Chaos and Order

💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

はじめに — 「AI が私の仕事を奪うのか?」

2026年4月、開発者が最も多くする質問だ。

短い答え: 「奪う」と「拡張する」の間のどこか。1950年に ATM が登場したとき、銀行員は消えずに変化した。単純な入出金業務は消えたが、相談・販売・プロダクトへ移った。人口1人あたりの銀行員の数はむしろ増えた。

しかし重要な違いがある:

ATM: 特定の作業の自動化
AI コーディング: 一般知能的な作業の自動化

つまり、どのシナリオになるかによって未来は大きく分かれる。

この記事は Season 3 シリーズのフィナーレだ:

現在 — 2025年の AI コーディングツールの実体
10年の予測 — 3つのシナリオ
Junior/Senior の価値の変化
AI にできないこと — 残る領域
倫理、安全、ガバナンス
個人の戦略 — 今日から
韓国の開発者のポジション
Season 4 の予告

Chapter 1: 2025年の現在 — AI コーディングツールの地形

1.1 ツールのスペクトラム

第1世代の自動補完:

IntelliSense、Eclipse
ルールベース

第2世代のパターン予測:

GitHub Copilot (2021)
トークン/行単位の予測
GPT-3 ベース → Codex → GPT-4

第3世代の対話型:

Cursor、Windsurf
ファイル全体の修正
コードベースの理解

第4世代の Agentic:

Claude Code、Cursor Agent、Devin
多段階の作業の遂行
ファイル探索 → 修正 → テスト → 反復
「チケットを渡せば PR を開いてくれる」

1.2 導入率の統計

GitHub 2024 Survey:

92% の開発者が AI ツールを使用中、または試したことがある
Copilot の有料購読者は180万人以上
Cursor の2025年 ARR は $100M+ と推定

1.3 生産性の効果

GitHub の研究: Copilot ユーザーは55% 速く開発する
Microsoft 社内: PR review の時間が20%短縮
注意: 単純な作業では効果が大きく、複雑なアーキテクチャ作業では効果が小さいか逆効果

1.4 問題点

Hallucination: 存在しない API の呼び出し
Silent bugs: 正しく見えるが間違っているコード
Security: 誤った暗号化、脆弱性の挿入
License: GPL のコードが提案されうる
過信: レビューなしのコピペ

1.5 Agentic Coding の新しい段階

Claude Code、Cursor Agent、Devin のような Agent は:

多段階の計画
ファイル操作
コマンド実行
テスト実行
エラー復旧

新しい役割: 開発者は「タイピスト」から「オーケストレーター」へ。

Chapter 2: 10年のシナリオ3つ

2.1 楽観シナリオ (2035)

AI が熟練した junior の水準に到達する:

すべての開発者が10倍の生産性
ソフトウェアの量が10倍に増加
新規ビジネスの爆発
開発者の需要はむしろ増加

理由:

Jevons paradox: 効率が上がると需要が急増する
ソフトウェアはまだ世界の1%しかカバーしていない
AI でカバー可能な領域が9%へ拡大

示唆:

Staff+ エンジニアは Principal 水準の影響力を持つ
Junior も複雑な機能を実装する
開発者の年収は維持または上昇

2.2 中立シナリオ (2035)

AI が Mid-level まで自動化する:

単純な CRUD、反復作業は AI が専任
Junior の参入障壁が高くなる
Senior+ の役割は拡張する
開発者の総数は現在の水準を維持

示唆:

「開発者」の定義が変わる
Junior 1年目 → 「AI オーケストレーター」
Senior+ = アーキテクチャ + チーム管理 + AI の検証
中間が消える (U字型の雇用)

2.3 悲観シナリオ (2035)

AI が Senior 水準まで到達する:

ほとんどのコーディングが自動化
開発者の需要が急減
AI の専門家だけが生き残る
少数の Principal エンジニアだけが残る

示唆:

大規模な転職
開発者の年収の下落
新しい産業への移動が必要

2.4 Anthropic/OpenAI の公式な立場

Dario Amodei (Anthropic CEO, 2024):

「2026〜2027年にほぼすべての認知作業で AI が人間より優れうる。」

Sam Altman (OpenAI, 2024):

「AGI は漸進的な進化であり、仕事はむしろ増えるだろう。」

Demis Hassabis (DeepMind, 2024):

「AGI は5〜10年。仕事は変化するだろう。」

注意: リーダーたちの予測にはバイアスがある (投資の誘致、ビジョン)。

2.5 確率

非公式の開発者アンケート (2024):

楽観: 20〜30%
中立: 50〜60%
悲観: 10〜20%

筆者の意見: 中立が最も有力。Junior への打撃は大きく、Senior は安定、Staff+ は繁栄する。

Chapter 3: Junior の職務の変化

3.1 従来の Junior の業務

Boilerplate のコード
単純なバグ修正
CRUD API
ユニットテストの作成
データ変換スクリプト

これらすべてを AI が得意とする。

3.2 Junior の新しい役割

AI Orchestrator:

要求を AI に伝える
AI の結果を検証する
統合テスト
本番へのデプロイ

AI の結果の批判的レビュー:

Hallucination の検知
セキュリティの検討
性能の評価
コードの品質

ユーザー/ビジネスの理解:

要求の分析
PM/デザイナーとの協働
ビジネスロジックのモデリング

3.3 Junior が学ぶべきこと

デバッグ: AI のコードがなぜ間違っているのかを理解する
システム設計の基礎: AI の出力を全体の文脈で判断する
ビジネスの理解: 技術 < プロダクト
コミュニケーション: PM/デザイナーとの言語
Prompt Engineering: AI との協働

3.4 Junior Hiring の変化

減少:

大規模な Junior 採用
ブートキャンプからの自動的な就職
「新人を3年回して Senior にする」

増加:

高水準の Junior (CS 学位 + AI に堪能)
Mid-level の直接採用
Senior の年収の上昇

3.5 対応

大学/ブートキャンプ:

CS の基礎がより重要 (AI の出力を検証するため)
AI 活用のカリキュラムの導入
プロジェクト中心

個人:

学位/証明書より OSS/ポートフォリオ
実際の問題を解決した経験
AI ツールへの習熟

Chapter 4: Senior+ の価値の変化

4.1 Senior の新しい領域

AI 時代の Senior = 「Conductor」:

オーケストラの指揮者のように複数の AI コーディング agent を調整する
アーキテクチャの決定
コードの品質の保証
ビジネスインパクトの測定

4.2 Staff+ エンジニアの増幅

以前: チーム内で「最もできる人」以後: 「10倍の生産性を持つ人」 (AI による増幅)

Staff+ エンジニア1人 + AI = 以前の5〜10人のチーム。

4.3 何がより重要になるのか

Taste: 良いコードを見分ける判断力
システム設計: 全体の絵
セキュリティの直観: 脆弱性の検知
性能の感覚: ボトルネックの直観
プロダクト思考: ユーザー価値
意思疎通: PM、デザイナー、CEO との言語

4.4 何が重要でなくなるのか

Syntax の完璧さ
暗記する API
単純なアルゴリズムの実装
決まったパターンの反復

コンパイラが文法をチェックするように、AI が Syntax を埋めてくれる。

4.5 Principal の新しい役割

AI システムそのものの設計
会社全体の AI 導入戦略
ガバナンス、安全、倫理
業界のリーダーシップ

Principal の数は増加する。ジュニアが AI のおかげで速く成長できるからだ。

Chapter 5: AI にできないこと

5.1 Long-range Reasoning

6か月のプロジェクトのアーキテクチャの決定
数十のファイル間の複雑な相互作用
長期のビジョンの策定

AI は短期の作業に強く、長期は依然として人間のものだ。

5.2 Novel Problem

初めて見るビジネスの問題
新しいドメイン
創造的な解決

AI は訓練データの中のパターンだ。新しいパターンは人間のものだ。

5.3 利害関係者の調整

PM/デザイナーとのトレードオフ
経営陣へのブリーフィング
顧客インタビュー

社会的な文脈が必要だ。

5.4 責任と判断

バグが売上 $1M の損失を引き起こす → 誰の責任か?
デプロイの決定
セキュリティ/プライバシーの judgment

法的・倫理的な判断は人間のものだ。

5.5 プロダクトの感覚

ユーザーが本当に望むもの
Steve Jobs 的な「いや、このボタンは無しだ」という決定
美学、Taste

文化/文脈の理解が必要だ。

5.6 On-call、障害対応

3AM のアラーム
素早い判断
チームの調整
コミュニケーション (顧客、報道)

リアルタイムの社会的な調整が必要だ。

5.7 領域別のまとめ

AI が強いもの:

Boilerplate、CRUD
既存のパターン
ドキュメントの作成
テストの生成

人間が強いもの:

長期の設計
新しい問題
社会的な調整
責任と倫理

Chapter 6: 倫理、安全、ガバナンス

6.1 Code の品質への懸念

2024年の GitClear 研究:

AI 導入後にコードの churn が増加
Defect の増加の疑い
「コピペエンジニアリング」への懸念

6.2 ライセンス / 著作権

Copilot が GPL のコードを提案した事例
訴訟: GitHub Copilot vs 開発者たち (2022年)
結論: 未定

安全戦略:

ライセンススキャンのツール
ライセンスのポリシー
文書化されたコードの origin

6.3 セキュリティ

AI が提案したコード:

SQL injection のリスク
誤った crypto
Hardcoded secrets
脆弱な依存関係

→ セキュリティレビューは必須。

6.4 バイアス

訓練データのバイアス
少数言語/フレームワークに弱い
全体として米国/英語へのバイアス

6.5 AGI の安全性

Alignment の問題: AI が人間の意図どおりに動作するのか
企業の責任: OpenAI、Anthropic、Google
政府の規制: EU AI Act、韓国の AI 基本法

6.6 開発者の役割

盲目的な採用の拒否
品質基準の維持
検証手順の構築
倫理的な利用の拡散

Chapter 7: 個人の戦略 — 今日から

7.1 AI ツールへの習熟

必須:

Copilot または類似のツールの日常的な使用
Cursor/Claude Code/Windsurf のうち1つをマスターする
Agent モードの実験
Prompt engineering

1日30分の実験を。

7.2 T字型から T+ 型へ

深さ1つ (従来)
広さ1つ (AI)
結果: T+ (専門性 × AI)

7.3 会社で AI 導入のリーダーになる

AI ツールの評価
チームのガイドラインの作成
成功事例の共有
セキュリティ/品質の基準

昇進の機会だ。

7.4 新しいドメインへの参入

AI で学習を加速する:

Claude/ChatGPT とのペアリング
30日で新しい言語
6か月で新しいドメイン

2025年までは難しかった速度が、いまは可能だ。

7.5 サイドプロジェクト

AI ツールで素早く MVP
実際の問題の解決
収入またはポートフォリオ

7.6 書くことと発表すること

AI 時代に明確な思考の価値が上がる
ブログ、講演
AI にはできない「なぜ」を提示する

7.7 基礎力の強化

CS の基礎 (アルゴリズム、OS、ネットワーク)
システム設計
デバッグ

AI 時代には基本がより重要。

Chapter 8: 韓国の開発者のポジション

8.1 韓国の強み

速い適応 (新技術の導入が速い)
高い教育水準
英語力が上昇中
政府の AI 投資が活発

8.2 韓国の弱み

グローバルな AI 研究での比重が低い (米国/中国に比べて)
韓国語 LLM は GPT/Claude に比べて遅れている
リスク回避の文化

8.3 機会

AI Application の強国: Inference、Fine-tuning、Deploy
Fintech、Commerce への適用
K-Culture コンテンツの AI: ドラマ、K-Pop の生成
ハードウェアとの結合: Samsung、SK Hynix + AI チップ

8.4 脅威

グローバルな AI 大企業への従属 (OpenAI、Anthropic、Google)
データ主権
AI 人材の流出

8.5 個人の戦略

韓国に住む開発者:

グローバルなオープンソースへの貢献
英語で書くこと
リモートのポジションを探すこと
AI の専門性の確保

海外進出を考えるなら:

米国: OpenAI、Anthropic、Google、Meta
欧州: DeepMind、Mistral
東南アジア: Singapore AI hub

Chapter 9: シーズン3の回顧

9.1 Season 3 で扱ったもの

Ep 1: アーキテクチャの事例研究 (Netflix、Stripe など)
Ep 2: 有名なポストモーテムの解剖
Ep 3: スケーリングの変曲点
Ep 4: ビッグテックの文化
Ep 5: Staff/Principal の経路
Ep 6: OSS のメンテナー
Ep 7: 開発者の文章術
Ep 8: 財政
Ep 9: 時間管理
Ep 10: 精神の健康
Ep 11: 学習
Ep 12: ネットワーキングとブランディング
Ep 13 (本記事): AI と10年の未来

9.2 共通のテーマ

持続可能性: 短期ではなく長期
真正さ: 誇張ではなく実際
人間的であること: 技術 + 人
複利: 小さなものの累積
コミュニティ: 一人ではなく共に

9.3 シーズン3のメッセージ

開発は技術だけではない。人、文化、キャリア、精神、お金、時間、学習、ネットワーク、未来をすべて扱う総合的な職業だ。

AI 時代には人間的なものがより重要になる。

Chapter 10: Season 4 の予告

10.1 テーマの候補

AI Application の実戦: RAG、Fine-tuning、Agent システム
セキュリティ完全ガイド: Red Team、Blue Team、Zero Trust
Data Engineering: ETL、Data Lake、Warehouse 2.0
Observability の実戦: OpenTelemetry、Trace、コスト
Web 標準の最新: WebGPU、WebAssembly 2.0、Privacy API
クロスプラットフォーム: Tauri、Electron の進化、Flutter
Developer Tools: 言語サーバー、LSP、Tree-sitter
Compiler の話: LLVM、Rust Compiler の内部

10.2 フォーマットの実験

より短く集中的な記事
インタビュー形式の実験
韓国の主要企業への深い取材

Chapter 11: 12項目の AI 時代チェックリスト

Chapter 12: 10個の AI 時代アンチパターン

1) AI の完全な回避

「私は AI を使わない、純粋な実力で」 → 競争相手は10倍の生産性。1年以内に淘汰される。

2) AI への完全な依存

すべてのコードを AI に任せる。本人の理解がない。 → バグが起きたときにデバッグできない。

3) 検証なしの採用

AI の出力をそのまま本番へ。 → 深刻なバグ + セキュリティの問題。

4) 基礎力の放棄

「AI がアルゴリズムをやってくれるから自分は知らなくていい」 → AI の出力を評価できない。

5) 書くこと/考えることの放棄

「AI が書いて」だけを繰り返す。 → 本人の思考力が消滅する。

6) 長期計画がない

「1年後には AI がやるから関心がない」 → 準備なしに変化に直面する。

7) FOMO を追う

すべての新しい AI ツールを試す。 → 何もマスターできない。

8) Doomerism

「どうせ AI が仕事を全部持っていく。」 → 自己実現的な予言。行動の麻痺。

9) Hype を信じる

「AGI が来年すべてを解決する」 → 誇張された期待で現実を無視する。

10) コミュニティからの孤立

AI にだけ依存し、人と断絶する。 → ネットワーク/支援システムの喪失。

おわりに — 開発者の10年後

原則1: AI は道具だ

ハンマーが大工を代替しなかったように。使い方が運命を決める。

原則2: 人間的なものの価値の上昇

創造、判断、意思疎通、倫理。AI 時代にはより貴重になる。

原則3: 基礎力がレバレッジ

AI の出力を評価するには基本を知らなければならない。基礎がより重要になる。

原則4: 適応力が生存

過去の言語/フレームワークに固執しないこと。毎年学び直す。

原則5: コミュニティ

一人で変化を引き受けるのは難しい。共に学び、適応する。

原則6: 楽観 + 準備

悲観は麻痺。楽観だけは危険。楽観的な現実主義を。

原則7: 原典を読め

Machines of Loving Grace - Dario Amodei (Anthropic, 2024)
Situational Awareness - Leopold Aschenbrenner
The Intelligence Age - Sam Altman
AI Snake Oil - Arvind Narayanan
The Coming Wave - Mustafa Suleyman
Scaling Hypothesis - Gwern Branwen
[韓国語の資料: AI タイムス、ETRI 報告書、科学技術情報通信部の AI 戦略]

シーズン3の締めくくり

この13編を通して開発者の人生の全体を扱った:

技術: アーキテクチャ、ポストモーテム、スケーリング
組織: ビッグテックの文化、Staff+ の経路
外部: OSS、文章術、ネットワーキング
自己管理: 財政、時間、精神の健康、学習
未来: AI と10年

どんな開発者として生きるかについての総合的な案内書になることを願った。

読んでくださったすべての方に感謝しつつ、次の Season 4 で戻ってくる。それまでも、技術も人生も、どちらもうまく作れますように。

— 2026年4月、キム・ヨンジュ

次の記事の予告 — Season 4 Ep 1: 「RAG 実戦完全ガイド: 検索、埋め込み、ベクトル DB、Fine-tuning の境界」

Season 4 Ep 1 は:

RAG の基本原理と進化
Embedding モデルの選択 (OpenAI、Cohere、韓国語モデル)
ベクトル DB の比較 (pgvector、Pinecone、Weaviate、Qdrant、ChromaDB)
チャンキング戦略
Rerank、Hybrid Search
Fine-tuning vs RAG vs Prompt Engineering
Long context (100K+ tokens) の影響
実戦の RAG アーキテクチャ (Notion AI、Claude)
韓国語 RAG の特殊性
コストと遅延の最適化

次の記事で。