TrueWatch
今すぐ始める

ヒューマン・イン・ザ・ループAIエージェント:レビューのボトルネックを解消する

2026年11月17日

エンジニアリングチームはより速く進むためにAIを導入し、ある指標で見れば確かに成果が出ました。Bainが2026年に実施した上級技術リーダー調査によると、AIを使うと開発者が完了するタスクは約21%増える一方、レビュー時間は約91%増加します。Bain自身の結論は明快です。人によるレビューが、いまや最大の制約になっているのです。この知見は、ヒューマン・イン・ザ・ループAIエージェントを導入するすべての人にとって重要です。エージェントのあらゆるアウトプットが担当者の手元に届けば、その担当者がボトルネックとなり、エージェントを増やしても待ち行列が長くなるだけです。

本記事では、データが示すこと、アウトプットよりもレビュー負荷の方が速く増える理由、そしてヒューマン・イン・ザ・ループの担当者が作業をやり直すのではなく証拠を確認できるよう、エージェントのハンドオフをどう設計すべきかを解説します。

AIでエンジニアは速くなった。レビューは遅くなった。

もはや導入の是非は問題ではありません。Googleの2025年DORAリサーチは、ソフトウェア開発専門職におけるAIの導入率が90%に急増したことと、その導入がソフトウェアデリバリーのスループット向上に結び付いていることを報告しています。より多くのコード、変更、チケットがシステムを流れています。

スケールしていないのは確認作業です。2026年4月に実施された上級技術リーダー293人を対象としたBainのTech and Engineering Surveyは、これを数字で示しています。完了タスクは約21%増加した一方、レビューに費やす時間は約91%増加しました。作業は、人が正しさを確認できる速度を上回るペースで届いています。

DORAチームはAIを増幅器と位置付けています。その言葉を借りれば、AIの主な役割は「組織の既存の強みと弱みを増幅すること」です。すでに逼迫していたレビュープロセスは、流入量が増えても楽になりません。むしろ混乱が増すのです。

01_after-AI-made-engineers-faster_review-time-chart.png

ヒューマン・イン・ザ・ループAIエージェントがレビューの上限に突き当たる理由

ヒューマン・イン・ザ・ループとは、人がAIの運用に積極的に関与し、指示、フィードバック、監督を行うシステムを指します。本番システムに対して動作するAIエージェントの場合、この監督とは通常、エージェントが見つけた内容を人が読み、次の対応を決めることを意味します。モデルとしては妥当です。問題は処理能力です。

エージェントが5倍になっても、レビュアーは1人

Bainの回答者は、チームあたりのエージェント数がほぼ5倍に増えると予想しています。各エージェントが「原因はデータベースです」といった結論だけを返す場合、レビュアーは信頼する前に推論過程を再構築しなければなりません。ダッシュボードを開き直し、クエリを再実行し、ログを読み直すことになります。それではエージェントがほとんど作業を省いておらず、しかもレビュアーは5倍の数の回答を検証することになります。

同じBainの記事では、ある大規模なエンジニアリング組織の対応が紹介されています。AIが作成したプルリクエストが週に約1,300件マージされ、そのすべてが他の変更と同じ人によるレビューを経ています。人によるレビューは残ります。変えるべきは、1件のレビューにかかる手間です。

同じパターンが運用の現場にも現れている

これはコーディングに限った話ではありません。同レポートのBainのサイバーセキュリティの章は、AIによるスキャンによって脆弱性アラートが最大8倍に増加したことを指摘し、より単純な修正を「ヒューマン・イン・ザ・ループ」のもとで自動化することを推奨しています。

オンコール対応チームにとって、この計算は身近なものです。GoogleのSREガイダンスによれば、ポストモーテムを含めて1件のオンコールインシデントに対応するには平均で約6時間かかるため、12時間のシフトあたり2件までに負荷の上限を設けています。AI SREエージェントが調査するすべてのアラートは、最終的に人が対応を判断して終わります。その人が結果を信頼するために調査をやり直す必要があるなら、インシデントの解決にかかる時間は以前と変わりません。

人によるレビューを速くするもの

解決策は人を外すことではありません。エージェントが返す内容を変えることです。Bainの回答者は、エージェントをスケールさせる最大のイネーブラーとして、安全性、リスク、ガバナンスのガードレールを43%で1位に挙げ、41%がリスクに応じた階層型モデル、つまりリスクの高い変更は人に回すモデルを期待しています。優れたAIエージェントガバナンスは、レビュアーに何を見ているのかを正確に伝えるため、レビューを速くします。

実行前にスコープを定める

レビュアーは、境界をあらかじめ把握していれば、より速く判断できます。Microsoftのエージェントガバナンスに関するガイダンスは、エージェントにはその機能に必要な特定のデータソースにのみアクセスを許可することを推奨しています。エージェントのロール、データ、ツールが事前に固定されていれば、レビュアーは他に何に触れたのかを気にする必要がありません。

回答とともに証拠を示す

証拠とともに届く所見は、確認できる所見です。つまり、実行したクエリ、その結果、そして結論の根拠となったシグナルです。Forresterは基準を明確に示しています。自律的なアクションはすべてログに記録され、監査人に対して説明可能でなければなりません。監査人を満足させる同じ記録が、エンジニアが最初からやり直すことなく根本原因を確認することも可能にします。

リスクに見合った承認

すべてのアウトプットに同じ精査が必要なわけではありません。Forresterは、エージェントを承認ゲートとロールバック経路の背後にある限定的なタスクから始め、統制の有効性が実証されるにつれて自律性を広げていくことを推奨しています。アクション、影響範囲、元に戻せるかどうかを明記した承認リクエストなら、レビュアーは一度読むだけで判断できます。

02_after-approval-sized-to-the-risk_risk-ladder.png

AI SREとインシデント対応への適用

14:25にチェックアウトサービスでレイテンシのアラートが発生したとします。結論だけを返すエージェントは「おそらく不具合のあるデプロイです」と答えます。レビュアーはそれを裏付けるのに30分を費やします。

証拠を重視するエージェントは、14:20のデプロイイベント、14:22以降上限に張り付いたコネクションプールのメトリクス、ログから得たタイムアウト件数、サンプリングしたトレースのp95レイテンシに加え、承認待ちの段階的ロールバックを返します。レビュアーは4つの証拠を確認し、ロールバックの範囲をチェックして判断します。担当者も責任の所在も同じまま、手戻りは大幅に減ります。

エージェントの数が増えるなか、AIインシデント対応に求められるのはこの転換です。人はループにとどまりますが、ループは短くなります。調査と判断の分離について詳しくは、AI in IT operations, where agents investigate and humans decideの記事をご覧ください。

Toby AI Agentsが役立つ理由

Toby AI Agentsは、既存のテレメトリを使ってTrueWatchワークスペース内で動作するAIチームメイトです。上述のハンドオフを軸に設計されています。

  • ご自身で設定するスコープ。 各エージェントのロール、データスコープ、使用できるツールを定義します。ロールにはSRE、Security、AppDev、FinOps、Customがあります。
  • 調査してから所見を提示。 エージェントは調査とチェックを実行し、修正案を添えて所見を返します。たとえばSRE Agentは、スコープ内のサービスのメトリクス、ログ、トレースを読み取り、考えられる原因、その証拠、承認用のロールバックまたはスケーリング変更を提示します。
  • すべての実行に証拠を記録。 各実行について、呼び出したツール、その結果、回答の根拠となった証拠が記録されます。
  • すべての変更にご自身の承認を。 システムを変更するものは、すべて承認を待ちます。リクエストにはアクション、そのスコープ、元に戻せるかどうかが示され、承認または却下を選べます。
  • チームがすでに作業している場所で。 エージェントはダッシュボード、アラート、DQLクエリ、Slack、モバイルから動作し、時間範囲、サービス、フィルターなどのコンテキストを引き継ぎ、アラート、スケジュール、質問をトリガーに実行されます。

これらの統制の背景にある設計思想については、how we designed trust into Toby AI Agentsをご覧ください。

03_after-how-toby-ai-agents-help_approval-card.png

FAQ

ヒューマン・イン・ザ・ループAIエージェントとは?

調査や分析などの作業を実行し、その後の判断を人に戻すAIエージェントです。人は結果をレビューし、特に本番システムを変更するアクションについて承認または却下します。

なぜAIでレビュー時間が増えるのですか?

Bainの2026年調査では、AIを使うと開発者が完了するタスクは約21%増える一方、レビュー時間は約91%増加することがわかりました。アウトプットが増えれば検証すべきものも増え、裏付けとなる証拠のないアウトプットでは、レビュアーは信頼するために作業をやり直さざるを得なくなります。

AIエージェントガバナンスはどのようにレビューを速めますか?

明確なスコープ、記録された証拠、リスクに基づく承認により、レビュアーはエージェントがアクセスできたもの、見つけた内容、実行しようとしていることを把握できます。これにより、レビューは新たな調査ではなく証拠の確認になります。

Toby AI Agentsは本番環境を自動で変更しますか?

いいえ。Toby AI Agentsは、割り当てられたスコープ内で調査し、修正案を提示します。変更はすべて承認を待ち、各実行では呼び出したツール、その結果、回答の根拠となった証拠が保持されます。

調査は任せて、判断は手元に

AIはすでに作業を速くしました。次の一歩は、人を外すことなくレビューを速くすることです。スコープが定められ、証拠を伴う所見を返して承認を待つエージェントなら、エンジニアが主導権を保ったまま、再確認に費やしていた時間を取り戻せます。Toby AI Agentsの仕組みを見る。

Get in touch background

TrueWatchを始めましょう