8月26日、MarkTechPostが「What Would Have to Be True for Agentic Coding to Replace Junior Engineers」と題した記事を公開した。この記事では、エージェントコーディングがジュニアエンジニアを代替するために満たされなければならない4つの条件を、実証データに基づいて検証している。
なかでも最も重要な発見は記事の終盤に登場する。スタンフォード大学がADPの給与データを分析したところ、ソフトウェア開発職における22〜25歳の雇用が年長者と比べて2026年6月時点で19%乖離していた。AIはジュニアを解雇していない。ドアを閉めているだけだ。その構造的メカニズムを、以下4つの条件から順を追って検証する。
条件1：エージェントは実際の業務時間軸で信頼できるか
METRの「タイムホライズン」研究によれば、AIモデルが実際のソフトウェアタスクを50%の成功率で完遂できる時間軸は、2019年から2025年にかけておよそ7ヶ月ごとに倍増してきた。2026年時点のライブリーダーボードでは、フロンティアモデルのホライズンは「数時間」の域に達している。
しかし、この数字には重大な注釈がある。
- 50%は実務で使える水準ではない。 METRが報告する「80%信頼性ホライズン」は50%の数字より大幅に短く、人間が4時間以上かけるタスクにおけるエージェントの成功率は10%未満だ。
- ベンチマークのタスクは意図的に「文脈なし・仕様明確」に設計されている。 METRはこの点を明示しており、「2時間タスク」とはコードベースの知識を持たない人間が2時間でできること、を意味する。
ジュニアエンジニアの最初の半年は、ほぼ文脈の習得に費やされる。どのサービスが何を担当しているか、なぜそのアーキテクチャになっているか、誰に聞けばいいか。ベンチマークはまさにその「難しい部分」を取り除いたタスクを測定している。
条件2：ベンチマークはその仕事を正しく測定しているか
2026年2月、OpenAIはSWE-bench Verifiedのスコア報告を停止し、他組織にも同様を推奨した。
理由は深刻だ。OpenAIが27.6%のサブセットを監査したところ、59.4%以上の問題でテストケースに欠陥があり、正しい解法を誤って不正解と判定していた。さらに汚染（contamination）も確認され、フロンティアモデルが正解パッチをそのまま再現できるケースが見つかった。訓練データへの露出が疑われる。
過去6ヶ月でスコアは74.9%から80.9%へ改善したが、OpenAIが問うたのは「この残存する失敗はモデルの限界なのか、データセットの問題なのか」だった。答えは「主にデータセットの問題」だった。
より汚染が少なく難易度の高いSWE-bench Proでは、フロンティアモデルのスコアはVerifiedの数字を大きく下回る。
条件3：エージェント出力の検証コストは人への委任コストを下回るか
ここが最も見落とされがちな条件であり、最もクリーンな実験証拠がある。
METRは経験豊富なオープンソース開発者16名を対象に、各自のリポジトリ上の246タスクでAI使用の許可・不許可をランダムに割り当てるRCT（ランダム化比較試験）を実施した。
結果は次の通りだ。
- 開発者が事前予測した生産性向上：**+24%**
- 事後の自己評価：**+20%**
- 実測値：−19%（19%遅くなった）
生産性変化の方向すら認識できていなかった。
Stack Overflowの2025年調査（回答者49,000人超）では、84%がAIツールを使用・予定する一方、46%が出力の正確性を信頼していない。高い信頼を示したのはわずか3%。経験豊富な開発者に限ると、高不信頼層は20%に達する。
GoogleのDORA調査（約5,000人）では、90%がAIを業務に使い、80%超が生産性向上を実感している。しかしデリバリーの不安定性は改善しておらず、DORAはAIを「組織の既存状態を増幅するもの」と結論付けた。
生成は安くなった。検証は安くなっていない。レビュー能力が制約になり、そのレビュー能力とはシニアエンジニアの時間だ。
条件4（最重要）：企業は自社のシニアパイプラインを壊す選択をするか
条件1〜3は「代替が機能するか」を問う。条件4は「機能しなくても企業が試みるか」を問う。この二つは別の問いであり、後者はすでに答えが出ている。
スタンフォード大学のDigital Economy Labが米国の労働者約6人に1人をカバーするADPの給与データを分析した「Canaries」研究によれば、ソフトウェア開発を含むAIにさらされやすい職種における22〜25歳の雇用が、同職種の年長者と比べて急激に乖離している。
2025年7月時点でその差は**15%、2026年6月時点では19%**に拡大した。調整は解雇ではなく採用減少として起きている。誰もクビになっていない。ドアが閉まっているだけだ。
論文が提示するメカニズムが核心を突く。雇用が減ったのは体系化された知識（ドキュメントや標準手順から学べる知識）に依存する若い労働者の職種。増えたのは暗黙知（実践・メンタリング・反復経験によって得られる知識）に依存する経験者の職種だ。
ジュニアエンジニアが最初に持ち込むのが体系化された知識。暗黙知はその体系的な業務をこなす中で少しずつ身につけるものだ。
私たちは徒弟制度を自動化しながら、徒弟制度が生み出すものへの要求を残している。
著者の結論
エージェントコーディングはジュニアエンジニアを代替していない。代替しているのは「かつてジュニアエンジニアに渡していたタスク」だ。これは異なる事象であり、結果はより深刻だ。
著者が主張する「3年後に賢く見える企業の行動」は次の通りだ：ジュニアの採用を継続し、初日からエージェントを使わせ、以前の世代より早くシニア判断に到達するか測定する。この実験を誰も資金提供しないのは、決算発表で使える数字が出ないからだ、と著者は皮肉る。
著者が「考えを変える」と表明している観測項目も明示されている：
- 事前文脈ありタスクで丸一日をカバーする80%信頼性ホライズン
- 非汚染・長ホライズンベンチマークで60%超のフロンティアスコア
- METRのRCTの再現（実測と自己認識が同方向を向く結果）
- AI導入継続中にDORAのデリバリー不安定性が2年連続改善
- スタンフォードの22〜25歳雇用ギャップの縮小
「これら5つのうち3つが出揃ったら、この記事の逆を書いてリンクを貼る」と著者は宣言している。
詳細はWhat Would Have to Be True for Agentic Coding to Replace Junior Engineersを参照していただきたい。
