AI同士でコードレビューさせたら予想外の結果に――ClaudeとCodexの「視点の違い」が示す重要な示唆

生成AIによるコードレビューが実務で使われ始めている今、重要な問いが浮上しています。「異なるAIツールは、同じコードに対して同じ指摘をするのか?」この素朴な疑問に対し、実際に8ラウンドにわたる比較実験を行った報告が注目を集めています。

ClaudeとOpenAI Codexという2つの主要なAIに、小規模なOSSプロジェクトの修正diffを繰り返しレビューさせた結果は、多くの開発者の予想を裏切るものでした。単にツールの性能差を測るのではなく、AIレビューの本質的な特性を浮き彫りにした実験結果を深掘りします。

発見1: 指摘の重複はほぼゼロ

最も驚くべき結果は、両AIの指摘がほとんど重ならなかったことです。初回レビューでは統合8件の指摘のうち、両者が同じ箇所を指摘したのはわずか2件。さらに、同一のdiffを同日に独立して並走させた回では、新規指摘の重複はゼロでした。

これは単なる偶然ではありません。同じコードを見ても、AIによって着目する観点が根本的に異なることを示しています。人間のレビュアーでも個人差はありますが、基本的なコーディング規約違反や明らかなバグは複数人が指摘します。AIの場合、その「共通認識」すら成立しにくいのです。

発見2: 片方の「承認」は他方の「承認」ではない

さらに興味深いのは、一方のAIが「mergeable(マージ可能)」と判断したコードを、もう一方が問題視するケースが頻発したことです。これは単に見落としではなく、**何を「良いコード」と見なすかの基準そのものが異なる**ことを意味します。

たとえば、Claudeが可読性の観点から承認したコードを、Codexがパフォーマンスの懸念から却下する、といった構図です。どちらも「間違い」ではなく、優先する価値観が違うのです。

発見3: レビューの継続性と一貫性の欠如

8ラウンドの繰り返しレビューで明らかになったのは、AIレビューの「記憶」の問題です。前回指摘した内容を次のレビューで見落とす、あるいは前回承認したパターンを今回は却下するといった一貫性の欠如が観察されました。

人間のレビュアーなら、プロジェクト全体の文脈や過去の議論を踏まえて判断しますが、現行のAIツールはセッションごとに「リセット」される傾向があります。

GitHub CopilotやCursorとの比較で見えるもの

この実験結果は、GitHub CopilotやCursorといった他のAIコーディングツールにも当てはまる本質的な課題を示唆しています。これらのツールも内部的には異なるモデルやプロンプト設計を使用しており、同様の「視点の分散」が存在するはずです。

重要なのは、**AIツールを「唯一の正解を出すオラクル」として扱うのは危険**だということです。むしろ複数の視点を提供する「相談相手の一人」と捉えるべきでしょう。

メリット: 多様な視点による品質向上の可能性

一見すると指摘の重複がないことはデメリットに思えますが、視点を変えれば**レビューの多様性**というメリットがあります。人間のレビュアー1人では気づかない観点を、複数のAIを組み合わせることで補完できます。

特に小規模チームやOSS開発では、レビュアーのリソースが限られています。ClaudeとCodexの両方を走らせることで、セキュリティ、パフォーマンス、可読性といった多角的な視点を低コストで確保できるのです。

注意点: 判断の最終責任は人間にある

一方で、AIの指摘が矛盾する場合、**最終判断は人間が下さなければなりません**。「どちらのAIが正しいか」ではなく、「このプロジェクトの文脈でどちらの指摘を優先すべきか」を考える必要があります。

また、両AIが見落とす「共通の盲点」も存在する可能性があります。AIツールに過度に依存すると、その盲点が組織全体のリスクになりかねません。

適用範囲: こんなプロジェクトに向いている

このマルチAIレビュー手法は、以下のような場合に特に有効です：

逆に、高速な開発サイクルが求められるプロトタイピングや、すでに人間レビュアーが十分に確保されているエンタープライズ開発では、コストとベネフィットのバランスを慎重に検討すべきです。

アクション1: 重要なPRで2つのAIツールを並走させる

次にマージ前の重要なPull Requestがあれば、Claudeのコードレビュー機能とGitHub Copilotなど、2つの異なるAIツールで同時にレビューを実施してみましょう。指摘の違いを比較することで、コードの隠れた問題や改善ポイントが見つかる可能性があります。

アクション2: AIレビュー結果の「判断ログ」を残す

AIからの指摘に対して、「採用した理由」「却下した理由」を簡単にコメントとして残す習慣をつけましょう。これにより、チーム内で「どのAIの指摘を信頼するか」の判断基準が蓄積され、長期的にレビューの質が向上します。

アクション3: 定期的に「AIレビュー振り返り会」を実施する

月に1回程度、AIレビューで見つかった問題や見落とし、矛盾する指摘について振り返る時間を設けましょう。「どのツールがどんな種類の問題に強いか」のパターンが見えてくれば、ツールの使い分けが戦略的にできるようになります。

---

この情報は @omnia-mirari さんの投稿を参考にしています。