Zenn、AI コーディング支援ツールを活用した自動売買システムのレビュー分析を公開──指摘の 88% が製品の欠陥ではなく証跡機構への指摘であったと判明
AI レビューを 40 回回した実測から、指摘の 88% が製品ではなく証跡機構に向けられていたことを突き止め、範囲絞り込みの設計を導入した。
リリース: 2026-09-26 · 読了 4 分記事の要約
1. 核心（What）
- 日本株の自動売買システムの開発において、AI コーディング支援を用いた配備前のレビュー関門を 40 回実施した。
- 指摘 17 件を分類した結果、製品そのものの欠陥は 2 件（12%）であり、残りの 88% は「安全だと証明する仕組み」への指摘であった。
- 実装は Claude Code、独立レビューは Codex を用いて分業し、通算 78 件の結果ファイルと 25 件の差し戻しを記録した。
2. 影響（Why）
- AI レビューの無限ループを防ぐ判定基準: 「全部直す」という既定のままでは証跡機構のファイルが増え続け、本質的な製品の欠陥が見落とされるため、目的側比率による厳格なスコープ絞り込みが必要になる。
- 国内自動売買 SaaS 開発チームへの示唆: [国内 金融系システム開発企業] のような小規模から中規模のチームが AI コーディング支援を本番投入する際、自動生成される証跡やログの増加によってレビュー工数が爆発するリスクを回避する設計指針になる。
3. 根拠・詳細（How）
- 部分一致による分類スクリプトの実装: PRODUCT_HINTS（注文、約定、決済等）と APPARATUS_HINTS（証跡、manifest、署名等）の部分一致を用い、目的側比率が 40% を下回った場合に審査範囲を絞り直す 10 数行のスクリプトを構築した。
- 4 本の運用規律のプロンプト化: 「証明できないリスクで止めない」「同じやり直しは 2 回で止めて数える」「費用は実行の前に分解する」「測る前に意見を言わない」という 4 つの規律をプロンプトとして適用した。
4. 展望・課題（Next）
- 本番環境での実証データの蓄積: 関門の外側で発生した本番口座での欠陥 15 件や、AI への事前質問 15 本に関する追加分析の公開が期待される。