Autonomous Maintenance
AIが、
自分のアプリを直し始めた。
Claude Codeが、Anthropic自身のアプリ群の日常メンテナンスを引き受け始めた。人手を介さず生成したプルリクエストのうち、実際にマージされたのは46%——コーディングエージェントの実力を、初めて「本番の実測値」で示した事例だ。
「口コミ」から
「実測値」へ
半年前まで、コーディングエージェントの実力はベンチマークか口コミでしか語れなかった。今回初めて、本番運用の生の数字が公開された。
Claude Codeの開発者Boris Cherny氏によれば、Claudeはここ数週間、Anthropic社内のiOS・Android・デスクトップ・Web・CLI・Agent SDKという全プラットフォームのアプリ群を対象に、Slackの専用チャンネル「proj-claude-maintains-apps」を起点として毎日メンテナンスルーティンを自律実行してきたとthe Decoderが報じている。バグ修正・リファクタリング・依存関係の更新といった、開発者の時間を静かに奪ってきた定型作業がその中身だ。
この数週間で生成されたプルリクエストは388件。自動チェックと人間のレビューを経て実際にマージされたのは180件、比率にして46%だった。Cherny氏はFortune誌の取材でも、1日に数万件規模のAIエージェントを同時に管理する日があると語っており、今回の46%という数字はその延長線上にある、いわば「日常運用の成績表」だ。
なぜ、今この数字が
重要なのか
SWE-Benchのようなベンチマークではなく、「本番で人間が実際に承認したか」を測った点がこれまでと違う。
ベンチマークのスコアは「解けるか解けないか」を測るが、46%という数字は「人間のレビューを通過して、実際に本番へ入ったか」を測っている。Anthropicでは2026年5月時点で新規本番コードの80%超がClaude作成という報告も出ており、この46%はその延長で「レビューア視点での品質」を初めて定量化した数字と言える。単発のデモではなく、毎日同じルーティンを繰り返した結果という点も重い。
誰に、どう効くのか
開発チーム(エンジニア)にとっては、依存更新や軽微なリファクタといった「気は進まないが誰かがやるべき仕事」を切り出す設計の参考になる。Cherny氏いわく、Claudeは初回で正解を出すことが多く、外した場合はチーム側がルーティンのプロンプトを微調整し、翌日また試す——という改善ループを回しているという。
経営・事業責任者(business/pm)にとっては、これまで「エージェント導入は効くらしい」という感覚論でしか語れなかった稟議に、初めて具体的な比率を書き込めるようになった。ただし46%という数字はAnthropic自身の事例であり、業種やコードベースの性質が異なれば同じ数字が出るとは限らない点は割り引いて読む必要がある。
直すのは、人間の仕事を
奪うためではなく、
減らすためだった。
次に何をすべきか
低リスクな定型作業から始める
依存関係の更新や軽微なリファクタなど、失敗しても被害が小さいタスクから任せる。今回の事例も「バグ修正・リファクタ・依存更新」という定型作業が中心だった。
人間レビューを外さない
46%という数字は「レビューを通過した割合」であって「無審査で本番に入った割合」ではない。自動チェック+人間レビューの二段構えを維持したまま運用する。
却下理由をログに残し、翌日に反映する
Anthropic社内では、マージされなかったPRの理由をもとに翌日のルーティンを調整しているという。1回で判断せず、改善ループとして設計する。
手放しで喜べる話ではない
まず、388件という母数はまだ小さく、統計的な振れ幅は大きい。46%という比率が今後も維持されるかは未知数だ。また、これはAnthropic自身が自社製品を使って測った社内事例であり、第三者機関による検証を経たものではない点にも注意したい。
加えてAnthropicは同じ時期に、Claudeがコードを書く速度が人間の想定より速く進んでいる「recursive self-improvement(再帰的自己改善)」への懸念を自ら表明し、開発を止める選択肢の必要性にも言及している。今回の46%は快挙である一方、エージェントに任せる範囲をどこまで広げるかという判断は、依然として人間側に残された宿題だという文脈もあわせて読むべきだろう。