイプラインが適用されています[6]。人間が書いた過去のコードを標準化して学習させることで、AIの推論能力が直接的に向上することが実証されています。
このクリーンデータ探求の動きは、公開されているオープンソースの領域を超え、企業が保有する非公開の「レガシーシステム」へも向かっています。
金融機関や政府機関などで数十年間にわたり稼働してきたCOBOLベースのシステムなどは、これまで「時代遅れの遺物」と見なされがちでした。しかし現在、これらは「人間によって記述され、実世界で長年検証されてきたビジネスロジックの宝庫」として再評価されています。企業は自社の古いシステムを分析して知識グラフ（情報の関係性をネットワーク化したもの）を構築し、それをもとに自社専用のプライベートAIモデルを強化するための独自の知的資産へと転換させつつあるのです[7]。

クラウド型AIからの脱却とデータ主権の確保

コードデータがAI開発における希少資源となったことで、データ収集を巡る法的な対立や、システムの構造的な変化も生じています。
これまで共同利用を前提として発展してきたオープンソースのエコシステムにおいて、大手IT企業のAIがライセンス条件を無視してコードを学習したとして集団訴訟が提起される事態が起きています[8]。これを契機に、開発者や企業は自身のソースコードがAIの学習に利用されることを防ぐため、技術的なアクセス制限を導入するなど、データの「私有化」と「囲い込み」を進めています。
同時に、クラウド上で提供される巨大なAIのAPI（外部機能の呼び出し）に依存する開発モデルのリスクも顕在化しています。
機密性の高い社内のソースコードを外部のAIサーバーに送信することは、各国のデータ保護法規に抵触する恐れがあります。また、開発者が詳細な検証を行わず、AIにコード生成を丸投げする手法が普及した結果、社内の認証情報やパスワードなどが誤ってコードに書き込まれたまま流出してしまうセキュリティ上の危機も報告されています[9]。
こうした背景から、特定の作業に特化して調整された小型から中型のAIモデルを、完全にインターネットから遮断された自社内のローカル環境で稼働させるアプローチが台頭しています。これは、汎用的な巨大AIを提供する一部のクラウドプラットフォーマーへの一極集中に対する、企業側の対抗措置であり、自らの「データ主権」を守るための動きです。

開発拠点の地政学的シフトとAIネイティブ世代の台頭

コーディングAIの普及は、ソフトウェア開発の世界的な勢力図にも劇的な変化をもたらしています。
長らく欧米圏が中心だった開発の拠点は、現在、アジア、ラテンアメリカ、アフリカへと急速にシフトしています。GitHubの統計データによれば、インドの開発者人口は爆発的に増加しており、数年以内にアメリカを抜いて世界最大の開発者コミュニティになると予測されています。また、ブラジルやナイジェリアなどの新興国も世界最速のペースで成長を続けています[10]。
特筆すべきは、これらの新興地域における若年層の開発者が、キャリアの初期段階からAIコーディングアシスタントを前提とした「AIネイティブ」な開発手法を採用していることです。彼らは、従来の長期間にわたるプログラミング言語の学習プロセスを飛び越え、AIを利用して直接的にシステムを構築しています。この人口動態の変化は、特定の言語や欧米のプラットフォームに依存しない、全く新しい開発コミュニティの形成を後押ししています。

自動化が人間の思考力と労働市場に与える構造的影響

プログラミング作業の大半をAIという外部のシステムに委ねる現状は、単なる生産性の変化にとどまりません。それは、人間の認知プロセスと問題解決のメカニズムそのものを変容させています。
認知科学の分野では、思考プロセスや技術的な記憶を外部のシステムに委ねることを「認知的オフローディング」と呼びます[11]。コードの文法を記憶し、エラーの根本原因を自らの頭で論理的に追跡して修正するという従来の学習プロセスは、現在、AIが提示する複数の解決策から「それらしいものを選んで承認する」だけのプロセスへと置き換わっています。認知的オフローディングは、新しいスキルの形成や定着を妨げる要因となることが指摘されています。
この認知的変化は、労働市場にも具体的な影響を及ぼしています。経験の浅いジュニア層のエンジニアの求人は大幅に減少し、若手開発者がシステム全体の構造を深く理解する機会が奪われています。ある調査では、ジュニア開発者の約40%が、自身が完全に理解していないAI生成コードを本番環境に導入していると報告されています。
ソフトウェア開発の歴史は、人間が機械語の記述から解放され、より抽象度の高い論理設計に集中していく「自動化」の歴史でした。しかし、かつてのコンパイラ（人間が書いたコードを機械語に翻訳するプログラム）が厳密な法則に従う「決定論的」なものであったのに対し、現在のAIによるコード生成は統計的な推論に基づく「確率論的」なものです[12]。
AIは確率的に「もっともらしい」コードを出力しますが、それは文脈的に不適切であったり、コンピューターの処理能力を無駄に消費する非効率なものであったりするリスクを常に孕んでいます。

おわりに：表面的な生産性と技術的負債

AIツールの導入は、当初予測されていたような魔法のような生産性向上をもたらしてはいません。AIがコードを記述するフェーズは高速化されましたが、生成されたコードの安全性を検証し、デバッグし、既存のシステムに矛盾なく統合するための認知的負荷は逆に増大しています。
コードが書かれる速度が上がる一方で、保守や監視が必要なコードの総量が指数関数的に膨れ上がり、システム全体が複雑化していく現象。これは新しい形態の「技術的負債」です。
過去に人間が熟考して書いた良質なコード資産を学習データとして消費し尽くし、やがてAIが生成した品質の均質なコードがデジタル世界を埋め尽くしていくサイクル。私たちは今、目先の開発速度と引き換えに、人類の知識インフラをいかに維持していくかという、技術的かつ哲学的な課題に直面していると言えるでしょう。

脚注

[1] 2025-06-25-ai-coding-tools---tech-debt-in-sheeps-clothing.md - GitHub
2億行以上のコード変更履歴を分析し、AI普及に伴うコードの重複増加やリファクタリングの低下といった品質低下を定量的に示した調査報告。

[2] State of AI vs. Human Code Generation Report
AIが関与したコードと人間のみのコードを比較し、AI関与コードにおける論理エラーやセキュリティ脆弱性の増加を実証したレポート。
[3] AI-training-on-synthetic-data-threatens-knowledge-integrity
AIがAIの生成した合成データを反復して学習することで、出力の多様性が失われエラーが増幅する「モデル崩壊」のメカニズムを解説した記事。

[4] When AI Reviews Its Own Code: Recursive Self-Training Collapse in Code LLMs
AIが自ら生成したコードを自己評価して学習するサイクルの限界と、客観的評価が失われる「ラバースタンプ状態」について検証した論文。

[5] stack-v3-train Datasets at Hugging Face
高品質なAI学習環境を維持するため、厳密なライセンス管理と重複排除のプロセスを経て構築された大規模なソースコードデータセット。

[6] Rewriting Pre-Training Data Boosts LLM Performance in Math and Code
人間が記述した過去のソースコードを、AIを用いて構文修正やフォーマット統一などの精製を行うことで、学習モデルの推論能力が向上することを示した研究。

[7] Legacy COBOL Modernization with Knowledge Graph Intelligence
時代遅れとされてきた古い業務システム（COBOLなど）のコードを知識グラフ化し、新たなAI開発の資産として転換する技術に関する解説。

[8] We've filed a lawsuit challenging GitHub Copilot, an AI product that relies on unprecedented open-source software piracy
オープンソースのライセンス条件を無視してAIの学習データとして使用されたことに対する、開発者らによる集団訴訟に関する議論。
[9] Vibe Coding Security Crisis: Credential Sprawl and SDLC Debt
詳細な検証をせずにAIにコード生成を任せる手法の普及により、パスワードなどの機密情報がコードに混入するリスクが高まっていることを警告する報告。
[10] Software Collaboration Hits 5 Billion GitHub Commits
グローバルなソフトウェア開発の中心地が欧米からインドや南米、アフリカなどの新興国へと急速にシフトしていることを示す統計データ。

[11] Cognitive Offloading: Using AI Reduces New Skill Formation
思考や問題解決のプロセスをAIなどの外部システムに委ねることで、人間の新しい学習能力やスキルの定着が阻害される現象を解説した認知科学の記事。

[12] The Untold Story of Compilers
厳密なルールに従う従来のコンパイラ技術と、統計的推論に基づき不確実性を伴う現代のAIモデルの構造的な違いについて解説した資料。