仕事で使っているOSS(オープンソースソフトウェア)のツールに、小さなバグが見つかったとしよう。AIアシスタントに頼むと、数分でテストと説明つきのきれいなパッチができあがる。

送るのは簡単だ。ただ、受け取る側には、採り入れるかどうかを決め、何年も面倒を見る人が残っている。

この差を取り上げたのが、コンピュータセキュリティシンポジウム CSS 2026 の招待講演だった。登壇したのは、福田鉄平氏(Teppei Fukuda)。

コンテナイメージなどに潜む脆弱性や設定ミスを調べる、広く使われているOSSのスキャナーTrivyの作者だ。

公式プログラムによると、講演のタイトルは「OSSとAI」。AIがオープンソースの3つを変えつつあるという話だった。人々の関わり方、プロジェクトの保守、コミュニティの動き方である。

この記事のポイント

  • AIのおかげで、それらしいパッチは安く作れる。確認・取り込み・保守にかかる手間は、これまでと変わらない。
  • 以前のプルリクエストは、努力と理解の証だった。その手がかりは、ずっと弱くなった。
  • いまOSSに足りないのは判断力だ。何をプロジェクトに入れるかを決め、その責任を負う力である。

コードを書くのは安くなったが、引き受けるコストは変わらない

AIはパッチを書くコストを下げた。パッチを引き受けるコストは下がっていない。

コードを書けることと、保守できることのあいだには、いまも大きな距離がある。

書く手間と確認する手間の、これまでの釣り合い

OSSは長いあいだ、ある程度の釣り合いの上に成り立ってきた。パッチを書くにも手間がかかり、確認するにも手間がかかった。

この釣り合いは、目立たないが役に立っていた。パッチを書くのに何時間もかかった時代、プルリクエストはコードの変更以上のことを保守者に伝えていた。

  • なじみ:投稿者は、変更すべき場所を見つけられるほどコードを読んでいた。
  • 動機:多くの場合、そのプロジェクトを使っていて、気にかける理由があった。
  • 続ける力:レビューのあいだ、質問に答えてくれる可能性が高かった。

どれも保証されていたわけではない。それでも、これらがそろえば、ふるいとしては十分に働いた。保守者は、中身を細かく読む前に、少しだけ信頼を預けることができた。

変わったこと、変わらないこと

AIのコーディングアシスタントのおかげで、もっともらしいパッチはとても安く作れるようになった。引き受けるコストは変わらない。

投稿の両側を比べたのが次の表だ。

段階AIアシスタント以前いま
もっともらしいパッチを書く何時間もの作業数分
理解して確認するかなりの手間同じ手間
取り込んだあとの保守続く作業同じ作業

変更を理解し、プロジェクトの設計に合うかを確かめる人は、やはり必要だ。想定外のケースも考えなければならない。投稿者が去ったあとも、動き続けるようにしておく人も要る。

セキュリティスキャナーが最初に困る理由

Trivyのようなツールでは、悪い変更のコストがさらに大きい。スキャナーは、ソフトウェアのサプライチェーンの中に置かれる。チームはビルドの流れの中でこれを動かし、結果をもとに何を出荷するかを決める。

そのため、取り込んだ変更は1つのリポジトリにとどまらない。次のリリースで、下流のすべてのユーザーに届く。

たとえば、気づかないうちに働かなくなった検出ルールを思い浮かべてみよう。何も壊れず、エラーも出ない。頼っている人は、知らないうちに少しだけ守りが薄くなる。

もっと役に立つ問い

だから、「AIが書いたコードは十分によいか」という問いは的を外している。よい場合もあれば、そうでない場合もある。人が書いたコードと同じだ。

役に立つのは、取り込んだあとにコードの責任を誰が負うのか、という問いだ。責任には次のことが含まれる。

  • バグ報告に答える:コードがおかしな動きをしたとき。
  • 互換性を保つ:依存するものが変わっても動くようにする。
  • 存在理由を説明する:あとから来る投稿者に伝える。
  • 外す時期を決める:合わなくなったら取り除く。

こうした仕事は、どれも安くなっていない。

誰でもパッチを送れるとき、関わり方はどう変わるか

AIを使えば、新人でも初日から経験者のように見える成果物を作れる。すると、投稿の見栄えのよさと、書いた人のプロジェクト理解とを結びつけていた古いつながりが切れる。

OSSプロジェクトに加わる道は、長いあいだ、ゆっくり段階を踏むものだった。誰かが設計したわけではないが、ふるいとして働いていた。よくある流れは次のとおりだ。

  1. ドキュメントの誤字を直す。
  2. 原因がよく分かっている小さなバグを直す。
  3. 保守者の助言を受けながら、機能を手がける。
  4. ほかの人の成果物をレビューする。
  5. 常連の投稿者になり、やがて保守者になることもある。

どの段階でも、同時に2つのことが積み上がった。投稿者はコードを知っていく。保守者は、この人を信頼してよいかを知っていく。

小さな投稿は、双方にとって安上がりな試験だった。誤字の修正は確認の手間が少ない。それでも、その人についての手がかりは残った。

保守者のもとに届くもの

AIがあれば、新人はいきなり3段階目や4段階目に飛べる。初めての投稿者が、古参のメンバーが書いたように読める大規模なリファクタリングを送ってくることもある。

ゆっくりした道で育つはずだった理解は、そこにないかもしれない。

では、実際にはどんな形で届くのか。保守者は、新しい種類の投稿が増えていると語っている。

  • 生成されたissue:説得力のある書きぶりだが、問題を再現する手順が不明確か、実行できない。
  • 頼んでいない大がかりなリファクタリング:「一貫性を高める」として数十のファイルを変えるが、誰も求めていない。
  • テストは通るが的を外した修正:1つの症状には対処するが、プロジェクトがその種の問題全体を扱う方針とぶつかる。
  • 文脈の乏しいセキュリティ報告:大量に届く。実在しそうな関数を挙げながら、その関数にない動作を説明している。

ここで、テストに通ることの意味を考えてみたい。テストが確かめるのは、誰かが書き留めたケースで、コードが期待どおりに動くかどうかだ。変更がプロジェクトの設計に合っているかは確かめない。

本当にある利点

AIは、技能とは関係のなかった壁も低くする。この利点は本物で、見失わないでおきたい。

たとえば、英語の文章に自信はないが腕のあるエンジニアがいる。AIの助けがあれば、分かりやすいissueを書き、レビューのコメントに返信できる。

あるいは、プログラミング言語には詳しいが、プロジェクトのビルド環境は初めてという人もいる。以前よりずっと早く、勝手をつかめる。

OSSの作業は、長く英語で進められてきた。世界中に広がるコミュニティでは、加われる人の幅が広がる。

理解を広げる使い方と、理解の代わりにする使い方

大事なのは、コードを書いたのが人かAIかではない。AIが、投稿者の本物の理解を生かす助けになっているのか、その理解の代わりになっているのか、という点だ。

現れやすい2つの型を比べたのが次の表だ。

AIが理解を広げるAIが理解の代わりになる
主導するのは投稿者が問題を知っているAIが問題を組み立てる
レビューへの対応設計を話し合い、直すパッチを作り直すか、返事が途絶える
範囲実際の必要に合っている問題より大きくなりがち
取り込んだあと後続の修正に付き合うたいていいなくなる

コードだけでは見分けられない

差分(diff)を見ても、どちらの型なのかはほとんど分からない。 どちらも、同じようにきれいに見えるからだ。

そのため保守者は、コードと同じくらい人も確かめることになる。アカウントの履歴を見る。

過去のコメントを読む。変更を本当に理解している人がいるのかを、鋭い質問で探る。

この作業は手間がかかり、気まずさも伴う。どちらの方向にも、間違えやすい。

ここで起きる連鎖を考えてみよう。善意を示すいちばん安い手がかりは、動くパッチと分かりやすい説明だった。いまは、それが伝えることがずっと少ない。

プロジェクトが信頼を築く新しい方法を作れば、参入の壁はなくならず、別の場所に移っていく可能性が高い。しかも、AIが助けるはずだった新人に、その壁がのしかかるかもしれない。

人の側から見た、保守者の負担

AIは開発者がコードを速く書く助けになるが、書かれたものを確かめる人は、やはり必要だ。OSSの保守者にとって、その確認の仕事は、ふつうの開発者よりも重い。

約3万人を対象にした調査で、AIでより速く書けるようになった開発者に共通する傾向が見つかった。1 速さと引き換えに、負担も訴えている。この傾向はこちらで詳しく取り上げている。

  • 燃え尽き:速くなったペースが、人をすり減らす。
  • レビュー疲れ:AIの出力を確かめるには、集中が途切れない注意が要る。
  • 腕のさびつき:手でコードを書く機会が減る。
  • 職業上の自己像の揺らぎ:自分の仕事が何なのか、見えにくくなる。

速さの利点は本物だ。確認のコストも本物である。

保守者が重く感じやすい理由

この調査の対象は開発者全般で、OSSの保守者だけを取り出してはいない。それでも、保守者の仕事には、確認の負担を重くしそうな特徴が3つある。

  • 見知らぬ人のコードをレビューする:職場なら、書いた人を知っていて、席まで聞きに行ける。保守者が知っているのは、ユーザー名だけということも多い。
  • 無償のことが多い:レビューの時間は、夜や週末、あるいは雇い主の寛容さから出ている。
  • 責任を負う:出荷されるものには、プロジェクトの名前がつく。壊れたとき、ユーザーは変更を送った人ではなく、プロジェクトにissueを立てる。

読むほうが、書くより難しい

AIが生成した投稿が増え続けるなら、保守者の時間は、書くことより確認に多く回る。これは、聞こえるよりずっと難しい。

コードを書くとき、人は頭の中に、仕組みの全体像を描く。他人のコードを読むときは、その全体像を組み立て直さなければならない。

AIの助けで書かれたコードなら、書いた本人が、そもそも全体像を持っていないこともある。

これは、レビューに響く。ふつうなら、レビューする人は、書いた人に込み入った部分の説明を頼める。

書いた人が変更を十分に理解していないなら、レビューする人は、込み入った部分をひとりで解き明かすことになる。

昔からの問題に、届く仕事が増える

保守者の燃え尽きは、新しい話ではない。AIが現れるずっと前から、少人数のボランティアが、何百万人もが頼るソフトウェアを支えてきた。この問題をAIが生んだわけではない。

変わるのは、釣り合いだ。AIで投稿の数が増えれば、届く仕事も増える。その仕事を判断できる人の数は、それに合わせては増えない。

ゆっくり進むリスク:コードとの距離が開くこと

保守者も、自分のレビューにAIを使っている。それは理にかなっている。モデルは、大きな変更を要約し、怪しいパターンに印をつけ、返信の下書きを作れる。

ただ、保守者の判断力は、どこかから来たものだ。そのコードベースを、何年も書き、デバッグしてきた経験である。読むことや考えることをモデルに任せる部分が増えれば、その深い知識は薄れていくかもしれない。

これは起こりうる可能性であり、参照した資料が測ったことではない。

心配なのは、肩書きのうえでは保守者でも、モデルが見逃すものに気づけるほどコードを知らない人ばかりが残るプロジェクトになることだ。こうした喪失は、外からは見えにくい。

何かが壊れたときに、初めて表に出てくるのかもしれない。

機械の仕事を誰が確かめるのか:AI生成コードのためのツール

AIが大量にコードを書くなら、確認も大量にやる、というのが1つの答えだ。それを試みる新しい種類のOSSツールがある。AIのコーディングエージェントが残しがちな品質の問題を探すツールだ。

1ページで94件の指摘

具体的な例を1つ挙げよう。impeccableという検出ツールを、手書きのふつうのHTMLページにかけてみた。

結果は、94件の指摘だった。2 このページはAIが書いたものではない。それでも、ツールは多くの点を指摘した。

この結果には、次の表のとおり、2つの面がある。

面94件の指摘が示すこと
良い面人には無理な量を、機械なら確かめられる
悪い面指摘のすべてを、誰かが仕分ける必要がある

自動の確認は、自動で書くのと同じ速さで動く。人にはそれができない。この試験は、コストも見せている。

1ページで94件というのは、目を通すだけでも大変な数だ。

警告のたびに、人の判断が要る

指摘は、1件ずつ誰かが仕分けなければならない。その人は、ツールには答えられない問いに答えることになる。

  • 本当の問題か:実際の問題かもしれないし、好みの書き方がルールの形をとっただけかもしれない。
  • ここで意味があるか:その警告が、このプロジェクトとユーザーには無関係ということもある。
  • 直す価値があるか:どんな変更にも、新しいバグを生むリスクが少しはある。

こうしたツールは、保守の問題を解決せず、別の場所へ移している。 ボトルネックが動くのだ。

以前の問いは「誰が修正を書くのか」だった。いまはそれに加えて、「どの警告が大事かを誰が決めるのか」という問いがある。

確認するツールにも保守者が要る

こうした検出ツール自体も、OSSのプロジェクトだ。だから、確認の対象になるコードと同じ圧力にさらされる。

  • 保守する人が要る:バグを直し、変更をレビューする人が必要だ。
  • ルールが古くなる:コーディングエージェントはモデルの世代ごとに変わり、典型的な間違いも変わるかもしれない。
  • 見捨てられることがある:ほかのOSSと同じく、続けると決める誰かに頼っている。

自動で確認する層が1つ増えるたび、その下には、それを受け持つ人間が必要になる。

試練の場としてのセキュリティプロジェクト

問題がいちばんはっきり表れるのは、セキュリティのツールだ。セキュリティツールは、信頼できると思えてはじめて、使う価値がある。

スキャナーが外せない3つのこと

Trivyのような脆弱性スキャナーを考えてみよう。役に立つのは、次の3つが同時に成り立っているときだけだ。

  1. 検出ロジック:パッケージとバージョンを、既知の脆弱性に正しく結びつける。
  2. 脆弱性データ:照合に使うデータが、正確で新しい。
  3. サプライチェーン:ユーザーが動かすプログラムが、レビューされたコードからビルドされている。

この3つは、投稿者が誰なのかを保守者が確かめられないときでも、成り立っていなければならない。AIの助けで作られた投稿は、そのどれにも圧力をかけうる。

AIの助けで作った変更が、つまずきうる場所

リスクは具体的だ。どれも、上の3つの条件のどれかに対応している。

  • 検出を弱める、小さなロジックの誤り:たとえば、パッチが「一貫性のため」にバージョンの比較を変え、ある端のケースを誤ったとしよう。すると、本物の検出結果が、気づかないうちに消えかねない。テストは通るかもしれない。消えたケースのテストを、誰も書いていないからだ。
  • 新しい攻撃経路を開く依存関係の変更:生成されたパッチが依存関係を追加・更新すると、サプライチェーンが広がる。ロジックに注意を向けたレビュー担当者は、一緒に入ってきたものを細かく見ないかもしれない。
  • 大規模なソーシャルエンジニアリング:2024年に見つかったxz Utilsのバックドアが、その仕組みを示した。攻撃者は長い期間をかけ、役に立ちそうな投稿を重ねて、保守者の信頼を得た。そのうえで、その信頼を利用した。AIがこの手口を生み出したわけではない。ただ、もっともらしい投稿者の人格を保つコストを下げ、複数を同時に動かしやすくする可能性はある。

気づかない失敗が本当に危ない理由

核心にある問題は、偏りだ。スキャナーが何かを見逃しても、目に見える異常は起きない。

ユーザーは、問題のない報告書を見て、先へ進む。気づかないうちに弱くなったセキュリティツールは、ちゃんと動いているものと見分けがつかない。 知らされていない脆弱性に、文句を言う人はいない。

弱くなったツールは、誰かが気づくまで、長く動き続けることがある。

守る側にもAIが役に立つ

AIは、これらのプロジェクトを守る人たちの助けにもなる。保守者の仕事のうち、とくに時間のかかる部分が、AIの得意なところだ。

  • トリアージ:届いた報告を仕分け、重複を見つけ、ノイズを除く。
  • ルール作り:検出ルールやチェックの下書きを作り、保守者が磨く。
  • 再現:報告された脆弱性のテストケースを、手作業より速く作る。

どの場合も、結果は保守者が確かめる。AIが速めるのは、最初の下書きまでだ。その下書きが正しいかどうかの判断は、これからも人の仕事である。

影響の大きさに応じたレビュー

変わるのは、レビューの考え方だ。セキュリティが重要なOSSでは、コードの出どころの重みが増している。誰が書いたのか、どう作られたのか、誰が責任を負うのか、という点だ。

レビューの量も、悪い変更がどれだけの害を生みうるかで決める必要がある。届く投稿の数を目安にするのは誤りだ。違いは次の表のとおり。

変更悪い場合に起きること必要なレビュー
ドキュメントの修正分かりにくい文章軽い
バージョン照合のロジック脆弱性の見逃し深い
依存関係の追加攻撃される範囲の拡大出どころの確認も含め、深い

条件はシンプルだ。投稿の数が増えても、レビューにかける力が変わらなければ、どこかが手薄になる。

手薄になりやすいのは、危険な変更であることが多い。きちんと確かめるのに、いちばん時間がかかるからだ。

ちょっと立ち止まって

「コードが書けるなら、プロジェクトに貢献できる」。そう思っていなかっただろうか。この記事の話が揺さぶるのは、その思い込みだ。

コードを書くことは、安くなった。引き受けて、守り、必要なら外すことは、安くなっていない。

あなたが使っているOSSは、誰の判断と時間に支えられているだろうか。そして、あなたが送る1つのパッチは、その人たちに何を預けることになるだろうか。

OSSを支えるのは何か:ガバナンスと規範、そして判断力

簡単に書けるコードがあふれてきたとき、プロジェクトにはいくつかの対応策がある。どの策も何かを守るかわりに、何かを手放すことになる。

選択肢とその代償

次の表は、主な対応策について、何を守り、何を手放すのかを比べたものだ。

対応策守るもの手放すもの
AI支援の開示ルール変更の作られ方を、レビューする人が知れる正直さが前提になる。正当なAI利用への偏見を生むかもしれない
プルリクエストの前にIssueコードより先に設計の話ができる良い貢献者の足が遅くなる。新人には手順が1つ増える
貢献者の評価の仕組み信頼が時間をかけて目に見える形で育つ古参のアカウントが有利になる。不正に利用されうる
貢献を受け付ける範囲を狭める中核部分をレビューなしの変更から守れる新人が学ぶための入り口が減る
機能だけでなくレビューと保守にも資金を出す数少ない担い手の仕事に直接お金が届く目に見えない仕事にお金を出すスポンサーが要る

どれも無料ではない。この表から読み取れる大事な点は、これだ。

底にあるトレードオフ

関門を厳しくすれば、メンテナーは守られる。だが、プロジェクトが生き残るために必要な新人まで締め出してしまうかもしれない。

メンテナーも、かつては新人だった。扉を固く閉ざしすぎると、次の世代のレビュアーは現れない。

関門をゆるくすれば、プロジェクトは開かれたままでいられる。そのかわり、レビューの負担が少数の人に集まる。

つまり、選ぶのは「安全か、開放か」という一般論ではない。誰がその負担を、どれだけの期間背負うのかという話だ。

いまOSSに足りないもの

足りないものは移ってきた。以前は、コードを書く力だった。

いま足りないのは、何をプロジェクトに入れるかを決める判断力と、それを長く引き受け続ける覚悟だ。

AIツールを使えば、コードは安く作れる。だが、そのコードをレビューし、なぜ合っているのかを説明し、何年も先まで保守する人までは、AIツールだけでは生まれない。

だとすれば、判断力は意識して育てる必要がありそうだ。実際には、たとえば次のような形になる。

  • レビューを分かち合う:新人にプルリクエストを出させるだけでなく、レビューもしてもらう。
  • 理由を文章に残す:設計の判断について、結果だけでなく考え方も書き、ほかの人が学べるようにする。
  • 小さな持ち場を任せる:限られた範囲について、新人に本物の責任を持ってもらう。

これが大きな規模でうまくいくかどうかは、まだ確かめられていない。確かな結論ではなく、筋の通った賭けだ。

OSSを使う人、貢献する人、資金を出す人へ

ここまでの話から、いくつかの習慣が見えてくる。

  1. AIの助けを借りた変更を出すなら、レビューの場で、モデルに戻らなくてもすべての行を説明できるようにしておく。説明できないなら、そのパッチはまだ出せる状態ではない。
  2. 大きな変更の前に、Issueを立てる。解決策にメンテナーの時間を使う前に、まず何が問題なのかを合意しておく。
  3. 自分のものだけでなく、ほかの人のプルリクエストもレビューする。プロジェクトに足りない判断力が育ち、長く関わるつもりがあることも伝わる。
  4. 組織がセキュリティツールに頼っているなら、その保守に資金を出す。ほしい機能だけでなく、レビューと保守にもお金を払う。
  5. レビューにかける手間は、影響の大きさに合わせる。検知ロジック、依存関係、リリースの流れに関わる変更は、差分がどれほど整って見えても、ゆっくり進める。

問いは、言葉にすれば単純だ。AIがコードの供給を増やす速さで、コミュニティは信頼できる判断力の担い手を増やせるのだろうか。できると示した人は、まだいない。

AIコーディング支援の登場前と現在を、3つの工程で比べた表。もっともらしいパッチを書く工程は、登場前は数時間の労力だったが、現在は数分になり、この行だけが強調されている。理解してレビューする工程は、登場前は相応の労力で、現在も同じ労力のため「変化なし」と示されている。マージ後の保守は、登場前は継続的な作業で、現在も同じ継続的な作業のため「変化なし」と示されている。下部には「コードを書けることと、保守できることの間には大きな隔たりが残る」と書かれている。

図1:AIで安くなったのはパッチを書くコストだけで、レビューと保守のコストは変わらない(出典:記事本文の比較表)

脚注

  1. 開発者のAI利用、燃え尽き、職業上の自己像に関する約3万人の調査:/posts/ai-burnout-engineers-identity-crisis-survey/ ↩

  2. 手書きのHTMLページに対するimpeccableの監査で94件の指摘が出た例:/posts/impeccable-ai-coding-agent-html-audit-94-issues/ ↩