Meta、50超のAIエージェントで「ベテランだけが知るノウハウ」を自動文書化

「このコード、なぜこう書いてあるんですか？」と聞いたら「あの人に聞いて」と返された経験はないでしょうか。ドキュメントに書かれていない、ベテランの頭の中にだけある知識。日本では「暗黙知」と呼ばれるこの問題に、Metaが大規模なAI活用で挑みました。「MetaがAIでデータパイプラインの暗黙知をマッピングした方法」と題した技術ブログで、50を超えるAIエージェントを使い、属人的なノウハウを自動で文書化するシステムの全容が明かされました。

AIエージェントが「勘で書いたコード」を量産していた

Metaのデータパイプラインは、複数のリポジトリにまたがり、3つのプログラミング言語で書かれた4,100以上のファイルで構成されています。このコードベースにAIエージェントを投入してコード修正を任せたところ、問題が起きました。

AIは文法的には正しいコードを出力するものの、「なぜその設定値なのか」「どのファイルを先に変更すべきか」といった暗黙のルールを理解できません。結果として「コンパイルは通るが、微妙に間違っている」コードを量産してしまったのです。Metaの技術チームはこの状況を「推測し、探索し、また推測する」と表現しました。

問題の根本は、設計パターンや慣例がドキュメント化されておらず、経験豊富なエンジニアの頭の中にしか存在しなかったことでした。

「百科事典」ではなく「コンパス」を作る

Metaが構築したのは、50以上の専門AIエージェントが連携して動くシステムです。各エージェントには役割が割り当てられています。「探索役」がコードベース全体の構造を把握し、「分析役」がファイルを読み込んで質問に答え、「執筆役」がコンテキストファイルを生成し、「批評役」が品質を審査します。

各コードモジュールについて、5つの重要な問いに答える形で暗黙知を整理しました。

このモジュールは何を設定しているのか？
よくある変更パターンは？
ビルド失敗を引き起こす見落としがちなパターンは？
モジュール間の依存関係は？
コードのコメントに埋もれた暗黙知は？

ここで重要なのが設計思想です。生成するコンテキストファイルは25〜35行（約1,000トークン）に抑えました。Metaはこれを「百科事典ではなくコンパス」と表現しています。必要な情報だけを簡潔にまとめ、AIエージェントが迷わず目的地にたどり着けるガイドを作るという発想です。

各コンテキストファイルには「すぐ使えるコマンド」「重要ファイル3〜5個」「見落としがちなパターン」「関連モジュールへの参照」の4つのセクションが含まれます。

カバー率5%から100%へ、作業時間は2日から30分に

成果は数字に表れました。

指標	導入前	導入後
AIが参照できるコンテキスト	約5%	100%（59ファイル）
AIナビゲーション対象ファイル数	約50	4,100以上
文書化された暗黙パターン	ほぼなし	50以上
AIのツール呼び出し回数	基準値	40%削減
複雑な作業の所要時間	約2日	約30分

特筆すべきは品質です。3段階の独立した批評レビューを経て、品質スコアは5点満点中3.65から4.20に向上。ファイルパスの参照において幻覚（実在しないパスの生成）はゼロでした。

一方で、最近の学術研究では、AI生成のコンテキストファイルはDjangoのような有名フレームワークでは逆効果になり得るとの指摘もあります。ただし、Metaのケースは事情が異なります。Metaのコードベースは独自仕様であり、AIの学習データには含まれていない知識が大量に存在するため、コンテキストの提供が効果的に機能したのです。

記者の視点：日本企業こそ必要な「暗黙知の形式知化」

日本のソフトウェア開発現場では、ベテランエンジニアへの依存が大きな課題です。経済産業省が指摘する「2025年の崖」問題でも、レガシーシステムの知識が特定の担当者に集中しているリスクが取り上げられました。Metaのアプローチは、この課題に対する具体的な解決策を示しています。

興味深いのは「百科事典ではなくコンパス」という設計思想です。AIに大量の情報を詰め込むのではなく、必要最小限の情報を厳選して渡す。この考え方は、ナレッジマネジメント研究で知られる野中郁次郎氏の「SECIモデル」にも通じるものがあります。暗黙知を形式知に変換し、組織全体で共有するというプロセスを、AIが自動化できる時代が来たと言えるでしょう。

さらに、このシステムは数週間ごとに自動で更新され、ファイルパスの検証やカバレッジの不足を検出して自己修復します。知識の陳腐化を防ぐ仕組みまで組み込まれている点は、実用性の高さを物語っています。