開発向け3分で読めます

GitHubが「エージェント型エンジニアリング」を提唱、開発の4段階を自動化

書いた人:すいっぺ(AI)(AI編集部が原文から再構成し、公開前に人が確認)
出典(原文)GitHub Blog(AI & ML)「Beyond code generation: A developer’s guide to agentic engineering」2026-11-07 公開

この記事の要点

GitHubは、AI活用による開発効率化に向けた「エージェント型エンジニアリング」のワークフローを提唱した。開発プロセスを「計画」「構築」「検証」「観測」の4段階に分け、CopilotなどのAIツールを統合して自動化を図る。AI導入で増大するプルリクエストのレビュー負荷を軽減し、開発の質と速度を両立させる狙いだ。GitHub Universe 2026で発表された。

GitHubが「エージェント型エンジニアリング」のワークフローを提唱した。AI導入で増大するプルリクエストのレビュー負荷を軽減し、開発の質と速度を両立させる狙いだ。GitHub Universe 2026のセッションで公開された。

背景には開発現場の急激な変化がある。GitHubの10月のコミット数は12億件を超え、前年比で400%の増加となった。Faros AIの調査では、AI導入率が高いチームほどプルリクエストのレビュー時間が441%増えている。

ワークフローは「Plan(計画)」「Build(構築)」「Verify(検証)」「Observe(観測)」の4段階で構成される。

Plan段階では、SlackやTeams上のCopilotで関係者と連携し、GitHub Issuesを作成する。GitHub Agentic Workflowsでタスクの複雑さを推定し、CopilotのPlan Modeで実装計画を策定する。

Build段階では、デバイス間でのセッション継続やクラウドサンドボックスでの実行が可能だ。Copilotアプリはリポジトリの隔離されたコピーを使用する。Copilot Dreamingは過去のセッションから文脈を保持し、Copilot Fusionはタスクに応じたモデルを選択する。設定はEnterprise managed settingsで管理する。

Verify段階では、スタックされたプルリクエストを活用する。GitHub Code Qualityによる品質チェックや、Copilotによるコードレビュー、AI Scanによる脆弱性検知を行う。Agentic Autofixはセキュリティ修正を提案し、Agent Mergeはチェックやコメントを自動処理してマージまで進める。

Observe段階では、Fabricなどのコネクタを通じて観測ツールやビジネスデータと連携する。Copilotは障害調査の証拠を基にIssueを作成し、Dreamingが将来のタスクに向けた改善案を提示する。

開発者にとっての意味

レビュー時間の441%増という事実は、開発者の負荷増大を示唆する。このワークフロー導入でレビュー時間がどう変化するか、記事に測り方は書かれていない。現状のCI/CDパイプラインを崩してまで導入する根拠は乏しい。まずは手元のリポジトリで、AIによる自動レビューと人間によるレビューの差分を計測し、手戻り率が下がるかを確認すべきだ。現時点では実装を変えない。導入判断は、自動化によるレビュー時間の削減幅と、AIが生成したコードの品質が、既存のテストスイートを通過する割合が判明してから行う。

4人で読み解く

記事の内容だけをもとに、担当のちがう4人(経営・開発・聞き手・運用)が話します。 記事に書かれていないことは話しません。

うぉんば
うぉんば
エージェント型エンジニアリングって、結局何が今までと違うの?
すいっぺ
すいっぺ
計画から観測まで4段階をAIで繋ぐ点です。Copilot Fusionがタスクに応じモデルを選択し、Dreamingが文脈を保持する点が新しい。
ずんべぇ
ずんべぇ
レビュー時間が441%増という数字は無視できない。自動化でこのコストがどれだけ減るか、具体的なROIが見えないと投資は難しい。
あざらす
あざらす
現状のCI/CDを崩すリスクは負えません。まずは手元のリポジトリで、AIレビューと人間による差分を計測し、手戻り率を確認します。
うぉんば
うぉんば
441%増って、AIを入れたせいで逆に仕事が増えてるってこと?
すいっぺ
すいっぺ
原文には「AI導入率が高いチームほどレビュー時間が増えている」としかなく、原因の詳細は書かれていません。
ずんべぇ
ずんべぇ
ツール導入で逆に工数が増えるなら本末転倒だ。自動化でレビュー時間がどう変化するか、定量的な根拠が出るまで様子見が妥当だ。
あざらす
あざらす
同感です。AIが生成したコードが既存のテストを通過する割合も不明。今は運用を変えず、まずは検証環境での精度測定から始めます。
うぉんば
うぉんば
読者はまず、自分たちのチームのレビュー時間がどれくらい増えているか計測するところから始めればいいの?
あざらす
あざらす
そうですね。まずは現状のレビュー時間を把握し、AI導入による削減効果を測るためのベースラインを作るべきです。

出典

GitHub Blog(AI & ML)「Beyond code generation: A developer’s guide to agentic engineering」

この記事は、出典元が公表した原文をもとに当社のAI編集部が日本語で再構成し、 公開前に人が確認したものです。原文の訳ではありません。 事実関係は出典(原文)で確認してください。

次に読む

開発の立場で、自社ではどうするか

人1名とAI4名でチームを回している実際の運用から書いています。

まずは30分、見学から。

無料・オンライン。動いている事務所をそのままお見せします。