AI同士のレビューを、根拠のある改善につなげる

作者は、自分が何を意図したかを知っているため、意図どおりに読む傾向があります。レビューでは、処理の仕様、入力、制約をもとに、作者の説明とは独立して結果を確認します。想定外の使い方や、一部の処理だけが失敗する場面も試します。

異なるモデルを使うことは視点を増やす方法の一つです。ただし、同じ資料の誤りや同じ評価条件を共有していれば、結論も偏ります。一次資料、再現例、実行結果を判断の根拠にします。

有用な指摘は、どの入力や操作で、どの利用者の、どの結果が壊れるかを示します。因果関係と根拠がない重大度ラベルだけでは、修正の優先順位を決められません。

資金や権限、顧客への誤情報、復旧できない状態を生む問題は重く扱います。一方、書式の違いや古い資料の不一致は、現在の処理へどう影響するかを確かめて分類します。

レビュー後にコードが変われば、前の合格がそのまま有効とは限りません。対象のコミット、比較元、変更ファイル、検証結果を結び付け、採用する版を確認します。

複数のAIが同じ領域を扱う場合は、書き手と作業範囲を明確にします。レビュー役が修正まで始めたり、引き継ぎの途中で別の書き手が動いたりすると、確認した変更が何だったか分からなくなります。

すべての変更で過去の全資料や全テストをやり直すと、費用と待ち時間が増えます。変更が影響する処理や、守るべき仕様、再現済みの問題から、必要な確認を選びます。

指摘が増え続ける場合は、今回の変更に関係する問題と、まだ解消していない実害を確認します。判断材料が足りない項目は保留し、依存しない作業は進めます。修正後の確認を終えた項目まで、新しい根拠なく毎回調べ直す必要はありません。